边缘检测方法范文
边缘检测方法范文（精选12篇）
边缘检测方法 第1篇
边缘检测技术是图像特征提取中的重要技术之一,也是图像分割、目标区域识别、区域形状提取等图像分析方法的基础。近年来,边缘检测技术被广泛地应用在各个领域,例如工程技术中零件检查[1]、医学中器官病变状况观察[2]、遥感图像处理中道路等典型地物的提取[3]以及估算遥感平台的稳定精度[4]等。这使得如何快速、准确地获得边缘信息成为国内外研究的热点。边缘检测方法在空间域和频域中均可以实现,而且不断涌现出新技术新方法。这些方法各具特点,但同时也存在着局限性,这给人们在实际应用中如何选择合适的图像边缘检测方法提出了新的难题。
本文分别选取空域处理中经典的边缘检测算子(Roberts算子、Sobel算子、Laplacian算子、Wallis算子、Canny算子)和频域处理常用的傅里叶变换、小波变换这几种边缘检测方法进行详细分析,并对不同算法的边缘检测效果进行比较,总结出各种算法的优缺点和适用范围,从而为人们在实际应用中选择合适的图像边缘检测方法提供实验依据。 文中所有算法实践均在IDL6.3语言环境中实现。
2 边缘检测方法
边缘是图像中灰度发生急剧变化的区域边界,可以分为阶跃形边缘和屋脊形边缘2种。而边缘检测的实质就是将目标与背景之间在灰度或者纹理特征上突变边界线提取出来。在空域中,可以用图像灰度分布梯度来反映,所以出现了经典的微分算子。在频域中,由于图像的边缘集中在高频区段,所以采用基于高通滤波的方法进行边缘检测。
2.1 空域微分算子
2.1.1 Roberts微分算子
Roberts算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘,是一种局部差分算子。检测水平和垂直边缘的效果好于斜向边缘,定位精度高,但对噪声很敏感。其模板形式为22的卷积核,可以表示为:
2.1.2 Sobel微分算子
Sobel算子是滤波算子的形式,对噪声具有平滑作用。其模板是2个奇数大小(33)的卷积核;其中一个核对垂直边缘响应最大,另一个对水平边缘响应最大,并且强调中心像素四邻域对其的影响,提供较为准确的方向性,但会检测出伪边缘,定位精度不够高。
模板形式可以表示为:
1.1.3 Laplacian及其变形微分算子
Laplacian 算子是二阶微分算子,具有各向同性的特点,用一个卷积核就可以对图像进行处理,对灰度突变敏感,定位精度高。但是容易丢失一些边缘,对噪声亦敏感。其定义为:
∇2f=4f(i,j)-f(i+1,j)-f(i-1,j)-
f(i,j+1)-f(i,j-1)
模板形式可以表示为:
若考虑非线性动态范围调整得到图像增强,可以结合Laplacian与对数算子构造出Wallis算子,其定义如下:
∇2f=4log f(x,y)-[log f(x-1,y)-
log f(x+1,y)-log f(x,y-1)-
log f(x,y+1)]
2.1.4 Canny微分算子
Canny算子[5,6,7]是一个具有滤波、增强和检测的多阶段的优化算子[7]。Canny算子先用高斯滤波器对图像进行平滑除去噪声,然后以带方向的一阶微分定位导数的最大值,还将经过一个非极大值抑制的过程。算法中具体通过2个阈值来分别检测强边缘和弱边缘,当且仅当强弱边缘连接时,弱边缘才会被输出。所以Canny算子不容易受噪声的干扰,能够在噪声和边缘检测间取得较好的平衡,能够检测到真正的弱边缘。但也容易平滑掉一些重要的边缘信息。
2.2 频域边缘检测方法
2.2.1 基于Fourier 变换边缘检测算法
图像的边缘信息在图像的灰度级中主要处于傅里叶变换[8]的高频部分,所以采用高通滤波方法,通过调整滤波器的参数,将低频部分屏蔽,使高频部分信息保留,从而实现边缘提取。常用的3种高通滤波器有:理想高通滤波器(IHPF)、巴特沃思高通滤波器(BHPF)、高斯高通滤波器(GHPF)。其中IHPF会有明显的振铃效应,边缘效果最不理想。另外两种滤波器在多次调整参数后可以达到相似边缘提取效果。其中,巴特沃思高通滤波器定义如下:
2.2.2 基于小波的边缘检测
小波变换[9,10]是传统Fourier变换的继承和发展,是时域-频域的局部变换,具有变焦特性。由于小波变换具有多尺度的特性,图像每个尺度的小波变换都提供了一定的边缘信息。经过小波变换的分解,将图像分解为4个子块;其中将行低通、列高通子块定义为次低频子块,将行高通、列低通子块定义为次高频子块,这两个子块分别包含了图像水平和垂直边缘信息。在IDL实现中,只保留这两个子块再进行小波反变换,即可以得到图像的轮廓信息。
3 实验结果对比分析
为了检验不同方法的边缘提取效果,选择一幅标准的8 b的灰度图。在图1中,女孩的帽子、头发有很明显的纹理和边缘信息,而且在帽沿下面有阴影可以检验出各种方法对暗处边缘信息的识别能力。实验结果如图2所示。
(1) Roberts算子边缘定位精度较高,但经过卷积运算会有半个像素的偏差,容易丢失部分边缘信息,例如女孩的脸庞和肩膀的边缘信息部分丢失。同时由于没有经过图像平滑计算,不能抑制噪声,但是该算子对具有陡峭的低噪声图像响应最好;Sobel算子边缘定位准确完整,有一定的抗噪能力,提取的信息也较Roberts算子丰富,获得了女孩的脸庞、鼻子等细节信息。但是边缘一般较宽,视觉效果不理想。该算子对灰度渐变和具有噪声的图像处理的较好。
(2) Laplacian算子是各向同性的二阶微分算子,不能提供方向信息,对噪声的敏感性比一阶算子大,容易产生虚假边缘,所以很少直接用于边缘检测,而主要用于抑制边缘像素;Wallis算子是变形的Laplacian算子,从处理结果中可以发现它对暗处部分的边缘信息最为敏感,可以将女孩帽沿阴影下的眉毛和头发边缘提取出来。所以如果对较暗处进行边缘检测可以优先考虑Wallis算子。
(3) Canny算子采用高斯函数对图像进行平滑处理,因此具有较强的去噪能力,同样也平滑掉一些边缘信息。Canny处理的边缘比较完整、连续、细锐,但与其他方法比边缘信息丢失比较严重。该方法是传统边缘检测算子中效果较好算子。
(4) IHPF方法存在严重的振铃效应,比如女孩的发带上存在大量的伪边缘,而且边缘的连续性也较差;BHPF比IHPF振铃效应弱得多,提取的边缘较完整连续,而且对于女孩暗处的眉毛和头发的信息较敏感。需要注意的是噪声等细节信息也存在于傅里叶变换的高频区段,所以该方法对于有大量噪声的图像需先经过平滑处理。
小波变换检测边缘的一个突出的优势是,可以得到不同尺度的边缘信息。小尺度的处理结果,边缘细节信息较为丰富,边缘定位精度较高,但易受到噪声的干扰;大尺度的处理结果,细节信息偏少,边缘定位较差,但抗噪性好[11]。在实际应用中,可以参考不同尺度的边缘信息,从而得到精确的图像边缘。小波变换也需要经过多次调试小波器参数才达到满意的效果。
4 结 语
通过对实验结果进行比较和分析可知,不同的边缘检测方法对同一幅图像会产生不同的边缘提取效果[12,13,14,15]。Sobel算子的检测效果明显好于Roberts算子,但是边缘较粗,需要经过细化算法进行优化[16]。Laplacian及其变形算子对噪声敏感,很少用于边缘检测,但是需要提取弱信息时可以优先考虑Wallis算子。Fourier变换中BHPF比IHPF的效果好得多,但是处理结果会混入噪声。小波变换是传统Fourier变换的继承和发展,是频域处理比较好的算法,而且可以得到多尺度边缘信息,去噪能力也很强。在边缘信息量需求不大的情况下,Canny算子是最好的边缘检测算法,它提取的边缘连续且细锐,处理也较频域方法方便。虽然每种方法都有各自的特色,但是也都存在着不足,例如Canny算子会屏蔽一些重要的边缘信息。而且空域的边缘提取的阈值设定,频域高通滤波器和小波函数的参数设定往往也影响边缘提取的效果。
