基于信息测度和支持向量机的图像边缘检测

山东大学学报(工学版)

基于信息测度和支持向量机的图像边缘检测

王_1, 张艳宁_1, 申家振_1, 刘俊成_2,

1. 西北工业大学计算机科学与工程系，陕西西安710072；2. 山东理工大学材料科学与工程学院，山东淄博255091

收稿日期:2005-02-21 修回日期:1900-01-01 出版日期:2006-06-24 发布日期:2006-06-24
通讯作者: 王_1,

Application of information measure and support vector machine in image edge detection

WANG Pei_1,ZHANG Yanning_1,SHEN Jiazhen_1,LIU Juncheng_2,

1. Department of Computer Science and Engineering,Northwestern Polytechnical University,Xi'an 710072,China;2. Institute of Material Science and Engineering,Shandong University of Technology,Zibo 255091,China

Received:2005-02-21 Revised:1900-01-01 Online:2006-06-24 Published:2006-06-24
Contact: WANG Pei_1,

摘要/Abstract

摘要： 将信息测度和支持向量机结合在一起，提出了一种新的图像边缘检测方法（information measure and support vector machine edge detection method, ISEDM）.首先，基于数学测度概念构造一个描述边缘点信息测度的特征矢量，该矢量由邻域一致性测度、方向性信息测度和梯度分布3个特征分量组成，然后运用支持向量机对特征矢量数据集进行训练和分类，实现了对边缘点的检测.实验结果表明，对于含有加性噪声、乘性噪声等图像的边缘检测，ISEDM能够有效地抑制噪声，较多地保留图像边缘的细节信息，边缘图像锐利而清晰.

关键词: 边缘检测, 信息测度, 支持向量机

Abstract: A novel method for image edge detection is presented based on information measurement and Support Vector Machine, which is called ISEDM (Information measure and support vector machine edge detection method). At first, a vector is constructed to fully describe a edge point information measure, which includes neighborhood homogeneity information measure, orientation information measure, and gradient strengths. Secondly, SVM is applied to train and classify the set of feature vectors, so that the edge of the image is detected. The experimental results show that ISEDM can not only effectively reduce the noises of the image, but also can precisely detect the edgeposition, and keep the image edges' details well.

Key words: information measure, support vector machine , edge detection

王,张艳宁,申家振,刘俊成 . 基于信息测度和支持向量机的图像边缘检测[J]. 山东大学学报(工学版), 2006, 36(3): 95-99 .

WANG Pei,ZHANG Yanning,SHEN Jiazhen,LIU Juncheng, . Application of information measure and support vector machine in image edge detection[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2006, 36(3): 95-99 .

参考文献

相关文章 15

[1]	叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[2]	王雪琴,李树荣,于妤,王家岩. 带几何约束的彩色图像选择性分割[J]. 山东大学学报(工学版), 2018, 48(2): 22-29.
[3]	韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[4]	刘岩,李幼军,陈萌. 基于EMD和SVM的抑郁症静息态脑电信号分类研究[J]. 山东大学学报(工学版), 2017, 47(3): 21-26.
[5]	李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[6]	刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM_2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[7]	左俊彦, 张建国, 钟涛. 基于Canny检测的股骨边缘轮廓连接算法[J]. 山东大学学报(工学版), 2015, 45(3): 65-72.
[8]	刘晓勇. 一种基于树核函数的半监督关系抽取方法研究[J]. 山东大学学报(工学版), 2015, 45(2): 22-26.
[9]	浩庆波, 牟少敏, 尹传环, 昌腾腾, 崔文斌. 一种基于聚类的快速局部支持向量机算法[J]. 山东大学学报(工学版), 2015, 45(1): 13-18.
[10]	李发权, 杨立才, 颜红博. 基于PCA-SVM多生理信息融合的情绪识别方法[J]. 山东大学学报(工学版), 2014, 44(6): 70-76.
[11]	周咏梅1，杨佳能2,阳爱民2. 面向文本情感分析的中文情感词典构建方法[J]. 山东大学学报(工学版), 2013, 43(6): 27-33.
[12]	王昊,华继学,范晓诗. 基于双联支持向量机的入侵检测技术[J]. 山东大学学报(工学版), 2013, 43(6): 53-56.
[13]	潘晟旻1,2,钟毅1*,王建华2. 基于改进Canny算子的坯料挤压变形边缘提取[J]. 山东大学学报(工学版), 2013, 43(5): 19-23.
[14]	赵军伟1,侯清涛2,李金屏3,彭勃4. 基于数学形态学和HSI颜色空间的人头检测[J]. 山东大学学报(工学版), 2013, 43(2): 6-10.
[15]	施珺,朱敏. 一种基于灰色系统和支持向量机的预测优化模型[J]. 山东大学学报(工学版), 2012, 42(5): 7-11.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed