数字图像的边缘检测研究本科毕业论文

 时间:2017-09-05 22:29:35 贡献者:王瑞英

导读:本科毕业论文数字图像边缘检测研究 RESEARCH ON EDGE DETECTION OF DIGITAL IMAGE安徽理工大学毕业设计毕业设计(论文)原创性声明和使用授权说明 原创性声明本人郑重承诺:所呈交的毕业设计(论

数字图像的边缘检测研究本科毕业论文
数字图像的边缘检测研究本科毕业论文

本科毕业论文数字图像边缘检测研究 RESEARCH ON EDGE DETECTION OF DIGITAL IMAGE

安徽理工大学毕业设计毕业设计(论文)原创性声明和使用授权说明 原创性声明本人郑重承诺:所呈交的毕业设计(论文),是我个人在指导教师的 指导下进行的研究工作及取得的成果。

尽我所知,除文中特别加以标注和 致谢的地方外,不包含其他人或组织已经发表或公布过的研究成果,也不 包含我为获得 及其它教育机构的学位或学历而使用过的材料。

对本研究提供过帮助和做出过贡献的个人或集体,均已在文中作了明确的 说明并表示了谢意。

作 者 签 名: 指导教师签名: 日 日 期: 期:使用授权说明本人完全了解大学关于收集、保存、使用毕业设计(论文)的规定,即:按照学校要求提交毕业设计(论文)的印刷本和电子版本;学 校有权保存毕业设计(论文)的印刷本和电子版,并提供目录检索与阅览 服务;学校可以采用影印、缩印、数字化或其它复制手段保存论文;在不 以赢利为目的前提下,学校可以公布论文的部分或全部内容。

作者签名:日期:I

安徽理工大学毕业设计学位论文原创性声明本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。

除了文中特别加以标注引用的内容外,本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。

对本文的研究做出重要贡 献的个人和集体,均已在文中以明确方式标明。

本人完全意识到本声明的 法律后果由本人承担。

作者签名:日期:年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文 被查阅和借阅。

本人授权 大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段 保存和汇编本学位论文。

涉密论文按学校规定处理。

作者签名:日期:年月日导师签名:日期:年月日II

安徽理工大学毕业设计注 意 事 项1.设计(论文)的内容包括: 1)封面(按教务处制定的标准封面格式制作) 2)原创性声明 3)中文摘要(300 字左右)、关键词 4)外文摘要、关键词 5)目次页(附件不统一编入) 6)论文主体部分:引言(或绪论)、正文、结论 7)参考文献 8)致谢 9)附录(对论文支持必要时) 2.论文字数要求:理工类设计(论文)正文字数不少于 1 万字(不包括图纸、程序 清单等),文科类论文正文字数不少于 1.2 万字。

3.附件包括:任务书、开题报告、外文译文、译文原文(复印件)。

4.文字、图表要求: 1)文字通顺,语言流畅,书写字迹工整,打印字体及大小符合要求,无错别字, 不准请他人代写 2)工程设计类题目的图纸,要求部分用尺规绘制,部分用计算机绘制,所有图 纸应符合国家技术标准规范。

图表整洁,布局合理,文字注释必须使用工程字书写, 不准用徒手画 3)毕业论文须用 A4 单面打印,论文 50 页以上的双面打印 4)图表应绘制于无格子的页面上 5)软件工程类课题应有程序清单,并提供电子文档 5.装订顺序 1)设计(论文) 2)附件:按照任务书、开题报告、外文译文、译文原文(复印件)次序装订 3)其它III