本文只是针对各算子的数学表达式以及图像的视觉效果做出了主观评价,而没有进行客观的评价。一般边缘评价方法有2类:一类是Kitchen提出的机遇边缘局部相关性的方法,主要检测边缘的线型连接程度,但是这种方法不考虑边缘的错检、漏检以及边缘偏移的情况;另一类是Venkatesh在标准边缘图的基础上,判断检测结果中存在的错检、漏检、边缘偏移以及重检的情况,但是标准边缘图像很难得到[17]。
近年来又提出了上述两种评价的改进方法,例如基于边缘有序度[17]、连通成分[18]的评价方法,还有学者将模糊综合评价法应用于数字遥感影像产品质量[19]的评价中,这些方法都是可取的。但是针对图像各自的特点以及应用的需要,仅采用主观评价的方法也是不够的。
摘要：边缘检测在数字图像处理中有着重要的作用。系统分析目前具有代表性的边缘检测方法,并用IDL6.3软件实现各种算法。实验结果表明,各种方法均有各自的优缺点和适用条件,在做图像边缘检测之前,应对图像进行分析,针对图像的特点和应用需求选用合适的方法。
边缘检测开题报告 第2篇
边缘检测开题报告：
HEFEIUNIVERSITY;毕业设计(开题报告);题目基于小波变换的图象边缘识别算法的Visual;姓名指导老师;完成时间二零一零年三月;合肥学院电子电气系毕业设计开题报告;附件;一、研究背景：;图像中包含了人类所需要的感知世界，进而认识世界、;边缘像素实质上是指局部图像范围内灰度的急剧变化(;二、主要内容：;传统的边缘检测方法基于空间运算，借助空域微分
HEFEI UNIVERSITY
毕 业 设 计( 开题报告 )
题 目基于小波变换的图象边缘识别算法的VisualC++实现 系 别 电子信息与电气工程系 专 业 电子信息工程 班 级
姓 名 指导 老师
完成 时间 二 零 一 零 年 三 月
合肥学院电子电气系毕业设计开题报告
附件
一、研究背景：
图像中包含了人类所需要的感知世界，进而认识世界、改造世界的大部分信息量。图像处理就是对图像信息进行加工处理，以满足人的视觉心理和实际应用的要求，理解图像、识别图像中的目标是计算机视觉图像处理的中心任务。
边缘像素实质上是指局部图像范围内灰度的急剧变化(奇异点)，图像边缘就是二维图像中奇异点的集合。物体形状、物体边界、位置遮挡、阴影轮廓及表面纹理等重要视觉信息在图像中均有边缘产生。图像边缘是图像中最基本的特征，是分析理解图像的基础。边缘检测对于物体识别也是很重要的。因为:(l)人眼通过追踪未知物体的轮廓(轮廓是由一段段的边缘片断组成的)而扫视一个未知的物体;(2)得到图像的边缘，能使图像分析大大简化;(3)很多图像并没有具体的物体，对于这些图像的理解取决于它们的纹理性质，而提取这些纹理性质与边缘检测有极其密切的关系。所以边缘检测使数字图像分析处理的前提，检测结果的优劣影响着下一步图像压缩、计算机视觉、模式识别的应用，所以对它的研究具有现实意义和理论意义。
二、主要内容：
传统的边缘检测方法基于空间运算，借助空域微分算子进行，通过将算子模板与图像进行卷积合成，根据模板的大小和元素值的不同有不同的微分算子，如Robert算子、Sobel算子、Prewitt算子、LOG算子、Canny算子等，这些算子虽然易于实现、具有较好的实时性，但由于边缘检测问题固有的复杂性，使这些方法在抗噪性能和边缘定位方面往往得不到满意的效果，这主要是因为边缘和噪声都是高频信号，很难在噪声和边缘中作取舍。
边缘检测的不确定性指出边缘检测算子的抑噪能力和定位精度是一对矛盾，小尺度算子有利于边缘定位，但对噪声极为敏感;大尺度算子抑噪能力强，但边缘定位精度差，甚至会丢失某些局部细节。因此，固定尺度的边缘检测算子难以兼顾良好的边界定位，噪声抑制和弱边界检测等性能指标。其实，人的视觉前期处理中有多个分辨率的边缘算子在对图像作卷积，各边缘检测算子输出的组合能提高定位精度，减少噪声干扰。
1983年Witkin提出尺度空间的思想，对边缘检测中的多尺度多分辨的思想进行了深入、直接的研究。1992年Mallat提出小波变换多尺度边缘检测方法，并将小波边缘检测方法与LOG算子及Canny最优检测算子在小波意义下统一起来，更加明确地表达了多尺度的思想在边缘检测中的重要意义。小波变换具有良好的时频局域化特性及多尺度分析能力，能够根据多尺度分析构造多尺度边缘检测算子，通过多尺度边缘融合，实现图像边缘的检测。
但是，由于小波理论产生的时间不长，其理论还算不上很成熟，应用中缺少完全行之有效的应用方法与步骤，这使得小波变换的应用比Fourier变换的应用复杂困难得多，本文尝试将小波变换分析应用于图像的边缘检测这一计算机视觉中的重要环节。
三、设计方案和技术路线：
1.二维小波变换特性
定义：若满足
1Wsf(x,y)=f*ψs(x,y)=2s??????????f(a,b)ψ((x-a)/s,(y-b)/s)dadb，
1xy式中,f∈L2(R2),ψs,(x,y)(x,y)=2(,),L2(R2)表示平方可积的平面空sss
间，即能量有限的信号空间，则称Wsf(x,y)为f(x,y)的小波变换。
当尺度s=2j(1jJ)J)时，则称下式为二进小波变换：
Wsf(x,y)=W2jf(x,y)=f*ψ2j(x,y)
定理：若N(x,y)为零均值的高斯白噪声N(0，σ2 )，其中σ2为方差，记为N(x,y)～N(0，σ2 )，则：
?2
WsN(x,y)～N(0，‖ψ‖2s2)
对于正交小波变换，‖ψ‖2=1，则：
?2
WsN(x,y)～N(0，2) s
即零均值高斯白噪声的正交小波变换仍为零均值的高斯噪声，且方差σ2与尺度的平方成反比。
2.高斯-拉普拉斯(LOG)算子的边缘检测算法
?2??2?定义Laplacian算子为?f?2?2 ?x?y2
拉普拉斯算子是各向同性(isotropic)的微分算子。
1?2f(i,j)?f(i,j)?[f(i,j?1)?f(i,j?1)?f(i?1,j)?f(i?1,j)] 4
因此，Laplacian算子是线性二次微分算子，与梯度算子一样，具有旋转不变性，从而满足不同走向的图像边界的锐化要求。
对阶跃状边缘，二阶导数在边缘点出现零交叉，即边缘点两旁二阶导函数取异号，据此，对数字图像{f(i,j)}的每个像素，Laplacian算子取它关于x轴方向和y轴方向的二阶差分之和。
G(i,j)??2f(i,j)??x2f(i,j)??y2f(i,j) ?f(i?1,j)?f(i?1,j)?f(i,j?1)?f(i,j?1)?4f(i,j)
这是一个与边缘方向无关的边缘检测算子。若?2f(i,j)在(i,j)点发生零交叉，则(i,j)为阶跃边缘点。
对屋顶状边缘，在边缘点的二阶导数取极小值。据此，对数字图像{f(i,j)}的每个像素取它的关于x方向和y方向的二阶差分之和的相反数，即Laplacian算子的相反数：
G(i,j)???2f(i,j)??f(i?1,j)?f(i?1,j)?f(i,j?1)?f(i,j?1)?4f(i,j)称作边缘图像。
由于我们关心的是边缘点位置而不是其周围的实际灰度差，因此，一般都选择与方向无关的边缘检测算子。用拉普拉斯算子检测边缘就是估算拉普拉斯算子的输出，找出它的零点位置。
离散情况下，有几种不同的模板计算形式：
?0?10???1?1?1??1?21????18?1???24?2??2???14?1????????0?10??或???1?1?1??或??1?21??
