雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际期刊的创新在计算机和通信工程的研究

菜单

ISSN在线(2320 - 9801)打印(2320 - 9798)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

性能分析的精明和Sobel边缘检测算法在图像挖掘

Dr.S.Vijayarani1,Mrs.M.Vinupriya2
  1. 助理教授,计算机科学,计算机科学和Engg学院Bharathiar大学印度哥印拜陀
  2. 研究学者,计算机科学,计算机科学和Engg学院Bharathiar大学印度哥印拜陀
相关文章Pubmed,谷歌学者

访问更多的相关文章国际期刊的创新在计算机和通信工程的研究

国际期刊的创新在计算机和通信工程的研究

文摘

边缘检测是指识别和定位剧烈波动的过程在一个图像。因此,边缘检测是图像分析的关键步骤,它是解决许多复杂问题的关键。边缘检测是一个基本的工具中使用的大多数图像处理应用程序获取信息从帧作为前体一步特征提取和对象分割。边缘检测一直使用的对象识别、目标跟踪、分割、数据压缩,也有利于匹配,如图像重建等等。边缘检测方法将原始图像转化为图像边缘的好处从图像中灰色色调的变化。在本研究论文,两个Sobel边缘检测算法即精明的边缘检测和边缘检测算法用于从面部图像中提取边缘用于检测的脸。即性能因素进行了分析精度和速度是用来找出哪些算法更有效。从实验结果可以看出精明的边缘检测算法比Sobel边缘检测算法。





关键字
图像挖掘,人脸检测,Sobel边缘检测,精明的,。

介绍
自动人脸识别的过程被定义为从数字图像识别和验证一个人。人脸识别是其中一个重要的应用边缘检测中发挥着关键作用。以计算机为基础的人脸识别系统安全应用程序是一个广泛研究的主题是面部特征为用户提供独特的生物特征身份。人脸识别系统是基于目标识别和跟踪技术。对象识别的一个重要步骤是成功的边缘识别和提取。
边缘检测是一种重要的图像处理技术有广泛的应用。几种边缘检测算法已经发展在过去的几十年里,然而没有一种算法适用于所有类型的应用程序。边缘检测技术的主要应用之一是图像分割和目标检测的过程中。边缘地图帮助将面临表示为一个单元。边缘检测系统已经广泛的应用程序,如图1所示。
1。过滤:一些主要的经典边缘探测器正常工作与高质量的图像,但往往不够好嘈杂的照片,因为他们无法区分不同意义的边缘。噪音污染是不可预测的原始图像。有各种类型的噪声,但最广泛研究两种噪音和盐和胡椒为白噪声。在椒盐噪声,图像中像素是非常不同的从周围的像素颜色和强度;定义的价值特点是嘈杂的像素与周围像素的颜色没有关系。一般这种类型的噪声只会影响少数图像像素。分析时,图像包含黑白点,因此这个词椒盐噪声。
2。增强:数字图像增强技术是关心提高数字图像的质量。增强技术的主要目标是产生一个图像比原始图像更好、更适合一个特定的应用程序。线性过滤器已被用于解决许多图像增强问题。并不是所有的图像锐化问题可以令人满意地解决通过使用线性过滤器。
3所示。检测方法:许多分梯度图像有一个非零值,和所有这些点并不视为边缘为特定的应用程序。应该使用一些方法来确定哪些点是边缘点。

回顾文献
Zolqernine Othman et al ., [1]作者讨论了,精明的方法同样能够产生良好的边缘光滑连续像素和薄的边缘。Sobel边缘检测方法不能产生平滑和薄边缘比较精明的方法。但同样像其他方法一样,Sobel和精明的方法对噪声像素也很敏感。有时所有的嘈杂的图像不能完全过滤。Unremoved噪声像素会影响边缘检测的结果。之间的分析,结果表明,Sobel和精明的边缘检测算法,响应由精明的Sobel边缘检测的结果比检测器用于这些MRI图像。
米苏达山et al ., [5]作者提出了一个优化的边缘检测算法适合于人脸识别任务。该方法的主要思想是重要的边缘,然后应用连续细化算法。这种方法的两个优势比其他基于梯度的系统是能够更准确地寻找失踪和破碎的边缘和边缘抑制不那么重要。未来可能的工作是加强细化算法,使其能够更有效地抑制噪声在后期处理阶段。
Soumya Dutta et al ., [9]作者测试了该方法在不同的图像。它生产的稳定和相当不错的结果。一致接受的输出在不同的现实生活图片证明了鲁棒性提出的方案。因此,该方法可以方便任何计算机视觉任务,提取边缘地图需要大量的图像特征提取或任何其他工作。接下来的风险会比较这些算法的提出,分析了性能参数的基础上,计算时间,执行复杂性和准确性的系统输出噪声的存在。