安徽理工大学毕业设计数字图像的边缘检测研究 摘要边缘检测是数字图像处理技术中比较基础的一部分,其技术的本质上就是通过对图 像特征中不连续的部分进行读取判断。

在这门技术中有很多决定性的因素影响到数字图 像处理的结果。

边缘检测是属于图像分割技术的分支,也是数据图像处理中重要的一部 分。

边缘检测结果的好坏影响着接下来的图像分析理解过程,所以数字图像边缘检测在 数字图像工程中有着十分重大的影响力。

本文结合实例对数字图像的边缘检测技术整体进行了介绍,重点的介绍了 Roberts 算子、Sobel 算子、Laplacian 算子和 LOG 算子几种梯度算子。

详细的介绍了目前应用最 普遍的 Canny 算法流程与原理。

同时给出了各算子处理图像的效果图,直观的展示了各 算子的检测边缘的效果。

经过实验对比得出结论,Roberts 算子易于实现但检测效果不理想。

Sobel 算子对边 缘的定位比较准确和完整, 但是精确度下降。

Laplacian 算子边缘定位准确但受噪音影响 较大。

LOG 算子受噪音影响较小但需要平衡滤波和精确定位边缘的问题。

Canny 算法能 减少边缘的的中断,细化边缘,滤除噪声,检测效果强于梯度算子。

关键字:数字图像处理,边缘检测,高斯滤波,Canny 算法IV

安徽理工大学毕业设计RESEARCH ON EDGE DETECTION OF DIGITAL IMAGE AbstractEdge detection is the basic part of digital image processing technology.Essentially, edge detection technique is characterized by the image of the discontinuous section reads and judgment. Therefore, edge detection is part of image segmentation branch.Edge detection result is impact on the image understanding process,and the digital image edge detection has a very important influence in the digital image project. This paper introduces the edge detection of digital image with the specific example. We stress on introducing some gradient operator such as Roberts operator, Sobel operator, Laplacian operator and log operator.Besides, we will discuss the canny algorithm in detail about its process and principle. We will also show the effect picture of each operator in order to display the result of each operator visually. After the comparison of the experiment, the conclusion is drawn that the Roberts operator is easy to implement but the detection effect is not ideal.. The Sobel operator is more accurate and complete to the edge location, but the accuracy is decreased.The edge location of Laplacian operator is accurate, but it is affected by the noise. The LOG operator is less affected by noise but requires a balanced filtering and precise positioning of the edge problem.Canny algorithm can reduce the edge of the interruption, thinning edge, filtering noise, detection results are stronger than gradient operator. KEYWOEDS: Digital image processing, edge detection, Gaussian, Canny algorithmV

安徽理工大学毕业设计目录第 1 章 绪论 ............................................................... 1 1.1 图像处理的历史背景 ................................................ 1 1.2 数字图像处理的概念 ................................................ 1 第 2 章 边缘检测的概述 ..................................................... 4 2.1 边缘的概念 ........................................................ 4 2.2 常见边缘类型 ...................................................... 5 2.3 边缘检测过程 ...................................................... 6 第 3 章 常见的梯度算子边缘检测 ............................................. 7 3.1 Roberts 算子 ...................................................... 7 3.2 Sobel 算子 ........................................................ 8 3.3 Hueckel 算法 ..................................................... 10 3.4 Laplacian 算子 ................................................... 10 3.5 LOG 算子 ......................................................... 11 3.6 梯度算子比较 ..................................................... 13 第 4 章 基于 Canny 算法的边缘检测 .......................................... 19 4.1 Canny 算法边缘检测的基本原理 ..................................... 19 4.2 Canny 算子三项准则 ............................................... 19 4.3 边缘检测滤波器对性能指标的影响 ................................... 20 4.4 尺度对性能指标的影响 ............................................. 21 4.5 Canny 算法检测流程 ............................................... 22 4.6 Canny 算法图像处理结果 ........................................... 25 结论 ..................................................................... 27 参考文献 ................................................................. 29 致谢 ..................................................................... 30VI