由于拉普拉斯算子是一个二阶导数，它将在边缘处产生一个陡峭的零交叉。由于噪声点对边沿检测有一定影响，所以高斯拉普拉斯算子是效果较好的边沿检测器。他把高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来，先平滑掉噪声，再进行边沿检测，所以效果更好。通常的高斯拉普拉斯算子是一个55的模板：
??2?4?4?4?2???40?80?4????48248?4????4080?4?????2?4?4?4?2??高斯-拉普拉斯算子
3.计算机实现步骤
四、关键问题：
1：理解数字图像边缘检测的算法;
2：理解多尺度小波变换的原理;
3：掌握小波变换与检测算子所得数据的融合;
4：熟悉Visual C++程序设计。
五、时间安排：
1 ―― 4周 毕业实习并准备开题报告;
5 ―― 6周 熟悉掌握Visual C++程序设计;
7周 掌握用Visual C++进行数字图像处理;
8 ―― 9周 根据题目需求完成算法框图设计及模块划分; 10――13周 基于VC完成各模块程序设计并在PC中实现仿真; 14――15周 进行仿真调试;
边缘检测方法 第3篇
关键字：片剂；表面缺陷；边缘检测；算法比较
中图分类号：TP391.41 文献标识码：A文章编号：1007-9599 (2011) 11-0000-02
Edge Detection Algorithm Comparison and Implementation in Tablet Surface Defect Detection Method
Li Guopei Xiao Lijing Zeng Jiexian
(Jiangxi Nanchang Hangkong University,Nanchang330063,China)
Abstract:This paper analyzes several edge detection algorithm and the basic principles,
comparing the advantages and disadvantages of each operator by VC + + programming tools for the operator above the tablet surface defect image edge extraction,and the experimental results concluded,Sobel operator in this project better than the other operators.Thus,in a different edge detection programs should be based on the actual situation,choose the most suitable edge detection for image processing in order to obtain the best experimental results.
Keywords:Tablets;Surface defects;Edge detection;Algorithm comparison
一、引言
边缘检测在图像处理与计算机视觉中占有特殊的位置，它是底层视觉处理中重要的环节之一，也是实现基于边界的图像分割的基础 [1]。一直以来，学者对这一问题做了很多的的研究，除了常用的局部算子及以后在此基础上发展起来的种种改进方法外，又提出了许多新的技术，其中突出的有LOG、用Facet模型检测边缘、Canny的最佳边缘检测、统计滤波检测以及随断层技术兴起的三维边缘检测[2，3]。在片剂的缺陷检测与识别中，提取片剂图像边缘和缺陷边缘是研究的重点，也是缺陷识别的基础，因此，做好对片剂图像边缘的检测和提取非常有必要。
二、边缘检测算法原理
边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边界提取技术大都基于微分运算。首先通过平滑来滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值来提取边界。经典的边缘检测算子包括：Roberts算子，Prewitt算子，Sobel算子，Log （Laplacian of Gaussian）算子等，下面将这些算子进行介绍：
（一）Roberts边缘算子。Roberts算子是一种利用局部差分算子寻找边缘的算子，由下式给出：
（2-1）
其中 是具有整数像素坐标的输入图像，平方根运算使该处理类似于在人类视觉系统中发生的过程。
（二）Sobel边缘算子。Sobel边缘算子的卷积和如图2.1所示，图像中的每个像素都用这两个核做卷积。这两个核分别对垂直边缘和水平边缘响应最大，两个卷积的最大值作为该点的输出位。运算结果是一幅边缘幅度图像。
Sobel算子认为邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越大，产生的影响越小。
（三）Prewitt边缘算子。Prewitt边缘算子的卷积和如图2.2所示，图像中的每个像素都用这两个核做卷积，取最大值作为输出，也产生一幅边缘幅度图像。
Prewitt算子在一个方向求微分，而在另一个方向求平均，因而对噪声相对不敏感，有抑制噪声作用。
（四）Laplacian边缘算子。拉普拉斯算子一种二阶边缘检测算子，它是一个线性的、移不变算子。是对二维函数进行运算的二阶导数算子，对一个连续函数 它在图像中的位置 ，拉普拉斯值定义为：
（2-2）
Laplacian算子利用二阶导数信息，具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘。其4邻域系统和8邻域系统的Laplacian算子的模板分别如图2.3和图2.4所示。
通常使用的拉普拉斯算子3×3模板如图2.5所示：
（五）Log边缘算子。马尔（Marr）和希尔得勒斯（Hildreth）根据人类视觉特性提出了一种边缘检测的方法，该方法将高斯滤波和拉普拉斯检测算子结合在一起进行边缘检测的方法，故称为Log（Laplacian of Gassian ）算法。也称之为拉普拉斯高斯算法。该算法的主要思路是：先用高斯函数对图像滤波，然后对滤波后的图像进行拉普拉斯运算，算得的值等于零的点认为是边界点。用数学公式表示为：
（2-3）
在实际使用中，常常对LOG算子进行简化，使用差分高斯函数（DOG）代替LOG算子。
（2-4）
拉普拉斯算子对图像中的噪声相当敏感，而且它常产生双像素宽的边缘，也不能提供边缘方向的信息。高斯-拉普拉斯算子是效果较好的边沿检测器，常用的5×5模板的高斯－拉普拉斯算子如图2.6所示：
（六）Canny边缘算子。Canny边缘检测基本原理：具有既能滤去噪声又保持边缘特性的边缘检测最优滤波器，其采用一阶微分滤波器。采用二维高斯函数的任意方向上的一阶方向导数为噪声滤波器，通过与图像卷积进行滤波；然后对滤波后的图像寻找图像梯度的局部最大值，以此来确定图像边缘。根据对信噪比与定位乘积进行测度，得到最优化逼近算子。Canny类似于LOG边缘检测方法，也属于先平滑后求导数的方法。
