【摘要】：如前文所述，图像边缘检测方法分为三类，基于分形理论和数学形态学方法是其中最常用的一种。根据该理论的应用场景的差别，可以分为四类：第一类是基于边缘的分形理论和数学形态学方法；第二类是基于分形理论和数学形态学的预测模型；第三类是基于图像统计模型和数学形态学的分形理论；第四类是基于图像块的分形理论和数学形态学方法。在此背景下，在图像边缘检测方法中，分形理论、数学形态学与其他智能算法交互应用，互为补充。
如前文所述，图像边缘检测方法分为三类，基于分形理论和数学形态学方法是其中最常用的一种。而分形理论与数学形态学方法在边缘检测应用中，可以进行进一步分类。根据该理论的应用场景的差别，可以分为四类：第一类是基于边缘的分形理论和数学形态学方法；第二类是基于分形理论和数学形态学的预测模型；第三类是基于图像统计模型和数学形态学的分形理论；第四类是基于图像块的分形理论和数学形态学方法。在这四类方法中，最常用的方法是基于图像块的分形理论和数学形态学方法。在这种方法的应用中出现了许多经典的方法框架。如以分形理论和数学形态学方法作为基础框架，再分析大量样本，同时这些样本应满足对噪声特别敏感的条件下进行扩展应用。再比如，如果基础框架是基于局部线性嵌入的，我们需要使用相关技术来生成高分辨率图像块进行框架补充。在这种方法中，可以自适应地选择区域，进而有效地消除欠拟合和过度拟合效应。但是，这种方法的缺点是算法实现过程需要大量的计算时间，算法效率较低［195］。在此背景下，在图像边缘检测方法中，分形理论、数学形态学与其他智能算法交互应用，互为补充。如部分学者将深度神经网络技术引入分形理论和数学形态学方法。在算法实现过程中，外部低分辨率-高分辨率样本库用于提取相似的图像块，同时深度神经网络算法模型通过适当改进，允许对输入的低分辨率图像进行目标分析［196］，并最终提高边缘检测效果。(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。