第 1 章 绪论1.1 图像处理的历史背景 随着时代的发展,计算机技术的迅猛发展,数字化这一概念越来越深入我们 的生活中。

当我们想要了解世界的变化不是去拿起最新的报纸期刊而是通过网络 浏览新信息时。

当我们不用人力站岗转而去使用监视器时,当我们不再使用光学 相机与胶卷时,数字化的图像就已经深深地扎根在我们的日常生活当中。

而对于 这些数字化图像的运用方式就成了一种十分重要的技术。

从 60 年代末开始,不断完善的图像处理技术逐渐成为一种新兴学科。

随后 几十年的研究与发展,让数字图像处理的理论和方法进一步的完善,有了更广泛 的应用范围。

而随着近几年计算机和个相关领域的迅猛发展,多媒体技术的广泛 应用,数字图像处理从专门领域的学科,逐渐演变成了一种科学研究和人机界面 的工具。

图像处理的早期目的主要是是为了改善图片质量。

输入质量相对较低的 图像,输出经处理后质量经过改善的图像。

数字图像技术第一次成功的应用应当 归属于背锅喷气动力实验室的尖端实验。

1964 年,经过图像处理的天文照片为 人类之后的航天事业迈出了扎实的一步。

数字图像处理技术在 60 年代末和 70 年 代初开始运用到医学图像、地球遥感检测和天文等领域,而一直发展到今天,图 像处理技术则主要被应用于人类分析[1]。

随着电子技术飞跃式的发展,图像处理 技术跨入了一个全新的境界。

在集合了数字技术、光学技术、生物成像技术、现 代视觉理论等各种各样的技术之后, 数字图像处理技术已经将触须深入了五花八 门的不同行业之中。

在这些年当中有许多发达国家投入许多人力、物力到图像处 理的研究里,取得了很多非常重要学术成果。

在众多的研究成果之中最具有代表 性的研究成果就是七十年代末 MIT 的 Marr 所提出的视觉计算理论,计算机视觉 领域之后数十年的研究发展都根据 Marr 的理论思想所指导。

图像理解虽然在理 论的研究上已经获得了一定的进展,但图像理解本身就是一门十分困难的技术, 其研究现在还是困难重重,因人类对于自身视觉的详细过程的理解还不透彻,所 以计算机视觉还有待进一步的探索和发现。

1.2 数字图像处理的概念 数字图像处理是指借用数字计算机处理数字图像, 值得提及的是数字图像是 由有限的元素组成的,每个元素都有一个特定位置和幅值,这些元素被称为图像 元素、画面元素或像素[1]。

在人类的各种感知当中,视觉感知占有了相当大的比重,所以图像毫无疑问 的在人类认知当中占据了极大的比重。

不过人类的视觉感知仅仅只有部分处于可

见光波段的电磁波才能被识别,但是机器不同,专门用于研究的机器能接受绝大 多数种类的电磁波,不论是不可见光还是超强穿透力的伽马射线。

所以机械能对 超出人类视觉认知的图像源进行处理,这些图像源包括但不限于 x 射线成像、红 外视觉成像和电子望远镜等技术产生的图像。

所以图像处理技术能运用到各行各 业当中。

相比于图像处理技术,对数字图像的图像处理技术的兴起要晚得多,这主要 是因为计算机技术在数学计算方面的应用相对较晚。

利用计算机处理数字图像的 技术应用主要能分为五个阶段: 1. 辅助设计阶段:80 年代中期,计算机在图形方面的运用开始推广,此时 主要用于工程制图和数学线形图。

此时代的处理特点是以点和线为主的图形,在 色彩方面的参数经常被忽略。

2. 图形应用的初级阶段:80 年代后期,随着微型计算机的大批上市和普及 应用,软件也不断地在丰富,此时已经有不少的学习用和游戏用软件出现。

当时 微机中主打类型是 8 位机——APPLE 机,图形主要应用在游戏画面和教学画面 的回执上,图形以矢量图形为主,由程序所控制。

3. 平面设计初级阶段:80 年代末,随着鼠标触摸笔等硬件的投入应用,特 别是后来窗类软件图形界面投入应用,逐渐出现了良好的人机交互界面,图形美 工门不再需要学习编程,造福了广大非计算机专业人员。

热升华、蜡转印、彩色 激光等高质量的输出设备陆续出现出现。

图形的输出问题也得到了较大程度上的 解决,计算机在图形处理方面的优势开始显现。

4. 平面设计的普及阶段:90 年代初,随着计算机价格的不断下降和硬件水 平不断提升,PC 已经能够胜任普通的平面设计工作,因此平面设计来是出去神 秘的面纱,得以普及。

