水下強噪音圖像目標(biāo)分割方法研究文獻綜述(編輯修改稿)
2025-02-02 04:38 本頁面
【文章內(nèi)容簡介】 三、邊緣檢測算法 利用圖像中灰度變化最強烈區(qū)域信息的方法稱為邊緣檢測方法 。 這類方法主要基于圖像灰度級的不連續(xù)性，它通過檢測不同均勻區(qū)域之間的邊界來實現(xiàn)對圖像的分割，這與人的視覺過程有些相似。邊緣檢測一 般 分為三個步驟：首先利用一些邊緣檢測算子檢測出圖像中可能的邊緣點 其次，對有 一定厚度的邊緣進行復(fù)雜的邊緣細化得到精確的厚度為一個像素的邊緣。 最后利用邊緣閉合技術(shù)以便得到封閉的邊緣。依據(jù)執(zhí)行方式的不同，這類方法通常又分為串行邊緣檢測技術(shù)和并行邊緣檢測技術(shù)。串行邊緣檢測技術(shù)首先要檢測出一個邊緣起始點，然后根據(jù)某種相似性準(zhǔn)則尋找與前一點同類的邊緣點，這種確定后繼相似點的方法稱為跟蹤。根據(jù)跟蹤方法的不同，這類方法又可以分為輪廓跟蹤、光柵跟蹤和全向跟蹤三種方法。全向跟蹤可以克服由于跟蹤的方向很可能造成的邊界丟失，但其搜 索過程會付出更大的時間代價。串行邊緣檢測技術(shù)的優(yōu)點在于可以得到連續(xù)的單像素邊緣，但是它的效果嚴重依賴于初始邊緣點，如由不恰當(dāng)?shù)某跏歼吘夵c可能得到虛假邊緣，另外，較少的初始邊緣點可能導(dǎo)致邊緣漏檢。并行邊緣檢測技術(shù)通常借助空域微分算子，通過其模板與圖像卷積完成，因而可以在各個像素上同時進行，從而大大降低了時間復(fù)雜度。常見的并行邊緣檢測方法有梯度幅度算子、 Robects梯度算子、 Laplacian算子、 Sobel。 四、基于特定理論的分割算法 水下強噪聲圖像 分割至今為止尚無通用的理論，所以，每當(dāng)有新的 “理論或方法 ”提出來人們就試著將其應(yīng)用于 水下強噪聲圖像 分割，因而提出了不少特殊的算法。馬爾可夫隨機場、 Gibbs隨機場等 。 水下強噪聲圖像目標(biāo)分割方法發(fā)展現(xiàn)狀及發(fā)展趨勢： 雖然圖像分割技術(shù)己被人們廣泛的利用，但是針對 水下強噪聲圖像 分割的研究相對缺
公司管理相關(guān)推薦
鄂ICP備17016276號-1