基于矩的亚像素精度边缘定位算法研究

摘要

边缘检测及定位技术在图像处理中占有重要的地位和作用,随着机器视觉技术在检测和测量中广泛深入的应用,人们期望能从图像信息中获取更为精确的物体的尺寸和位置信息,像素级边缘定位技术已难以满足实际的要求。近年来,国内外专家学者已经提出了多种不同的亚像素定位算法,其中基于矩的亚像素边缘定位算法已经成为亚像素定位的主流技术之一,该类方法具有对噪声不敏感的稳定特征。本文的主要工作就是在分析和讨论常用的亚像素定位模型和图像分割方法的基础上,结合亚像素定位技术对图像分割算法进行研究,拓宽亚像素定位的研究范围,并探索一种高精度的亚像素边缘定位算法。
　　 图像分割是图像处理中的重要步骤,脉冲耦合神经网络(PCNN)图像分割技术是当前非常重要的研究和应用热点,而PCNN模型参数的选择又是影响分割质量的非常重要的因素。利用空间矩亚像素边缘定位技术对PCNN图像分割方法进行了改进,借助空间矩亚像素定位算法得到的亚像素边缘位置信息,提出了内部连接矩阵设置的空间矩法,该方法充分利用了邻域的边缘及灰度分布信息。仿真实验证明,与传统PCNN及其他算法相比,采用改进算法所得的分割结果细节更丰富、分割区域更完整、边缘连续性更好。
　　 空间矩亚像素边缘定位算法是基于矩的亚像素算法中比较常用的一种算法,有不少文献对其进行了改进。通过分析已有空间矩直线模型和抛物线模型对存在拐点的边缘定位的局限性,提出了基于三次Bézier曲线模型的亚像素边缘定位算法,分析了邻域边缘存在拐点的条件,并利用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)迭代方法来确定三次Bézier曲线的控制顶点。仿真实验结果验证了当边缘轮廓类似存在拐点的曲线或不对称二次曲线时,该模型的定位精度明显优于直线模型和抛物线模型。

目录

文摘

英文文摘

第一章 绪论

1.1 论文研究背景

1.2 亚像素定位技术研究现状

1.3 脉冲耦合神经网络及其在图像处理中的应用现状

1.4 论文的主要研究工作

1.5 论文组织结构

第二章 相关理论和算法基础

2.1 亚像素定位技术及其常用算法介绍

2.1.1 亚像素定位基本原理

2.1.2 形心法和灰度重心法

2.1.3 拟合法

2.1.4 灰度矩边缘定位法

2.1.5 空间矩边缘定位法

2.2 脉冲耦合神经网络模型

2.2.1 PCNN标准模型

2.2.2 PCNN简化模型

2.3 小结

第三章 一种基于空间矩的PCNN图像分割方法

3.1 引言

3.2 改进算法基本原理

3.3 内部连接矩阵设置的空间矩法

3.4 仿真实验及结果分析

3.5 小结

第四章 基于三次Bézier曲线模型的空间矩亚像素边缘定位算法

4.1 引言

4.2 模型建立

4.3 高次非线性方程组求解

4.3.1 Levenberg-Marquardt迭代方法

4.3.2 估计参数初值

4.4 仿真实验及结果分析

4.4.1 邻域亚像素边缘定位及分析

4.4.2 实际图像的亚像素边缘定位及分析

4.5 小结

第五章 总结及未来的工作

5.1 总结

5.2 未来的工作

致谢

攻读硕士学位期间发表及录用的论文

参考文献