普通用户能使用专业软件进行绘图创作。

5. 多媒体技术广泛运用阶段:到了 90 年代中后期,计算机技术有了很大发 展,多媒体技术开始普遍应用,数字图像已经从过去的单一平面走向了多媒体时 代,从静止的画面处理甚至逐渐延伸到动态捕捉系统。

数字图像处理的体系趋向 完善。

从图像处理到计算机视觉之间的划分并没有明确的分界线, 在这个连续的统 一体当中大体能划分出三种区分——低级处理(如如降低噪声、对比度增强、图 像锐化等。

特点是输入输出都为图像)、中级处理(包括诸如图像分类、提取特 征等。

特点是输入图像输出特征)和高级处理(对图像进行总体的理解等。

特点 是实现对图像的理解)。

图象处理,图像分析,机器视觉,计算机视觉是彼此紧密关联的学科。

如果 你翻开带有上面这些名字的教材, 你会发现在技术和应用领域上他们都有着相当

大部分的重叠。

这些学科的基础理论大致是相同的,然而由于关注的领域不同, 各研究机构,学术期刊,会议及公司往往把自己特别的归为其中某一个领域,于 是各种各样的用来区分这些学科的特征便被提了出来。

数字图像处理( Digital Image Processing ):数字图像处理是指通过计算机对 数字图像进行去除噪声、 增强、 复原、 分割、 提取特征等处理的方法和技术。

(主 要研究二维图像) 图像分析(Image analysis):图像分析一般利用数学模型并结合图像处理的技 术来分析底层特征和上层结构,从而提取具有一定智能性的信息。

(主要研究二 维图像) 机器视觉( Machine vision):机器视觉就是用机器代替人眼来做测量和判断。

机器视觉系统是指通过机器视觉产品(即图像摄取装置,分 CMOS 和 CCD 两 种)将被摄取目标转换成图像信号,传送给专用的图像处理系统,根据像素分布 和亮度、颜色等信息,转变成数字化信号;图像系统对这些信号进行各种运算来 抽取目标的特征,进而根据判别的结果来实现高效的机器控制或各种实时操作。

(主要用于工业领域) 图像的边缘检测是图像处理和计算机视觉中的基本问题, 属于图像处理中的 中级处理。

图像分析和理解的第一步往往是边缘检测。

边缘是图像灰度跃迁的反 应,标志着不同区域的分割,包含了大量的图像信息,是图像的重要特征。

第 2 章 边缘检测的概述2.1 边缘的概念 边缘检测是很多数字图像处理技术的基础之一, 再次我们先要了解边缘检测 的概念。

从直观上来看,每条边缘都是一组互相连接的像素的集合。

这些像素处于两 个区域的边界上。

从根本上讲,如我们将要看到的,一条边缘是一个“局部”概 念,而由于其定义方式,一个区域的边界是一个更具有整体性的概念。

为了给边 缘更合理的定义需要具有以有意义的方式测量灰度级跃迁的能力。

从直观上来看,以建立边缘的建模为开始,我们能进入到一个有意义,并且 能测量灰度级的形式体系当中。

理论上,理想的边缘应当如图 2-1(a)的模型。

按 照此模型生成理论上的边缘是连续的像素的集合(垂直方向),所有的像素都处 在灰度级跃迁的垂直变化上。

(a)(b)图 2-1 (a)理想数字模型 (b)斜坡数字边缘事实上, 由镜头等光学系统拍摄取样和其他种类的图像采集系统的误差与不 完善让得到的图像上的边缘是模糊不清晰的,模糊的程度由采集系统的能力、环 境、设备的操作或者其他相关因素所决定。

