一种新颖的路面裂纹修补识别方法研究

针对目前公路路面裂缝的图像处理中难以区分未修补裂缝与已修补裂缝的难点问题，提出一种新颖的路面裂纹修补识别方法，通过Hessian矩阵特征向量与特征值中提取的各向异性对裂缝检测的敏感性，能较好地提取路面裂缝或修补裂纹细节信息，确定裂缝是否修补。通过实际拍摄的未修补裂缝、已修补裂纹的数据进行解析处理，结合边缘检测的能量强度与检测结果中的非平滑特征可以区分出裂缝是否被修补。     

基于PCNN与形态学的坑洞图像边缘提取

对坑洞图像边缘提取进行了研究,改进了脉冲耦合神经网络模型,提出了一种PCNN和形态学相结合的边缘提取方法。对基本PCNN模型进行优化,简化了原模型参数,并改进了原模型的线性输入项和脉冲输出计算方法。在图像边缘提取过程中,先对图像进行增强,在一定程度上消除坑洞周围环境对坑洞边缘的影响,再利用改进的PCNN模型和形态学的膨胀腐蚀特性对其进行边缘提取。实验结果表明:该方法对路面坑洞图像的边缘提取比传统边缘提取算法更为有效,抗干扰能力强,能有效地抑制路面环境对坑洞边缘的影响,所提取到的边缘更加清晰、可用。     

高分辨率遥感图像道路边缘自动检测与提取技术研究

基于对高分辨率遥感图像中道路特征的分析,对传统的道路边缘自动检测与提取技术进行了改进,提出了新的技术路线和框架,引入数学形态学重建和边缘追踪算法对高分辨率遥感图像进行道路边缘自动检测。定义了描述边缘形状特性的P因子、F因子和C因子,利用K均值聚类的方法实现了基于多重判别准则的道路边缘提取,从而在众多的边缘检测结果中,排除房屋等其它区域的干扰,准确的获得道路边缘。     

沥青路面裂缝图像边缘检测算法研究

针对现有的沥青路面裂缝图像边缘检测算法存在的缺点,提出了一种基于图像处理技术的沥青路面裂缝图像边缘检测的新算法。首先分析沥青路面裂缝图像的特征,然后利用整数阶微分和分数阶微分,推导出有理数阶微分,再与Soble算子相结合得到了新算法。最后通过实例验证,并进行定位精度实验和客观评价验证了该算法的有效性。     

基于Beamlet变换的路面裂缝图像匀光算法

为解决路面病害检测过程中在不同光照条件下裂缝识别可靠性的问题,Beamlet变换提供了一种多尺度分析算法．该算法采用递归二进法将图像分块,利用在所有像素尺度下的Beamlet线段逼近裂缝,将裂缝从图像背景中分离,并采用插值函数均匀光照背景．在图像裂缝提取过程中,对图像中裂缝的线性提取可以有效地滤除噪声,提高裂缝提取的准确性．较传统的图像处理算法,该算法在准确地检测路面裂缝,均匀光照背景的同时有效地抑制了噪声干扰,检测效果良好,且运算速度快．均匀的路面背景为路面裂缝图像的定性、定量分析奠定基础．     

一种基于模糊增强的多尺度边缘检测算法

图像的边缘检测技术是图像处理中最重要的内容之一,且已在图像分析和识别领域得到了广泛的应用.本文提出一种基于模糊增强的多尺度边缘检测算法.该算法首先用模糊增强算子对原始图像进行预处理,加大边缘两侧灰度的差异,然后利用多尺度边缘检测算法提取图像的边缘.最后,将该算法与经典的Sobel算子和Canny算子进行比较.实验结果表明,这种方法较好地解决了图像边缘的提取精度与图像噪声的抑制能力之间的矛盾.     

路面破损图像自动处理技术研究进展

总结了路面破损图像自动处理技术的重要研究成果, 分析了该领域关键技术的研究进展, 包括路面破损检测系统、图像处理算法和识别算法评估; 比较了不同路面破损检测系统与目标自动识别算法的检测精度和适用性, 给出了路面破损图像自动处理技术未来可能的主要研究方向。研究结果表明: 在路面破损检测系统方面, 从早期基于摄影技术的图像采集到目前的3D激光扫描技术, 路面图像采集技术更加便捷和高效, 但破损图像自动分析和目标自动识别算法仍然存在挑战; 在路面破损图像处理算法方面, 传统的路面裂缝目标分割算法已由过去的基于单一特征(灰度、边缘形状等) 的检测方法演化到多特征融合检测方法和图优化检测方法, 还出现了一些精细化的裂缝目标连接与恢复算法, 大幅提高了裂缝检测精度, 但需要的计算资源和人工先验知识库也随之不断增大; 在路面裂缝处理算法评估和比较方面, 主要利用人工分割来评价自动识别结果, 目前迫切需要建立一个面向全球开放的大型路面破损图像数据库, 以客观、有效地评估现有各种路面破损图像处理算法; 基于2D图像特征分析的路面破损图像自动识别算法很难在识别精确性、算法通用性和实时性方面同时取得最佳效果; 近年来, 大量学者开始尝试借助深度学习神经网络自动识别路面破损, 但该技术仍处于活跃的演进过程中; 在提高路面破损自动识别精度和效率方面, 3D激光扫描技术和基于人工智能的深度学习技术的发展将对未来路面破损图像自动识别技术的最终突破产生重大推进作用。      

基于分数阶微分的医学图像边缘检测方法

医学图像边缘检测是医学图像处理和分析的关键步骤,它的清晰程度直接影响到医生诊断的速度以及准确性.传统边缘检测算子对噪声敏感,检测到的图像边缘效果不够理想,得到的图片边缘有可能模糊不清,为了克服传统边缘检测算子对噪声敏感的缺点,给出了一种改进的基于分数阶微分算法的医学图像边缘检测方法,实验结果表明:该方法不仅有效的提取了图像边缘特征,而且对噪声具有较好的抑制作用.是一种有效的医学图像边缘检测方法.     

