二十三.Edge Extraction (Pixel-Precise)之一(基础篇)

一.基本流程:


二. 常用算子

1. edges_image(Image : ImaAmp, ImaDir : Filter, Alpha, NMS, Low, High : )

利用Deriche, Lanser, Shen, or Canny filters提取图像边缘,输出为边缘幅值和方向图像。

2. count_obj(Objects : : : Number)

计算Object的个数。

3.split_skeleton_lines(SkeletonRegion : : MaxDistance : BeginRow, BeginCol, EndRow, EndCol)

分离出一个像素宽,没有分支的线,并返回线段的起始点图像坐标。

4. gen_contour_polygon_xld( : Contour : Row, Col : )

从给定数组中产生多边形轮廓。

5. concat_obj(Objects1, Objects2 : ObjectsConcat : : )

把两个图像数组合并在一起ObjectsConcat = [Objects1,Objects2]

三.例子:

* edge_segments.hdev: extracting connected edges segments

dev_update_off ()

dev_close_window ()

* ****

* step: acquire image //获取图像//

* ****

read_image (Image, 'mreut')

get_image_size (Image, Width, Height)

dev_open_window_fit_image (Image, 0, 0, Width, Height, WindowID)

set_display_font (WindowID, 12, 'Courier', 'true', 'false')

dev_set_draw ('margin')

dev_set_line_width (3)

dev_display (Image)

disp_continue_message (WindowID, 'black', 'true')

stop ()

* ****

* step: filter image

* ****

edges_image (Image, ImaAmp, ImaDir, 'lanser2', 0.5, 'nms', 20, 40)

dev_display (ImaAmp)

disp_continue_message (WindowID, 'black', 'true')

stop ()

* ****

* step: extract edges

* ****

threshold (ImaAmp, Region, 1, 255) //将幅值图像阈值化//

connection (Region, ConnectedRegions) //连接区域//

dev_clear_window ()

dev_set_colored (12)

dev_display (ConnectedRegions)

disp_continue_message (WindowID, 'black', 'true')

stop ()

* ****

* step: process edges

* ****

dev_clear_window ()

count_obj (ConnectedRegions, Number)

gen_empty_obj (XLDContours) //产生一个空数组//

for i := 1 to Number by 1 //将轮廓分割成单像素无分支线段,并根据分割结果生成多边形轮廓//

    select_obj (ConnectedRegions, SingleEdgeObject, i)

    split_skeleton_lines (SingleEdgeObject, 2, BeginRow, BeginCol, EndRow, EndCol)

    for k := 0 to |BeginRow|-1 by 1

        gen_contour_polygon_xld (Contour, [BeginRow[k],EndRow[k]], [BeginCol[k],EndCol[k]])

        concat_obj (XLDContours, Contour, XLDContours) //将产生的Contour合并//

    endfor

endfor

dev_display (XLDContours)

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值