从结果来看,边缘被更准确的模拟成 “类斜面”的剖面。

如图 2-1(b),倾斜部分的长度与边缘模糊的程度时能成比例 的。

在此模型中,不再有一像素宽的线条。

与之前不同,此时边缘上的点是被斜 坡包含的任意点,使边缘成为一组相连的点的集合。

跃迁过程的斜坡整体的长度 既是图像边缘的“宽度”。

图像的模糊程度会决定斜坡的倾斜度,而倾斜度又会 决定斜坡的长度。

从这里看,模糊的边缘会使边缘变粗,清晰的边缘会使边缘变 细。

下图 2-2(a)显示的是一放大的斜坡数字边缘,图 2-2(b)为两区间边缘的水平 灰度级剖面线,同时画出了灰度级剖面线的一阶导数和二阶导数。

当沿着剖面线 从左到右是,在进入斜面和离开斜面的过程中,一阶导数为正数。

在灰度级不发 生改变的区域一阶导数为 0。

在进入跃变区的跃迁点二阶导数的值为正,在离开

跃变区的跃迁点二阶导数的值为负。

当灰度变化速率不变时二阶导数的值为 0。

由此我们得到一个结论:一阶导数能用来检测图像中的某点是否处在边缘上,二 阶导数的正负能判断图像的明暗方向和灰度变化方向。

在此同时,我们还发现二 阶导数有两条附加性质: 1. 对于每条边缘,其二阶导数都会生成两个不同的值(此特性经常成为影 响边缘检测的因素) 2. 二阶导数正负极值的虚构连线将会在边缘中心附近穿过零点。

(此特性 对确定模糊边缘中心位置有极大帮助)灰度刨面图一阶导数二阶导数(a)(b)图 2-2 (a)一条垂直边缘所分割的两个不同区域 (b)边界附近的细节,现实了一个灰度级 泡面与一阶与二阶导数刨面图在此详细的说明了一维水平的边缘剖面, 二维水平面甚至多维水平面边缘的 原理与此相同,对于更详细的过程就不在此讨论了。

2.2 常见边缘类型 在日常的生活学习中,我们所遇到的图像边缘通常能被分为三类,除了在上 面详细说明的阶梯型边缘 (Step-edge) 外还有屋顶型边缘 (Roof-edge) 和线性边缘 (Line-edge)两种,如图 2-3。

其中屋顶型边缘的特征是灰度值从边缘开始慢慢增 长,达到一定数值后开始慢慢减少。

线性边缘的特性与两者都不相同,他的灰度 值会从一个级别猛的跳向另一个级别,然后在跳回。

阶梯型边缘屋顶式边缘图 2-3 常见边缘类型线性边缘2.3 边缘检测过程 通常边缘检测的过程如图 2-4 所示: 1. 对原始图像进行平滑处理,得到平滑后的数字图像。

2. 通过各种算法增强图像,得到图像的灰度图像。

3. 通过阈值分割,将灰度图像变成二值图像,标注出边缘,就能得到边缘 图像。

微分边缘检测算法在检测过程中主要是基于图像的一阶导数和二阶导数来 进行计算, 因倒数对于噪声十分敏感, 使噪声还能更大程度上会影响到检测效果, 所以在图像检测前需利用滤波器来滤除噪声。

大部分的滤波器在滤除噪声的过程 中会引起边缘强度损失, 而利用各种算法增强图像边缘能弥补滤波过程所造成的 损失,所以在增强边缘和降低噪声之间需要找到一个适合的平衡点。

原始图像平滑滤波边缘增强阀值分割图像边缘图 2-4 边缘检测过程

第 3 章 常见的梯度算子边缘检测3.1 Roberts 算子 Roberts 算子是一种最简单的算子,是一种利用局部差分算子寻找边缘的算 子,他由 Roberts 在 1963 年的博士毕业论文 Machine Perception of 3D solids 中提 出,属于最早分析边缘和图形学的文章。

一份数字图片的一阶导是个基于二维梯度的近似值。

图像 f ( x, y) 在 ( x, y ) 位 置的梯度定义为:f   Gx  x f      f  G y     y  (3-1)(x, y) 通过向量分析能让我们知道,梯度向量是指向 f 在坐标 位置的最大变化率的方向。

