使用边缘检测方法的最终目的是优化图像中的相关分量（即高频分量）。在该类方法中，低分辨率图像恢复技术用于恢复其高分辨率部分。边缘检测方法受到了许多专家学者的广泛关注［192］。对于边缘检测方法，常用的方法通常分为三类：第一类称为基于插值的方法，第二类基于分形理论和数学形态学方法，第三种方法基于重建的方法。众所周知，在对图像进行边缘检测的过程中，仅将一个图像（即低分辨率图像）作为输入进行分析处理。基于此，第二类方法通常在其他两种方法中进行应用［193］。边缘检测方法中使用的样本库通常分为两种类型，即相似结构（低分辨率图像）和不同尺度的低分辨率-样本库。随着网络技术的不断发展，计算机视觉领域也取得了快速的进步。特别是基于分形理论和数学形态学的边缘检测技术更为显著。因此，分形理论和数学形态学方法为边缘检测提供了新的思路。如果使用传统的图像边缘检测模型，许多简单处理模型必须进行手动提取，然后进行复杂的进一步整合。尽管很多高层特征表示可以通过自动提取方法完成，但是基于分形理论和数学形态的模型在算法效率方面远远高于传统的图像边缘检测模型［194］。
在本书研究中，结合实际情况，使用小型分形理论和数学形态学方法，然后使用专业的分裂技术来分析大规模分形理论，并将数学形态学分解为多模型状态，这种方法具有以下优点：可以更加容易地提取一些图像的边缘信息，提高边缘检测效果。如果采用的模型数量太大，将对图像边缘检测产生负面效应，如过度拟合现象。为了尽可能避免这种现象，该模型使用了更大的样本库对模型进行深入分析。在本书研究中，通过实验比较发现，与传统方法相比，图像边缘具有更好的检测和提取效果。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