Canny边缘检测算法：首先，用高斯滤波器平滑图象；其次，用一阶偏导的有限差分来计算梯度的幅值和方向；再其次，对梯度幅值进行非极大值抑制；最后，用双阈值算法检测和连接边缘。
三、对片剂表面图像实验及结果分析
本次实验的边缘检测程序由Visual C++语言编写[4]，本项目通过使用以上各算子对片剂进行边缘检测，并挑选出经典的几种检测出的结果进行比较。
通过对以上实验图的比较，可以看出，Laplacian of Gassian算子检测出的边缘存在很多噪声，轮廓不清晰，产生了很多虚假边缘；prewitt算子能较全面地检测出边缘，但边缘不够细锐，而且模糊；sobel算子检测出的边缘轮廓清晰，虚假边缘少，更易于后期的缺陷提取和识别。
四、结论
通过边缘检测算子理论和实验的各种分析比较，各种不同的算子对同一片剂图像会产生不同的边缘提取效果，且边缘检测算子各有优缺点，但是针对于不同的实验应该选取不同的边缘检测算子，比如Canny算子虽然是基于最优化思想推导出的边缘检测算子，但实际效果并不一定最优。Laplacian of Gassian算子对噪声很敏感，产生了很多虚假的边缘。Sobel算子检测的效果明显优于其它算子，适合本项目的边缘检测。
参考文献：
[1]张德丰.数字图像处理.北京:人民邮电出版社,2009,10
[2]Sharifi M,Fathy M,Mahmoudi M T.A Classified and Com-parative Study of Edge Detection Algorithms[A].Information Technology：Coding and Computing,2002,International Conference[C].[s.l.]:[s.n.],2002:117-120
[3]刘晨,张东.边缘检测算子研究及其在医学图像中的应用[J].计算机技术与发展,2006,8
[4]张宏林.精通Visual C++数字图像处理典型算法及实现（第二版）[M].北京:人民邮电出版社,2008:325-348
[作者简介]
边缘检测方法的对比研究 第4篇
图像边缘是图像最基本的特征之一, 边缘的检测是利用物体和背景在某种图像特性上的差异来实现的, 这些差异包括灰度、颜色或纹理特征。边缘检测实际上就是检测图像特性发生变化的位置。
边缘点即图像中亮度变化显著或不连续的点, 边缘的方向可以是梯度角。在实际问题中, 边缘点和边缘段都是为边缘。边缘检测器是指从图像中抽取边缘集合的算法。
1 常见的边缘检测方法的介绍
在通常情况下, 边缘点附近灰度的变化情况可从相邻像素灰度分布的梯度来反映。根据这一特点, 提出了很多边缘检测算子:如Roberts算子、Prewitt算子、Sobel算子、laplacian算子等。
Roberts交叉微分算子是一种利用局部差分算子寻找边缘的算子, 具有的方向性的算子。Prewitt算子加大了边缘检测算子的模板, 并使用两个有向算子 (一个是水平的, 一个是垂直的, 两个模板) , 每一个逼近一个偏导数。Kirsch算子每个模板只对相应的方向敏感, 对相应方向上的变化有明显的输出, 而对其他方向上的变化相应不大。拉普拉斯算子一种二阶边缘检测算子, 它是一个线性的、移不变算子。是对二维函数进行运算的二阶导数算子。Laplacian算子利用二阶导数信息, 具有各向同性, 即与坐标轴方向无关, 坐标轴旋转后梯度结果不变。Sobel微分算子是由Sobel提出的一种将方向差分运算和局部平均相结合的方法。该算子是一种以 (x, y) 为中心的奇数大小的模板下的微分算子, 分别为横向或纵向, 将它与图像做平面卷积, 便可得到横向和纵向的亮度差分的近似值。
2 改进的边缘检测算子
以上几种边缘提取算法都是针对性比较强的方法, 由于物理和光照等原因, 实际图像中的边缘常常发生在不同的尺度范围上, 并且每一边缘像元的尺度信息是未知的, 利用单一固定尺度的边缘检测算子不可能同时最佳地检测出这些边缘。事实上, 边缘检测作为视觉的初级阶段, 通常认为是一个非良态问题, 因而很难从根本上解决。所以寻求改进的边缘检测算法很重要。
2.1 改进Sobel算子的边缘检测方法
一种改进的Sobel算子边缘检测方法, 基于kirsch的启发, 我们也将Sobel算子扩展成八个方向上的模板, 这样可以有效地提取多个方向上的边缘, 使得边缘信息更完整。模板为:
2.2 Sobel算子最佳阈值选择
尽管把方向的Sobel算子可以得到比较完整的边缘信息, 但是它和一阶算子一样, 对噪声比较敏感, 抗噪声能力比较差。解决该问题的一个方法就是设定一个阈值, 然后与经过Sobel算子检测过的边缘值做比较, 当其大于阈值时, 将其定义为边缘, 否则取为0。然而怎样确定阈值确实比较难的问题。因为在图像中, 无用的背景数据和目标数据常常混在一起, 此外还有噪声的影响, 如果阈值选的偏低, 则会有较多的噪声被保留, 影响边缘提取的效果;如果阈值选取的偏高, 则会使那些灰度值较小的边缘丢失, 破坏边缘的连续性。
2.3 数学形态学在边缘检测中的应用
2.3.1 数学形态学运算
腐蚀 (erosion) 和膨胀 (dilation) 是数学形态学的两种基本运算。数学形态学的对象时集合, 本质上是用结构元素映射输入图像。设A是图像矩阵, B是结构元素矩阵, 进行数学形态学运算时, 实际上就是用B对A进行操作。
A, B是Z2中的集合, 图像A被结构元素B腐蚀的定义为:
其中, x是表示集合平移的位移量。
图像A被结构元素B膨胀的定义为:
其中, x是表示集合平移的位移量。
开运算 (opening) 和闭运算 (closing) 是另外两种中亚的数学形态学变换。
设A为目标图像, B为结构元素, 则结构元素B对目标图像A开运算定义为:
则结构元素B对目标图像A闭运算定义为:
2.3.2 实验对比
由图1很明显可以看出, 数学形态学在边缘检测中的效果很好, 抗噪能力好且提取边缘信息清晰, 也是边缘检测的常用方法, 它可以完成增强对比度、消除噪声、细化与骨架提取、区域填充即对象提取、边界提取等。
3 结论
边缘检测作为数字图像分割的一个重要内容一直是人们研究的热点。在实际应用中有许多成功的例子, 已将一些专用领域的成熟算法嵌入单片机, 制成便携式设备, 如指纹考勤机、人脸的识别器。视频交通流检测及车辆识别系统已在某些大城市交通流量的检测中应用, 效果良好。
本文主要研究基本的边缘提取技术, 归纳总结了传统的边缘检测算子的主要原理、方法, 对边缘提取的基础理论知识进行了系统的阐述。对各种常用边缘提取方法用Matlab语言编程实现, 对其图像边缘检测结果进行分析比较, 从而总结了算法的优缺点, 并且提出了改进的Sobel算子和改进的Prewitt算子, 实验结果表明改进算子提取边缘更有效且抗噪性能更好。
摘要：边缘是图像最基本的特征, 是图像中特性 (如像素灰度、纹理等) 分布不连续处, 图像周围特性有阶跃变化或屋脊变化的那些像素的集合。经典的边缘检测方法的抗噪声性能都较差, 本文提出了改进的Sobel算子边缘检测方法, 介绍了数学形态学在边缘检测中的作用, 得到了很好的实验效果。
关键词：边缘检测,微分算子,数学形态学
参考文献
[1]刘清, 王平根, 肖晓朋.一种关于梯度算子的边缘提取算法[J].井冈山大学学报:自然科学版, 2013, 34 (2) :65-67.