在边缘检测的过程里,向量的大小是很重要的一种量,用 f 表示。

在2 2 f  m a g (f )  Gx  Gy12里给出了 f 方向上每增加一单位距离之后 f ( x, y) 的值的最大的变化率。

通常也把 f 称作梯度。

另一个重要的量是是梯度向量的反响。

令 (x, y ) 表示向量 f 在 ( x, y) 处的方 向角。

经过向量分析可以得到:y  ( x, y )  a r c t a n ) (GGx(3-2)在此,角度是用 x 轴作为基准来度量的。

边缘在 ( x, y ) 处的方向与此点梯度 向量的方向所垂直。

Z1 Z4Z7Z2Z5 Z8Z3 Z6 Z9图 3-1 3 3 模板计算图像的梯度,在每个像素的基础上得到得到 f x 和 f x 。

用图 3-1 中三乘三的区域表示像素邻域里的灰度级。

想要得到 z 5 点的一阶偏导数可以使用 Roberts 梯度算子(如图 3-2):

Gx  ( z 9  z5 )和Gy  ( z8  z6 )(3-3)(3-4)1 00 -10 -11 0图 3-2 Roberts 算子模板3.2 Sobel 算子 Roberts 算子非常的通俗易懂,但可惜的是它的效果并不是很好,于是人们 在实践总结中又创造出新的算子。

1968 年, Irwin Sobel 博士在一次博士生课题讨论会提出了 Sobel 算子。

Sobel 算子这个在数字图像处理和机器视觉教程中出现多年的算子从来没有由公开论 文发表,仅在 1973 年 Irwin Sobel 博士出版的一本专著《Pattern Classification and Scene Analysis》的脚注里作为注释出现和公开的。

Sobel 算子使用水平与垂直两个有向算子(一般称为模板)来进行检测。

在 检测的过程中,首先要用水平和垂直的两种算子依次对图像进行卷积处理,结果 可以输出在忽略边界问题下与原图等大的两个矩阵 A1 和 A2,用来表示检测对 象中同一位置的两种偏导数。

然后在将 A1 和 A2 相对应的位置上的数做平方根 处理。

不过在实际操作中这样做并不能让人满意,这是因为计算平航和与平方根 所需的计算量很大,所以在此经常用绝对值相对梯度地近似来计算:f  Gx  Gy(3-5)这个公式不但能简化计算,而且它仍然能保持同灰度级变化的相对变化。

在计算个个像素的梯度值后可通过法制处理得到所需的边缘图像。

整体过程 应当为:E  (M PV )2  (M  PH )2  Thresh2Sobel 算子所使用的模板如下(如图 3-3):(3-6)

-1 0 1-2 0 2-1 0 1-1 -2 -10 0 01 2 1图 3-3 Sobel 算子模板我们来做一个假设,图像的灰度值满足下面关系:M x, y  x  y  ( , ) 而梯度是 。

(3-7)当像素邻域的像素值为                                   (3-8)水平方向的算子和垂直方向的算子将定义为: a  b  a   0 0   0  a b a    a 0 a   b 0 b  a 0 a  (3-9)这样不但能满足电路设计上的需要的同时还能满足对称性。

使用两个模板对像素进行卷积,可以得到方向导数:g x  2 (2a  b)g y  2 (2a  b)(3-10) (3-11)所以此像素位置上的梯度大小为G  2(2a  b)  2   2(3-12) (3-13)( 2 2a  b) 1b  1 4 (八份权值),具体应取多少要由图像的噪声来决定。

此时 a 和 b 的取值可以是 a  b  1 6 (只计算六份权值)或者是 a  1 8 和 Sobel 算子的实现比较容易,Sobel 边缘检测器检测时因为 Sobel 算子引入了 局部平均,使其受噪声的影响会更小,但还是对噪音敏感,若想通过对图像的平 滑处理改善检测质量,又会出现平滑处理将一些连在一起的边缘一起平滑掉,进 而影响对图像边缘的定位。

3.3 Hueckel 算法 Hueckel 在 1971 年左右提出的 Hueckel 算法, 其基本思想是利用图像数拟合 与理想的边缘模型 b if x  x0 S ( x)   b  h if x  x0(3-14)若模拟式精确的,则在此位置应存在一个和这个理想边缘参数相同的边缘。

