为了实现基于视频图像的水位自动监测，以及解决传统视频监测算法环境适应性差和鲁棒性低的问题，提出一种基于语义分割的视频水位监测方法。采用改进的DeepLabv3+算法并结合空间注意力机制、通道注意力机制和边缘细化模块对水位标尺图像进行分割，用来提取水平面坐标，根据相机标定结果的线性插值来计算实际水位值。实验结果表明，所提算法在水位标尺数据集上的平均交并比达到97.18%，优于DeepLabv3+和BiSeNet（Bilateral Segmentation Network）等语义分割算法；所提算法的检测平均像素误差率为0.76%，在实测环境下水位读数误差小于1 cm。相较于现有的传统图像处理水位监测算法和基于深度学习的水位监测算法，所提算法的环境适应性更强，鲁棒性更高，读数更精准，能够较准确地实现水体水位的自动监测。

现有的基于卷积神经网络的边缘检测算法,通常可以给出图像中每个像素为边缘的概率,即边缘概率图。针对边缘概率图细化后边缘存在丢失、间断等问题,提出一种基于梯度掩模滤波的边缘细化算法。为了获得高梯度掩模和低梯度掩模,引入基于Canny边缘检测算法的双阈值方法。对于高梯度掩模滤波后的边缘概率图进行增强,并对低梯度掩膜滤波后的边缘概率图进行削弱。最后,对边缘概率图进行非极大值抑制,得到二值的边缘图。实验结果表明,所提的边缘细化算法具有更多的连续边缘,并且更符合单边缘响应准则。

针对传统的圆心算法过程复杂、定位精度受初始边缘提取效果影响较大等问题, 提出了一种基于邻域贡献权值细化的圆心亚像素定位算法。首先引入邻域贡献权值系数, 改进传统非极大值抑制法, 细化边缘;然后在边缘点的梯度方向对灰度值进行高斯拟合, 确定亚像素边缘位置；最后针对边缘突变点提出了基于随机抽样一致的最小二乘法来拟合圆心。实验结果表明, 该算法具有较好的精度和稳定性, 圆心的提取精度可以达到0.1个像素。

边缘检测在数字图像处理和计算机视觉中有着重要的应用。对数字图像处理中具有代表性的Sobel边缘检测算法进行了分析。针对该算法存在检测出的边缘粗且对噪声极其敏感的缺点，提出了一种改进算法。该算法对实际图像中出现的边缘类型进行了数学模型描述，然后把连续型的边缘模型作为研究对象，重新构造了对图像边缘方向进行检测的模板。针对Sobel边缘检测基于一阶导数极大值或二阶导数零交叉而带来的边缘定位准确度不高的缺点，对图像梯度图进行了细化处理。仿真结果表明：该算法对图像噪声干扰有较强的抑制能力，提取的边缘定位准确、结构细腻。

提出了一种基于相邻像素间的灰度差异来提取图像多像素边缘的方法.对一幅256×256大小的图像进行边缘提取需要的时间约0.22 s,分别比Prewitt算子和Robert算子少了26%和34%.算法改进后,较完整地提取了图像的竖直边缘和水平边缘,这些边缘在Prewitt算子和Robert算子的提取结果中是不可见的.经细化算法后,得到了图像清晰、位置精确的单像素边缘图像.研究表明,本文的多像素边缘提取等诸方法具有模型简单、实时性强等特点,且便于实现.

图像边缘检测是图像处理与分析中最基础的内容之一。现有的边缘检测算法存在检测精度低、抗噪性能差、处理速度慢等缺点。针对这些问题，提出了一种快速图像边缘检测算法。通过基于图像边缘信息的阈值分割，能快速地提取出图像的边缘轮廓，通过对其进行中心细化，可达到对物体边缘精确定位的目的。仿真实验证明，该算法在滤除图像噪声、保留细节边缘、细化边缘宽度和保持边缘连通性方面都获得了不错的效果，并且运算量小，既适用于对视频图像的实时处理，也适用于对图像中的隐蔽目标特征的提取和分析。

传统的边缘检测算子一般都只能得到比较宽的边缘,这为以后的图像处理带来了一定的困难.本文通过对图像边缘特征的分析,提出了一种新的边缘细化方法--Prewitt算子细化边缘.实验表明,这种方法能在保持原有信息的前提下,给出令人满意的细化结果.