基于GPN径向基神经网络的边缘检测方法研究

发布时间：2021-09-24 13:43

　　边缘检测技术是在图像分析与处理领域内重要的研究方向,同样也是图像压缩、图像分割、智能交通管理系统、目标检测等许多其他研究内容的基础技术。一些现有的边缘检测方法在各类干扰成分的作用下依然有着些许不足之处,例如,检测结果中边缘的连通性不高以及存在较多的伪边缘等情况,而基于神经网络的边缘检测方法虽然可以改善边缘连通性问题,但是同样存在着检测效率不高的问题。为此,本文提出了一种新的基于GPN（Gaussian Positive-Negative）径向基神经网络的边缘检测方法。边缘检测一般有图像去噪、图像增强、检测和边缘定位等几个步骤。本文在对边缘检测的研究和实现过程中的主要贡献点如下:（1）在图像的去噪阶段,本文引入了扩散方程的热扩散思想进行图像去噪,并针对扩散方程模糊边缘的缺陷做出了改变,使其可以在迭代去噪的前提下并且可以较好的保护原始图像的边缘数据。（2）在后续的边缘检测阶段,本文根据人眼视觉特性的马赫效应,提出两点假设。并根据这两点假设提出了一种新的GPN轮廓凸显算法。（3）根据GPN轮廓凸显算法构造了一种新型的基于GPN径向基神经网络的边缘检测方法。该方法将GPN径向基神经网络结构中输... 

【文章来源】：湘潭大学湖南省

【文章页数】：51 页

【学位级别】：硕士

【部分图文】：

边缘

7图2.2边缘检测算法的基本步骤（1）滤波：大多的边缘检测模型会被噪声严重干扰，所以有必要使用相关滤波方法来降低噪声的影响，然而多数滤波模型在滤除噪前提下也对原始图像的些许边缘数据造成了丢失，所以在滤除噪声和加强边缘之间需要慎重考虑。（2）增强：首先要确定图像中每个像素点灰度值的改变，然后将灰度值骤变的点标记出来，具体可以通过计算边缘梯度的幅值来完成。（3）检测：经过第（2）步后的图像，邻域内可能存在许多梯度值较大的像素点，而在某些条件下，这些点并不满足需求，因此需要使用某些方法对这些点做出选择，通常使用设置阈值的方法来检测。（4）定位：通过特定的定位算法进行定位，找出图像中边缘的准确位置，得到预期的检测结果。2.2图像噪声噪声会在图像里产生，属于主要影响或干扰图像数据的信息。一般表现为引起较为强烈的视觉感受的独立像素点或块。噪声的信号与需要选取的目标没有任何关系，一般为图像里多余的数据，并且还会滋扰图像信息。图像质量因噪声的存在会有所下降，为此有必要先让图像完成相应的去噪处理。2.2.1图像噪声的分类图像噪声是人们对图像成像或传输时信息接收的障碍。在大多数时候能够把图像噪声作为多维随机的过程来做出处理，所以我们能够借助随机过程来形容噪声，即就是能够运用它们的概率密度函数来进行形容。实际中可列举下面这几种分类的概率密度函数：（1）均匀分布othersbxaabxf,0,1)(（2-1）

10因此，需要通过计算所有边缘水平和垂直方向的差分xG)(和yG)(，这样就可以根据公式（2-11）以及公式（2-12）计算梯度值和方向。22GxyGG)()(（2-11）))()(arctan(yGxG（2-12）第三步，非极大值抑制。只得到图像所有的梯度值还不能确定边缘位置，因此为了得到边缘位置，通过比较某一像素点的梯度值与其邻域的梯度值，得到梯度的最大值，并将所有不等于最大值的点全部变为0。第四步，双阈值选龋这里是指确定两个一大一小的阈值来划分边缘像素。通过高阈值可以得到由强边缘点组成的边缘图像，但中间可能出现断点的情况，为了使图像闭合，这就要根据低阈值得到新的弱边缘点，最后将比低阈值更小的像素点抑制。最后，进行边界跟踪。保留强边缘并去掉由干扰信息造成的伪边缘。（2）基于脉冲耦合神经网络（PCNN）的边缘检测模型[57]基于PCNN的边缘检测模型是一种能多个尺度进行图像边缘检测的模型。该检测模型通过进行非下采样Contourlet变换（NSCT）将原图像分解为高频定向子带和低频定向子带。高频子带用于通过系数极大值（MM）算法检测边缘的细节。低频子带用于通过PCNN检测图像的基本边缘线。利用NSCT域中不同尺度和不同方向的子带检测到的边缘信息重建得到最终的边缘检测图像。NSCT的构建建立在NSP和NSDFB的基础上，如图2.4所示。NSCT中的NSP部分确保了多尺度属性并捕获了点的不连续性，并且使用非二次采样2D滤波器组来完成构建块。完美重建的条件可以表示为：1)()()()(1100zzGHzzGH（2-13）其中)(0zH和)(1zH代表了分解滤波器；而)(0zG和)(1zG代表的是重构滤波器。Tzzz],[21，1z和2z是2D-z变换的复变量。图2.4NSCT结构图


本文编号：3407858