方法
边缘检测过滤掉无效的数据,噪声和频率,同时保留图像重要的结构属性。边缘地图是最受欢迎的方法之一代表面部图像及其特征。在本研究论文边缘检测算法进行比较找出最佳Sobel边缘检测和精明的边缘检测算法。方法如下:
1。可以收集数据集——面部图像
2。边缘检测
 Canny
 Sobel
3所示。最好的方法在边缘检测算法
 Canny
精明的边缘检测
精明的边缘检测器是一种最常用的图像处理工具,以一个非常有力的方式检测边缘。精明的边缘检测器被广泛认为是标准的边缘检测方法。精明的看到了边缘检测问题作为信号处理的优化问题,所以开发一个目标函数进行优化。此问题的解决方案是一个相当困难的指数函数,但精明的发现很多近似和优化edge-searching问题的方法。精明的边缘检测器中的步骤如下:
1。二维高斯平滑的图像。在大量的情况下,计算的二维高斯是昂贵的,所以它是由两个一维高斯函数估计,一个在x方向上,另一个在y方向上。
2。图像的梯度。这说明强度的变化,这表明边缘的发生。这种真正有两个后果,梯度在x方向和y方向上的梯度。
3所示。非最大抑制,边缘会出现在点的梯度最大。因此,所有点最多不应压制。为了促进这一点,计算梯度的大小和方向在每个像素。后,检查是否每个像素梯度的大小大于一个像素的距离在积极或消极的方向垂直于梯度。如果像素不超过两个,抑制它。
4所示。边缘的阈值,阈值的方法使用的精明的边缘检测器被称为“滞后”。它使利用高阈值和低的阈值。如果一个像素值高于阈值高,这是作为一个边缘像素。如果一个像素值高于低阈值和边缘像素的邻居,它将作为一个边缘像素。如果一个像素值高于低阈值但不是边缘像素的邻居,它不是作为一个边缘像素。如果一个像素值低于低阈值,这是从来没有作为一个边缘像素。
精明的边缘检测器的通用算法如下:
图像
SOBEL边缘检测
Sobel方法进行边缘检测。Sobel边缘检测器利用3 x3大小两个面具,一个估计在x方向上的梯度,另在y方向上的梯度估计的。面具是滑图像,操纵一个正方形像素。该算法计算图像的梯度强度每一点,然后给出了方向增加图像强度每一点光明,黑暗。边缘区域表示强烈的黑暗或光明的强度对比。
Sobel算法使用一个数学过程称为卷积和一般分析衍生品或二阶导数的数字数据在空间。我们实现Sobel边缘检测方法,它是基于一个3×3数组,移动的主要形象。
Sobel卷积核的设计应对边缘垂直和水平。这些面具都与图像卷积。计算水平和垂直梯度(Gx和Gy),然后组合在一起的绝对星等每个点的梯度和梯度的方向。这些数据被用来计算边缘大小由:
图像
图像

实验结果
答:精度测量
下面的表显示了各种边缘检测算法的精度测量。混淆矩阵是一个特定的表布局,允许的可视化算法的性能。矩阵的每一列代表一个预测类的实例,而每一行代表一个实际的类的实例。一个表的混乱是一个两行两列的表,报告假阳性的数量,假阴性,真阳性,真正的底片。
分析的边缘检测算法的准确性措施从表1,精明的边缘检测算法优于井相比,Sobel边缘检测算法。
从图1中,可以看出精明的边缘检测算法达到高的准确率相比Sobel边缘检测算法。
分析的边缘检测算法的准确性措施从表2,精明的边缘检测算法检测相比少秒Sobel边缘检测算法。从图2可以看出精明的边缘检测算法检测花费更少的执行速度相比,Sobel边缘检测算法。

结论
由于边缘检测是早期介入对象识别,知道之间的差异是显著的边缘检测技术。代表图像的边缘的优点是减少需要存储的数据量,同时保留了大部分的图像信息。传输边缘像素的图片或多媒体将导致大量的压缩和存在非常可靠的算法来重建整个基于边缘图像地图。在本研究论文各种边缘检测技术的相对性能进行一系列的图像。已经观察到,精明的边缘检测算法产生更高的边缘检测的准确性和执行时间与Sobel边缘检测算法。

表乍一看
表的图标 表的图标
表1 表2

数据乍一看
图1 图2 图3 图4
图1 图2 图3 图4
图1 图2
图1 图2

引用














全球技术峰会