基于分数阶微分的医学图像边缘检测方法

医学图像边缘检测是医学图像处理和分析的关键步骤,它的清晰程度直接影响到医生诊断的速度以及准确性.传统边缘检测算子对噪声敏感,检测到的图像边缘效果不够理想,得到的图片边缘有可能模糊不清,为了克服传统边缘检测算子对噪声敏感的缺点,给出了一种改进的基于分数阶微分算法的医学图像边缘检测方法,实验结果表明:该方法不仅有效的提取了图像边缘特征,而且对噪声具有较好的抑制作用.是一种有效的医学图像边缘检测方法.     

一种简单的灰度图像边缘检测算法

提出了一种新的基于平行方向上像素点灰度值平均值求差的边缘检测算法.根据像素点及其八邻域的灰度值,在尽量保证图像信息完整的基础上,选择合适的阈值提取出尽可能合适数量的边缘点,并利用边缘的连续性原理对结果中的噪声点进行筛选,以达到边缘提取的目的,提高图像边缘检测效果.实验表明:此算法对灰度图像是一种简单、有效的边缘检测算法.     

图的符号边控制与减边控制

设G是一个图,γ′s(G)和γ′m(G)分别表示图G的符号边控制数和减边控制数,利用图的边度序列给出了γ′s(G)和γ′m(G)的下限,并通过图G的子图明确了两者的关系,为找出γ′m(G)更多的下界提供了新的方法。     

基于边缘保持平滑滤波的Canny算子边缘检测

在Canny算子实施边缘检测前,运用具有边缘保持性能的滤波器做预处理.仿真实验主、客观分析表明,边缘保持滤波预处理的Canny算子较原有Canny算子在边缘检测性能方面有一定的改善;边缘保持滤波器性能的定量分析和比较,对预处理滤波器和Canny算子边缘检测参数的选择有一定的指导意义.     

非乘积型小波多尺度边缘检测

讨论了L2（R^2）空间中一类紧支撑正交对称非乘积型小波在灰度图像边缘检测中的应用，检测过程利用了图像所有高频信息，对非乘积型小波滤波器组，先由它们拟合沿水平，竖直方向的滤波器组，若记W1，W2，W3为图像I滤波之后的三个高频图像，W=√-W^21 W22 W23，对W进行非最大值抑制，滞后阈值化，得到图像I边缘图，这样得到不同尺度的边缘后，进行简单边缘匹配，得到原图像边缘，最后给出了IC图像非乘积型小波多尺度边缘检测的结果。     

一种基于预处理的边界检测算法

分析了常用的轮廓跟踪算法，并指出了其缺点．针对不同连通区域的图像，提出了一种基于预处理的边界检测算法．该方法可直接从原始图像中提取边界，而不需要进行边界强度计算和阈值分类．该算法用统一的方法处理单连通域、复连通域和不连通域的各种复杂情况，避免陷入复连通域和不连通域关系的先深分析或先广分析，将其化难为易，并且其运算量小，准确率高．     

一种简化的边缘生长方法

细化处理具有图像连接成分的连接性不变的特点，对边缘图像实施细化处理，可使连通数为1的生长点8-邻域内只有1个边缘点，在边缘生长时，相比以往的方法，只需考虑一种情形，简化了实现方法，有其简洁的一面．实验结果表明此简化方法是有效的．     

轮图的符号边控制数

给出了所有轮图的符号边控制数.     

关于图的符号边控制数

设G为一个n阶连通图，m=|E(G)|，△和δ分别为图G的最大度和最小度，给出了图G的符号边控制数的一个下界、即γ‘‘‘‘‘‘‘‘，（G）≥[M-(△-δ)(△-2)(n-δ)/2△-1]，并确定了几类特殊图的符号边控制数。     

一种改进的形态学边缘检测方法

对经典形态学进行了3点改进,提出一种多尺度多级级联自适应加权图像边缘检测算法.经实验结果表明,与其他方法相比,该算法抗噪性能更优,得到的边缘图像具有良好的边缘细节特性,算法比较简单,具有一定的实用性和可行性.     

滚子接触边缘效应实验研究

利用通用接触疲劳实验机,通过实验模拟合理设计出滚子接触边缘效应实验试件,用实验证明了直母线滚子接触受载后存在边界应力集中现象,即:所谓的"边缘效应";间接证明了深穴滚子结构可以降低或避免滚子接触"边缘效应",从而提高零部件的接触疲劳寿命.     

关于图的反符号边控制

引入了图的反符号边控制的概念,设G=(V,E)是一个图,一个函数f:e→{-1, 1}如果对任意e∈E(G),均有∑e′∈N[e]f(e′)≤0,则称f为图G的一个反符号边控制函数.图G的反符号边控制数定义为-γs(G)=max{∑e∈Ef(e)|f为图G的反符号边控制函数}.在本文中,我们主要给出了图的反符号边控制数的两个上界,并确定了几类特殊图的反符号控制函数.