既若原图像和 s( x) 的平均平方误差 E 低于阈值,则此处即为边缘。

E2  M ( x)  s( x) dx x 1 x0 10(3-15)在二维的情况下,图像情况变得极为复杂,拟合曲面定义成 b if x cos( )  y sin( )   s( x, y)   b  h if x cos( )  y sin( )  E 将定义成(3-16)E   M ( x, y )  s( x, y ) dxdy2 D(3-17)3.4 Laplacian 算子 Laplacian(拉普拉斯算子)算子是种利用二阶导数来检测的边缘检测算子, 是线性移不变的算子,是二阶导数的二维等效式。

f ( x, y ) 的 Laplacian 算子公式 为:2 f 2 f 2 f  x 2 y 2(3-18)在利用差分方程对 x 方向和 y 方向上的二阶偏导数能近似为: 2 f Gx  x 2 x  ( f [i, j  i ]  f [i, j ]) x  ( f [i, j  i ])  ( f [i, j ])   x x  ( f [i, j  2]  2 f [i, j  1]  f [i, j ]) (3-19)此近似式是用点 f i, j  1作为中心的,用 j  1 代替 j 后能得到2 f  ( f [i, j  1]  2 f [i, j ]  f [i, j  1]) x 2(3-20)他是以点 i , j 为中心的二阶偏导数的近似式,同理有:

2 f  ( f [i  1, j ]  2 f [i, j ]  f [i  1, j ]) x 2(3-21)把式 3-18 和式 3-19 合并,成为一个算子。

就成为用来表示近似 Laplacian 算子的模板:0 1 0     1 4 1   0 1 0  2(3-22)有时希望邻域中心点的权值更重, 比如下面的模板就是一种基于这种思想的 近似 Laplacian 算子:1 4 1   2    4 20 4   1 4 1  (3-23)当拉普拉斯算子输出出现过零点时就表明有边缘存在, 其中忽略无意义的过 零点(均匀零区)。

原则上,过零点的位置精度可以通过线性内插方法精确到子 像素分辨率,不过由于噪声,以及由噪声引起的边缘两端的不对称性,结果可能 不会很精确。

由于 Laplacian 算子是二阶导数,因此它对于噪声有极高的敏感性,对于双 边带梯度值函数,Laplacian 算子不易检测出边缘的方向,图片中的一些边缘会 使 Laplacian 算子产生双重的梯度值响应。

所以图像一般先经过平滑处理,把 Laplacian 算子和平滑算子结合起来,使他生成一个新的模板。

3.5 LOG 算子 在之前我们介绍的梯度算子(Sobel 算子)和 Laplacian 算子都是利用微分或 者差分算法,所以对噪声的反应都十分敏感。

所以我们在进行边缘间的流程之前 必须滤除噪声。

Marr 和 Hildreth 两人把高斯滤波技术和 Laplacian 边缘检测技术 有机的结合在一起,就形成了一项新的算法——LOG(Laplacian-Gauss)算法。

因为 Laplacian 算子对噪声十分的敏感,如果想要降低噪声对检测结果的影 响,大部分都会优先对检测图进行平滑处理,之后再用 Laplacian 算子进行检测 边缘。

LOG 算子具体检测步骤如下所示: 1. 滤波处理:先将图像 f ( x, y ) 进行平滑滤波处理,根据人体视觉特性选用 高斯函数作为滤波函数。

G( x, y )  1   exp  (x2  y 2 )  2 2  2  12(3-24)

在上面公式中 G(x, y) 是一个圆对称函数,函数能通过σ 控制函数平滑的效 果。

如果让图像 G(x, y) 和 f ( x, y ) 两者卷积,能得到一张平滑过后的图像:g( x, y)  f ( x, y)  G( x, y)2.增强:对平滑过后的图像 g ( x, y ) 进行 Laplacian 运算:h( x, y)  2  f ( x, y) * G( x, y)(3-25)(3-26)3. 检测: Laplacian 算子在边缘检测时的判断依据是二阶导数上零点交叉h( x, y )  0 点,而且其对应的一阶导数较大的峰值LOG 算子的特点是先把图像与高斯滤波器进行卷积,不但平滑了图像边缘 而且还降低了噪声,较小的图像结构与相对独立的噪点都将被滤除。