[2]赵慧, 刘建华, 梁俊杰.5种常见的边缘检测方法的比较分析[J].现代电子技术, 2013, 36 (6) :89-91.
[3]陈寒, 吕行军, 等.基于Sobel算子边缘检测的麦穗图像分割[J].农机化研究, 2013, 3:33-34.
[4]陈初侠.图像滤波及边缘检测与增强技术研究[D].安徽:合肥工业大学, 2009, 4:32-42
边缘检测方法 第5篇
基于极约束和边缘点检测的图像密集匹配
综合运用极约束和边缘点检测实现了两幅图像的密集匹配.真实图像实验表明,该方法能够产生非常密集的匹配点并具有较高的.匹配精度.
作 者：孔晓东 屈磊 桂国富 梁栋 作者单位：安徽大学计算智能与信号处理教育部重点实验室,合肥,230039 刊 名：计算机工程 ISTIC PKU英文刊名：COMPUTER ENGINEERING 年，卷(期)： 30(20) 分类号：N911.73 关键词：极几何 基本矩阵 图像匹配
边缘检测方法 第6篇
【关键词】FPGA，Sobel，Verilog；
在图像处理中边缘蕴含了丰富的信息，是图像的基本特征之一。边缘检测不仅能减少图像处理的工作量，还能保留图像中物体的形状特性。所以研究边缘检测是非常有必要的。FPGA是利用硬件编程语言对图像进行处理，可以同一时间处理大量的数据，在此利用FPGA的并行结构特性和流水线技巧，快速实现了Sobel边缘检测算法 。为图像的后续处理打下了基础。
一、Sobel边缘检测算法
边缘检测算法都是通过梯度算子来实现的。经典的梯度算子有Sobel、Kirsch、Roberts等。在求边缘的梯度时需要对每个像素点进行计算，工作量是比较大的。在这些算法中Sobel具有计算简单、检测效果好的特点，是一种被广泛应用的算法。Sobel算子是一阶导数的边缘算子。是利用水平和垂直方向上3X3的Sobel算子模版，与选定图像中同样大小的窗口中的每个像素点做卷积求和运算，窗口中心点为待求的像素点。计算出图像水平和垂直方向的梯度值，然后对水平和垂直方向的梯度值的平方求和，再开方。与设定的阈值进行比较，如果结果大于阈值边视为边缘点，否者就不是边缘点。
图1为水平方向的Sobel矩阵算子，图2为垂直方向的Sobel矩阵算子。图3为3X3模版的像素灰度值。
利用Sobel算子对图3中的3X3模版做卷积和计算。就可以得到p5像素处水平和垂直方向的梯度值Gx和Gy。最后利用
（1）
算出p5处的灰度值，再与设定的阈值进行比较。若大于阈值就视为边缘点，不然就是普通点。
二、Sobel边缘检测算法的硬件系统实现
（一）Sobel实现方法选择
由于Quartus II 9.0自带有很多的IP核，可以调用IP核进行乘法、并行相加来实现Sobel边缘检测。但是这样就会涉及到补码、负数等。实现方法较为复杂。在本文中提出一种简单的算法实现边缘检测，把复杂的问题简单化。
对于水平模版，把图3中的第1列和第3列像素点分别与其相应的位置做卷积和，并且分别取第1列和第3列的卷积和的绝对值比较大小，把较大值认为Gx。
Gx=max{（p1+2p4+p7），（p3+2p6+p9）}（2）
对于垂直模版，把图2中的第1行和第3行像素点分别与其对应的位置做卷积和，并分别取第1行和第3行的卷积和的绝对值比较大小，把较大值认为Gy。
Gy=max{（p1+2p2+p3），（p7+2p8+p9）}（3）
（二）Sobel的硬件实现
由于Sobel的实现需要3X3的像素模版与水平方向和垂直方向的卷积因子进行卷积求和，所以这里利用Quartus II 9.0自带的IP核Shift Register（RAM-based）构建三行以此为基础获得3X3的像素模版。如图4所示
图4 移位寄存器
在得到3X3模版后利用（2）、（3）进行硬件实现，关键代码如下
begin
Gy1<=p11+（p12<<1）+p13；
Gy2<=p31+（p32<<1）+p33；
Gy <=Gy1>Gy2？ Gy1-Gy2 ： Gy2-Gy1；
end
begin
Gx1<=p11+（p21<<1）+p31；
Gx2<=p13+（p23<<1）+p33；
Gx <=Gx1>Gx2？Gx1-Gx2 ： Gx2-Gx1；
end
经过一系列运算就得到Gx与Gy，再根据公式（1）与自己设置的阈值，就能实现Sobel边缘检测。
三、实验结果
在视频采集系统里面加入Sobel边缘检测模块，编译并下载程序，运行系统，实验结果如图5所示。
实验效果显示可以很好的进行边缘检测，经过边缘检测处理后也为后续更复杂的图像处理打下了基础。
四、结束语
通过利用FPGA的并行特性，完成了3X3模版像素的提取和Sobel边缘检测算子的处理。通过FPGA的流水线结构和并行特点处理了大量的数据，最终实现了Sobel边缘检测。为更加复杂的图像处理进行了铺垫。
参考文献：
[1]冈撒雷斯.数字图像处理.北京：电子工业出版社.
[2]王涛，全书海.基于改进Sobel算子的车牌定位方法.微计算机信息，2008，24（5）：63—65.
[3]夏宇闻.Verilog数字系统设计教程[M].北京：北京航空航天大学出版社，2003.
[4]Ahera Corporation.Embedded Design Handbook，2009.
