複雜背景下目標檢測存在諸多困難，主要為背景對目標檢測的干擾，大量雜訊存在導致傳統導數邊緣檢測方法的失效等。本文正是針對上述兩點，提出了
分割區域影象、利用形態學方法檢測目標的新演算法；即首先利用目標與背景灰度差異性來確定目標的大致區域，將其分割出來，然後再結合多結構元素法進行目標的精確檢測。通過與原影象分割、聚類演算法分割實驗比較，該演算法在文中的應用例項中表現出了較好的抗干擾性和抗噪效能。
[x,y]=size(i1); %求出圖象大小
%figure,imshow(i1);
s=strel('disk',15); %top-hat變換
i2=imopen(i1,s);
%figure,imshow(i2);
title('開運算');
i3=imsubtract(i1,i2);
figure, imshow(i3);title('高帽變換')
se2=strel('disk',4); %去除干擾及虛假目標點
i4=imerode(i3,se2);
%figure, imshow(i4);title('腐蝕運算');
se3=strel('diamond',3);
i5=imdilate(i4,se3);
%figure, imshow(i5);title('膨脹運算')
seg=zeros(x,y);
z0=max(max(i1)); % 求出圖象中最大的灰度
z1=min(min(i1)); % 最小的灰度
t=(z0+z1)*0.5; % 設定閾值
for i=1:x
for j=1:y
if(i5(i,j)>=t)
seg(i,j)=1; % 閾值分割的圖象
endend
endm=seg;
figure,subplot(2,2,1),imshow(m);
%%%%%%%%%%%%%%%%%%%%%%%%%%%在原圖上用矩形框標註%%%%%%%%%%%%%%%%%%%%%%%
%subplot(2,2,2),imshow(i1);
hold on;
cou=1;
for h=1:x
for w=1:y
if(m(h,w)>0.5)
toplen = h; % topien 最上縱座標
if (cou == 1)
tpln=toplen; % tpin 最下縱座標
基於matlab的數學形態學抗噪邊緣檢測
數學形態學之前文章解釋過，不再做介紹。影象邊緣包含物體的主要特徵，人眼識別物體，首先就是根據邊緣來識別。影象的邊緣提取也是現在數字影象處理中非常必要也是基礎的一部分，在工程應用中有著極其重要的地位，也是計算機視覺最活躍的領域。影象的邊緣檢測有多到數不清的方法，這次使用最為簡單的方法 形態學中的膨脹腐...
基於深度學習的目標檢測演算法 SSD
ssd single shot multibox detector 問題引入 目前，常見的目標檢測演算法，如faster r cnn，存在著速度慢的缺點。該 提出的ssd方法，不僅提高了速度，而且提高了準確度。ssd 該 的核心思想 該 的主要貢獻 1.提出了ssd目標檢測方法，在速度上，比之前最快...
基於深度學習的 目標檢測 演算法綜述
三部曲，這樣就有兩個難以解決的問題 其一是區域選擇的策略效果差 時間複雜度高 其二是手工提取的特徵魯棒性較差。傳統的區域選擇使用滑窗，每滑乙個視窗檢測一次，相鄰視窗資訊重疊高，檢測速度慢。r cnn 使用乙個啟發式方法 selective search 先生成候選區域再檢測，降低資訊冗餘程度，從而提...