论文部分内容阅读
数字图像的边缘检测作为图像处理和计算机视觉中的基本问题,在图像分割、运动分析、目标识别与跟踪等技术方面的有着非常关键的作用。虽然与图像边缘检测相关的研究已有很长发展历史,并且现有的图像边缘检测算法也是数量繁多,但是能够在低照度环境下获取更加清晰、更多细节的显著性轮廓并且有效去除噪声边界的边缘检测算法仍然具有非常重要的现实意义。本文根据低照度环境下获取的图像的特性,研究分析现有的相关算法,对传统的低照度图像增强算法进行了改进和完善。然后针对低照度环境下的图像,实现了一种改进的结构森林边缘检测器。本文的主要工作如下:(1)本文提出了一种基于带色彩恢复的多尺度Retinex理论的低照度图像增强算法。在研究了传统的相关的低照度图像增强算法之后,本文选用带色彩恢复的多尺度Retinex算法对图像的光照分量和反射分量进行估计,然后对光照分量进行伽马变换和线性拉伸处理,对反射分量进行三边滤波处理。最后对光照分量和反射分量合并后的图像进行自动白平衡处理。通过对实验数据的分析,本文提出的算法与传统的算法相比,在主观方面,细节更为突出,整体亮度提升明显;在客观方面,通过实验数据展示了本文算法的优越性。(2)提出了一种改进的基于结构森林的边缘检测器。通过对传统的相关边缘检测算法的学习研究之后,本文将结构化的随机森林作为分类器,并利用伯克利分割数据集(BSDS500)训练结构化的随机森林算法,核心是将给定节点的结构化标签映射到一组离散标签。然后利用训练好的随机森林算法对低照度图像增强处理过的图像信息进行分类,得到图像轮廓。最后采用最大类间方差法(Otsu)对得到的轮廓图像进行自动阈值处理,得到图像显著性轮廓。实验结果证明,本文提出的算法能够获取更加清晰、更多细节的显著性轮廓并且有效去除噪声边界,有效地提高了检测效率。(3)实现了本文提出的低照度图像增强算法与边缘检测算法的系统应用。本文将涉及低照度图像增强算法方面对从IP网络摄像机获取的实时流视频帧进行处理,将结构森林边缘检测器与定向分水岭算和超度量轮廓图算法相结合,应用于图像分割方面。实验结果表明,本文提出的基于结构森林的低照度图像边缘检测算法在实际应用当中具有一定的使用价值。