基于边缘检测的显著区域提取方法 第7篇
在当今数字化信息飞速发展的今天,图像信息已成为社会的主要数据资源。在海量的图像信息中,如果能够准确把握图像的显著区域,将有限的资源应用到对图像的处理过程中,将能够节约大量的资源、提高工作的效率。现有的图像显著区域检测提取技术大致可分为两类:1)由于显著区域与周围背景灰度显著不同,使用图像分割技术提取显著区域;2)基于人眼的视觉特性,模拟人眼的识别模式,将视觉敏感的区域作为显著区域。
视觉关注作为视觉系统的重要功能之一,主要作用是帮助人们以最有效率的方式获取外界信息。认知心理学家对此做了大量的研究并提出了许多模拟视觉注意的模型。这些模型主要可以分为两类:1)基于任务的与人的主观意识有关且受到意识控制的自上而下的模型;2)与任务无关且不受意识控制的自下而上的模型[2]。目前大部分的研究都是基于自下而上的模型。其中最具影响力的是Itti和Koch等人利用视觉感受野、侧抑制神经网络理论提出的Saliency模型[3,4]。但是该模型存在着漏检测以及最终的显著区域的范围是固定形状的缺点。
本文借鉴Itti模型算法,在综合其优缺点的基础上,结合相关领域的研究成果提出一种改进型的显著区域提取算法。在Itti模型的基础上加入底层边缘特征提取来改善显著区域检测效果并实现显著区域的提取。
1 Itti模型原理
Itti模型首先对图像进行多尺度变化并提取图像底层特征构建底层特征的多尺度图像,然后利用中央周边操作算子得到底层特征图,再跨尺度合并及归一化计算得到底层特征的显著图,最后利用线性融合得到图像的显著图。此时再利用神经网络“胜者全取”(Winner-Take-All)的方法就能得到图像的显著区域。
2 Itti模型视觉特征的提取
Itti模型提取图像的亮度、方向和颜色三个方面的底层特征,其中各个底层特征的提取方法为:
2.1 亮度特征的提取
亮度特征的计算公式为:
式中:r(t),g(t)和b(t)分别表示原始图像中的红、绿和蓝三色的通道,t表示图像的尺度(原始图像的尺度定为0)。
2.2 方向特征的提取
图像的方向特征可以由Gabor滤波器得到。Gabor滤波器对某些特征方向及频率的信号高度敏感,将图像投影到Gabor滤波器,能够提取到该图像在Gabor滤波器上对应频率及方向上的特征[5]。其表达式为:
式中,x0和y0为感受野的中心位置,I(x,y)为输入图像。当图像在某一频率和方向上有最明显特征时,Gabor滤波器将会有最大响应。从而实现对图像方向特征的提取。
通常采用二维Gabor滤波器(0,π/4,π/2,(3π)/4)对图像I(x,y)进行卷积,将输出作为图像的方向特征图。
2.3 颜色特征的提取
所谓显著区域,就是指图像中变化明显的区域,也就是频谱中的高频成分。因此,可以用Achanta等人提出的频域调和(Frequency-tuned)的显著性检测方法来获取图像的颜色特征图[6,7]。先将颜色变化到均匀的CIELab颜色空间,再对变换后的图像进行高斯低通滤波,最后求原图与滤波后的图像的差的平方作为颜色的显著图,记为C(x,y):
式中:Iu为像素值的算术平均;Iwhc为原始图像经过高斯模糊得到的。
3 对Itti模型的改进
人眼在观察一幅图片的时候最先注意到的是图像的颜色、亮度、方向特征。但在这三个特征都不是很明显的情况下,人眼也能够根据图像的其他特征找到自己感兴趣的区域或者特定的物体。这是因为人眼对物体的轮廓形状信息也具有很强的感知能力,所以物体的轮廓特征也一样能够帮助人眼进行识别。
人眼是基于物体与周围的亮度差别来感知物体边界,而边缘检测依据的是图像边缘的对比度,两者具有相似性。此外,利用边缘信息所提取的特征能够很好地描述图像中物体的轮廓形状信息。根据人眼的这一视觉特性对Itti模型进行改进,在原有的颜色、亮度、方向特征的基础上加入轮廓特征用以描述物体的轮廓信息。以期在显著图中准确描述出物体轮廓信息,实现对显著区域更加完整的分割。
常用的边缘检测方法有:Prewitt边缘检测、Sobel边缘检测以及Canny边缘检测等。本文所选用的是Canny边缘检测[8]。
3.1 Canny边缘检测算子
图像的边缘是图像亮度变化最为显著地部分,如果将这部分区域的灰度值在很小的区域内急剧增加,变化幅度很大。图像的边缘区域包含着图像的绝大部分信息,所以边缘的检测与提取对于整个图像的识别和理解起着重要的作用。Canny边缘检测算子是当前应用较为广泛的边缘检测技术,同时也是最优的阶梯型边缘(Step Edge)检测算子[9]。能够实现有效的噪声抑制效果以及尽量精确的边缘定位。
Canny边缘检测算子首先使用高斯滤波器对图像进行平滑滤波;然后使用导数算子对滤波后的图像进行微分,计算梯度的幅值和方向;然后对梯度使用“非极大值抑制”得到图像全部疑似边缘点;最后利用双阈值法得到图像边缘。
3.2 改进型Itti模型的实现
原Itti模型为描述图像显著区域提取图像底层特征,构建显著区域。改进型Itti模型则是在对图像进行多尺度化后提取图像颜色、亮度、方向、边缘四个底层特征,然后构建四个底层特征的底层特征图,后续步骤基本与Itti模型一致。
4 实验结果和分析
为了验证本文方法的正确性和有效性,在Inter(R)Core(TM)i3 CPU、2.53GHz、2G内存的微机上,利用matlab2012a分别对单一目标在简单背景下的自然图像进行了实验。如图2所示。
(a)原图;(b)Itti模型所得显著图;(c)加入Canny检测结果;(d)为改进型模型显著区域提取效果
由上述实验结果所示,在Itti模型基础上加入轮廓特征后(c)相对于(b)能够更好地描述物体的形状信息。而且(d)所显示的显著区域分割也较为完整地保留了全部感兴趣区域。
人脸边缘检测方法研究与仿真 第8篇
1 边缘检测综述
边缘检测强调的是图像对比度(contrast)[3],利用物体和背景在某种图像特征上的差异来实现检测,这些差异包括灰度、颜色或纹理特征。因此,边缘检测的实质就是检测图像特征发生变化的位置。常用的微分边缘检测算法主要是基于图像强度的一阶和二阶导数,这种计算对噪声很敏感,噪声存在可能会使检测到的边缘变宽或在某些点处发生间断,因此需要采用滤波器滤除噪声。
1.1 中值滤波
中值滤波是线性空间滤波的一种实现方式[5]。它是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术[6]。这种滤波器的优点是运算简单、速度快,在滤除叠加白噪声和长尾叠加噪声方面显示了极好的性能。同时在一定的条件下,可以克服线性滤波器所带来的图像细节模糊,而且对滤除脉冲干扰及图像扫描噪声极其有效。另外,中值滤波器很容易自适应化,从而可以进一步提高其滤波性能。因此,它非常适应于一些线性滤波器无法胜任的数字图像处理应用场合[7]。