不过因为平 滑处理造成了图像边缘的延伸变形, 所以检测时只考虑一些具有局部梯度最大值 的点为边缘点,而利用二阶导数的零交叉点能实现这个问题。

Laplacian 函数因 为是无方向的算子所以能利用二维二阶导数的近似。

在现实操作中为了避免非显 著边缘被检测出来,边缘点应选择一阶导数比某的零交叉点大的点作为边缘。

因 对平滑过后的图像 g ( x, y ) 进行的 Laplacian 运算等同于 f ( x, y ) 与 G(x, y) 的 Laplacian 运算之间的卷积。

所以之前的公式也能写成:h( x, y)  f ( x, y) * 2G( x, y)上式里的 2G( x, y) 是 LOG 滤波器, 2G( x, y) 为: 2G( x, y)   2G  2G 1  x2  y2   1      1 exp  2 x 2  y 2  2 2 4  2  x y   2  2  (3-27)(3-28)由此看来,求图像边缘的方式有两种: 1. 先进行图像与滤波器的卷积计算, 接着在对卷积结果进行 Laplacian 变换, 最后在对函数进行零判断。

2. 先对滤波器进行 Laplacian 变化,再将变化结果与图像进行卷积处理。

最 后在通过零判断。

上述两种方式就是 Marr 和 Hildreth 两人提出的 M-H 算子。

因为 LOG 滤波 器在坐标系中的图与草帽有些类似,所以 Laplacian 算子的别名又叫做墨西哥草 帽算子,如图 3-4。

图 3-4 LOG 滤波器图像Laplacian 算子因二阶导数的原因对噪声极其敏感,同事它产生的边缘宽度 为双像素边缘, 并不能对检测提供边缘的方向信息。

LOG 算子的效果比 Laplacian 算子的效果更好,所以经常用 LOG 模板为(如图 3-5): 2  4  4  8  4 0  4 8 2  8  4 0  2  4  4   2   4  4   4  2 0 1 0  0    0 1  2 0    1  2 16  1    0 1  2 0  0 0 1 0   图 3-5 LOG 模板函数因为是轴向对称的,所以函数是各向同性的。

LOG 算子能根据数字图 像内的信噪比对检测进行优化设计,同时兼顾了边缘检测的质量与早上的一致 性。

因为 LOG 算子在视觉生理学防护总的模型十分相似,所以在数字图像处理 的范畴内被广泛应用。

LOG 算法把高斯平滑处理和 Laplacian 锐化滤波很好的组 合在一起,先进行滤波然后在检验边缘,效果比单纯的 Laplacian 算子强上很多。

3.6 梯度算子比较 在前文中为各位读者介绍了常用的几种的梯度算子, 而接下来将要在文中为 读者展示这几种常用梯度算子的实际应用效果,为读者留下一个直观清晰的印 象。

本次仿真将使用 VC10 作为实现平台, 通过编译程序实现对数字图像的边缘 检测结果。

图 3-6 程序界面图 3-6 中为使用 VC10 编译的程序界面,因本人并非计算机专业,同时在本 文中变异的程序只起到实验作用,故在此并未对程序界面进行美化,仅以简略方 式呈现。

图 3-7 进行边缘检测的原始图像图 3-7 为进行边缘检测的原始图片,因为梯度算子需要计算图像的灰度,所 以在进行检测前应先把图片转化成灰度图片。

彩色图像转化灰度图像的语句为:

本科毕业论文---数字图像的边缘检测研究 数字图像边缘检测技术的研究大学本科毕业论文 图像边缘检测方法的研究本科毕业论文 数字图像边缘检测算法研究实现本科毕业论文 数字图像边缘检测算法研究实现本科毕业论文设计 数字图像边缘检测算法研究实现本科毕业论文 精品
z在数学中代表什么 语文报杯哪些大学承认 四年你上册数学应用题 小学语文四年级人教版电子课本 初一数学题找规律 忧伤女生哭泣唯美图片带字图片 封露台装修效果图大全 永远单身的图片带字 苹果手机看不了图片不显示 超萌猫咪头像卡通