中值滤波器是把邻域中的像素按灰度级进行排序,然后选择该组中的中间值作为输出像素值的一种邻域运算[6]。具体步骤:1)将模板在图像中移动,并将模板中心与图像中某个像素的位置重合;2)读取模板各个对应像素的灰度值;3)将这些灰度值从小到大排成一列;4)找出这些值单排在中间的一个;5)将这个中间值赋给对应模板中心位置的像素。
1.2 算法分析
常用的微分边缘检测算子分为一阶微分算子和二阶微分算子,一阶微分算子有Roherts算子、Sobel算子、Prewitt算子、Canny算子,二阶微分算子有Laplacian算子、Log算子,各种算子都是基于对图像导数分割原理进行的实例化计算,其中:Roberts算子边缘定位准,但是对噪声敏感,适用于边缘明显且噪声较少的图像分割;Sobel算子是一种离散型的差分算子,它用来运算图像亮度函数梯度的近似值,但是Sobel算子并没有将图像的主题与背景严格地区分开来;Prewitt算子对噪声有抑制作用,抑制噪声的原理是通过像素平均来实现;Canny算子是一个具有滤波,增强,检测的多阶段的优化算子,在进行处理前,先利用高斯平滑滤波器来平滑图像以除去噪声。Canny分割算法采用一阶偏导的有限差分来计算梯度幅值和方向,在处理过程中,Canny算子还将经过一个非极大值抑制的过程,最后Canny算子还采用两个阈值来连接边缘;Laplacian算子具有各向同性,即与坐标轴方向无关,坐标轴旋转后梯度结果不变,但是,其对噪声比较敏感;Log算子把Gauss平滑滤波器和Laplacian锐化滤波器结合了起来,先平滑掉噪声,再进行边缘检测[4]。
根据实验对象的特征与各种边缘检测算子的特点,该实验采用Canny算子。它主要由三个目标形成[3]:
1)无附加响应的最优检测。它通过最优平滑处理来减少噪声响应;
2)检测边缘位置和实际边缘位置之间的距离最小的正确定位。它通过非极大值抑制(non-maximum suppression,相当于峰值检测)处理来实现边缘检测的正确性。
3)减少单边缘的多重响应而得到单响应。它用于限制单个边缘点对于亮度变化的定位。
Canny算法的实现是利用Canny标准提出的二维递归滤波器(recursive filter)。它利用边缘方向信息来处理,验证所有点是否是峰值。假设有一个33区域,如果一个点两侧的梯度小于该点上的梯度,那么它为极大值。这就表明,需要得到边缘法线上的梯度值。如下图1显示的是感兴趣点Px,y的相邻点,在Px,y处的边缘方向以及Px,y处边缘方向的法线。如果其梯度Px,y大于点1和点2处的梯度M1和M2,那么点M(x,y)被标为极大值。由于相邻点都是离散的,需要对M1和M2进行插值。利用MX处的My和Px,y及其值进行一阶插值,得出:
和
如果M(x,y)大于M1和M2,则点Px,y被标为极大值,否则被设置为0。通过这种方式把边缘强度数据的峰值返回,而把其他不在峰点的值设为0。非极大值抑制的实现首先需要一个函数,生成两点坐标,这两点之间插入边缘强度,这个函数需要边缘方向法线角度,返回的是法线前后两点的坐标。图2所示的是滞后阈值(hysteresis thresholding)传递函数,点的亮度值大于上限阈值时被设为白色,而达到下限阈值时则被设为黑色。箭头表示可能的移动方向:亮度变化是单一方向的,从黑到白或者相反。
非极大值抑制和滞后阈值处理包括边缘数据岭,即边缘强度。非极大值抑制的作用是沿顶脊选取特征点。首先假设顶脊点大于上限阈值,把阈值处理后的输出设为白色直到峰值小于下限阈值(lower threshold)。然后,把阈值处理后的输出设为黑色直到峰值大于上限阈值(upper threshold)。滞后阈值处理需要两个阈值,即上限阈值和下限阈值。当非极大值抑制所定义的边缘点大于上限阈值时开始处理,标记为边缘点(通常为白色,取值为255),形成边缘线的第一点。然后查找该点的相邻点以确定它们是否大于下限阈值,如图3所示。任何大于下限阈值的相邻点都标记为边缘点,然后再查找它的相邻点以确定它们是否大于下限阈值。利用这种方式,第一个确定的边缘点(大于上限阈值)成为一个用于查找的种子点(seed point),它的相邻点如果大于下限阈值也一次成为种子点,然后沿着大于下限阈值的相邻点连接起来的支径不断地查找下去。在每个支径上,如果遇到没有其相邻点大于下限阈值的点,则中断查找。
在实现过程中,各个支径的长度是未知的,所以滞后阈值处理需要递归计算(recursion)。先找到初始种子点并设为白色,然后查找其相邻点并核对每个点的坐标是否在图像范围。
通过以上分析,使用Canny算子检测边缘实现过程如下:
1)用高斯滤波器平滑图象,边缘就成为数据岭;
2)用一阶偏导的有限差分来计算梯度的幅值和方向;
3)对梯度幅值进行非极大值抑制,对边缘方向法线两侧的两个点插入边缘强度,若感兴趣点边缘强度比这两个值大,则返回该兴趣点,否则丢弃;
4)用双阈值算法递归检测和连接边缘:选择种子点,设为白色,依次查找相邻点,循环设置种子点,完成整幅图像的所有点的检测,将检测到的种子点连接为图像边缘。
2 MATLAB仿真实验
该试验在日本JAFFE表情库的基础上,采用多张不同表情的图片进行对比验证该文所设计的边缘检测方案的有效性。实验采用图片如图4所示:
对灰度图运用unsharp滤波算子中值滤波后采用Canny算子边缘检测,在边缘检测过程中,阈值选择尤为重要,它是边缘检测的基准,直接关系到检测效果。实验结果如图5所示:
实验结果表明,对读入的灰度图,运用unsharp建立预定义滤波算子增强图像模糊对比度,并采用预定义滤波算子进行中值滤波去除图像中的噪声。在此基础上,运用Canny算子进行边缘检测,有效的提取了图像的边缘信息。该实验方案在噪声抑制和边缘检测方面取得交好的平衡。
3 结论
该文主要介绍了中值滤波和边缘检测方面理论知识,阐述了一种实现人脸表情图像边缘检测的有效方案。该方案采用Canny算子边缘检测在精度方面比较出色,它很方便获取人脸表情的显著特征,包括形状、位置、大小、距离等,为准确识别人脸表情提供一种预处理方法。
参考文献
[1]韦妍.人脸表情识别概述[J].网络安全技术与应用,2011(8):77-79.
[2]朴林植,赵杰煜.基于统计形状分析的人脸基本表情分析[J].宁波大学学报:理工版,2009,22(2).
[3]Mark S.Nixon,Alberto S.Aguado.Feature Extraction and Image Processing Second Edition[J].电子工业出版社,2010:92-109.
[4]龙清.图像边缘检测中的微分算子法及其比较[J].信息技术,2011(6).
[5]Rafael C.Gonzalez,Richard E.Woods,Steven L.Eddins.Digital Image Processing Using MATLAB[J].电子工业出版社,2005:65-70.
[6]江景涛,姜学东,李福荣.利用中值滤波去除图像噪声的研究及MATLAB实现[J].莱阳农学院学报:自然科学版,2006,23(1).
边缘检测方法 第9篇
1 关于视觉系统原理的相关讨论
视觉系统原理可分为内在表象和外在表现。其中视觉的内在表象就是通常所说的视觉感知, 视觉的外在表现即通常所说的视觉现象 (又称视觉特性) 。首先关于视觉的内在表象, 视觉感知具有高级层次和低级层次之分。低级的视觉感知层次是以视觉系统开始的, 在视网膜上获得所能观察到的世界的光学成像作用, 即以视觉系统从外界截取图象。下一步转接到视觉, 将光影图像信心转化为电信系以传递到视网膜的神经活动领域, 最终以神经纤维的传送方式将图象送达大脑感知。而相对于低层次的视觉感知, 高层次的视觉感知活动则是以低层次活动为基础, 通过神经系统的感知行为, 这一层次至今还在深度研发之中。
视觉的外在表现, 视觉现象, 即我们所说的、反射进大脑通过神经传说所看到的图象。是一种由外界世界能量场相互转化所映射出的现象。通过视觉与光波的传送和接收分析光谱、捕捉瞬间变化运动, 获得不同的图象、色彩和亮度感觉。而近年中, 随着信息技术科技的不断进步, 计算机视觉研究的课题被提上日程, 通过不断的研究也取得了对视觉系统了解的进展。
2 关于边缘检测的相关论述
关于边缘的解释首先源于图象, 是指目标图像的边界线以及图象像素明亮度的突然性的转变。在学术上边缘又可以解释为一个拥有可见像素范围并且通过周边图像活动功能为计算主体的独特性质, 是一种向量突变 (一个边缘的梯度与方向的矢量) 。而相关领域的研究家Dr.Latecki也在其论著中作了解释。
边缘检测是对灰度急剧变化边缘部分进行检测从而得到轮廓线的方法, 这种检测方法的应用随着计算机网络信息技术的发展而变得更加普遍, 检测方法也得到不断发展。比较普遍的检测方法是以微分算符的离散逼近为基础利用卷积模板进行的。微分算符在此过程中起到一个对图象亮度功能变化率的测量作用。一些微分算符负责折返定向信息。而其他的部分仅仅是折返关于边缘点存在的信息。这些方式中比较显著有效并广泛使用的分以下几种:
2.1 Roberts算子
这种方法仅仅是标识边缘点, 并且没有边缘定向的讯息测算依据是二进制计算法, 但极容易受到噪音的影响并且在边缘梯度的计算上很少运用分辨率作为数据。
其运行方式如下:
2.2 Sobel算子
本方法应用于寻求边缘的平面与垂直面, 然后将信息整合成为单一的指标。与之相近的计算方法还包括Prewitt算子。
3 以初级视觉系统原理进行边缘检测
无论哪一种测算方式都离不开视觉系统的传达与输送。因此, 有效地将两者结合, 以视觉系统的初级原理为根基进行边缘检测所形成的方法是最为有效的, 也是最为实用的。这样既能确保计算结果的精准程度, 又能化繁为简节省计算时间, 简单易懂, 较好掌握, 从而在相互辅助的基础上继续不断发展出新的检测方法。通过对大脑皮层V1中完成边缘检测的简单细胞模型化建立起的Edge cell模型成功的实现了多个空间周波数下的边缘检测。在此基础上依据所得到的边缘线段实现了局部范围的曲率测算与运动跟踪。
从视觉系统的运作过程出发, 进行对于图象的边缘检测方法以及对于其他检测目标的计算, 能够更好的将数据和人的思维能力、思维方式以及生理上的思考行为相结合, 更加多的注重客观存在基础上、人的主观感知、认知的发挥、作用与反作用, 最终达到理想的、不繁琐的、顺畅的甚至最佳的检测效果。
4 结语
立足于边缘检测的评价标准, 参照边缘检测系统的诸多设计要求, 在受到初级视觉系统的启发以及与之相结合进行对阈值的确定之下形成了一种新的、比较稳定的测算准则, 并在此基础上构建出采用视觉感知与认知原理自动变更以适应阈值的边缘检测方式进行检测, 并且通过计算机的对算法则进行了验证, 通过与传统边缘检测方进行对比, 也验证了此类方法的实用性和有效性。与传统边缘检测法法相比较, 这种结合法会将检测目标的不同特点尽量广泛的、显著的呈现出来, 采用自我适应阈值的同时, 还能够较好地保留微弱边缘, 对强弱边缘的同时存在有较好地适应能力, 计算方法简单实用, 易于掌握, 计算量相对较小, 并降低了问题的复杂程度, 检测结果也比较准确。
参考文献
[1]罗佳骏, 武薇, 范影乐, 高云园.基于视觉感光层功能的菌落图像多强度边缘检测研究[J].中国生物医学工程学报, 2014 (06) :677-686.
[2]张宏群, 张雪, 肖旺新.小波变换的自适应阈值图像边缘检测方法[J].红外与激光工程, 2003 (01) :32-36+41.
5种常见边缘检测方法的比较分析 第10篇
1 5种边缘检测算法的介绍
1.1 Roberts交叉微分算子
Roberts于1963年提出的交叉边缘检测方法。该方法采用偶数模板[4],见图1,所求的(x,y)点处梯度幅度值,其实是图中交叉点处的值,从而导致在图像(x,y)点所求的梯度幅度值偏移了半个像素(见图2)。
1.2 Sobel微分算子
该算子包含两组33的矩阵,分别为横向及纵向,将它与图像作平面卷积,便可得到横向和纵向的亮度差分近似值[5]。把A作为原始图像,则Gx和Gy分别作为横向和纵向边缘检测的图像,图像的每一个像素的横向和纵向梯度近似值为:
梯度方向为:
1.3 Prewitt微分算子
Priwitt微分算子定义[6]如下:
1.4 Canny算子
Canny所提出的边缘检测方法类似于Marr边缘检测方法,也是属于先平滑然后求导数的方法[7]。Canny方法由下列步骤实现。
(1)图像平滑
Canny用的图像平滑高斯函数为:
(2)边缘点定位
Canny用梯度方向的二阶导数的零交叉作为判别边缘点的准则[8]。其边缘满足的条件为:
(3)缘强度
若某像素满足边缘定位条件,则该像素的边缘强度为:
1.5 Log算子
Log边缘检测算法[9]把Gauss平滑滤波器和Laplacian锐化滤波器结合[10]了起来,先平滑掉噪声,再进行边缘检测。常用的LOG算子是55的模板如下:
2 均方误差和峰值信噪比
2.1 均方误差
在相同测量条件下进行的测量称为等精度测量[11].设n个测量值的误差为ε1,ε2,...,εn,则这组测量值的标准误差σ等于:
数理统计中均方误差是指参数估计值与参数真值之差平方的期望值,记为MSE(Mean Squared Error)。
2.2 峰值信噪比
PSNR(Peak Signal to Noise Ratio)是用于最大值信号和背景噪音之间的一个工程项目[12]。PSNR值可判定哪个边缘算子比较适合该图像,PSNR公式如下:
其中:
Peak就是指8 b表示法的最大值255[12]。MSE指Mean Square Error(均方误差,各值相差的n次方和的平均值,I(角标n)指原始影像第n个pixel值,P(角标n)指经处理后的影像第n个pixel值。PSNR的单位为d B。所以PSNR值越大,就代表失真越少。
3 边缘检测算法比较的实验结果
3.1 实验人脸
在实验中需要大量的人脸进行反复实验,从中选出以下11幅人脸作为研究对象,如图3所示。
3.2 人脸边缘检测
首先需要对每一幅人脸进行边缘检测,直观地研究了5种边缘检测算子的特性,以下是5种边缘检测算子分别对第一张人脸的检测效果如图4所示。
3.3 人脸边缘检测时间
由于每一种边缘检测算子对同一幅人脸的处理方法和过程不同,因此可以通过5种算子在人脸边缘检测时所消耗的时间差异进行其特性研究,其检测时间比对如图5所示。
3.4 检测前后人脸均方误差的比对
MSE是衡量一幅图像质量和定位精度的一个保准。在对每一幅人脸进行边缘检测之后,将原始实验人脸与其边缘检测之后的人脸进行MSE的比对,其相应的比对效果如图6所示。
3.5 检测前后人脸峰值信噪比的比对
PSNR是一个体现图像抗噪声能力和失真的指标,因此在对每一幅人脸进行边缘检测之后,将原始实验人脸与其边缘检测之后的人脸进行PSNR的比对,其比对效果如图7所示。
3.6 实验比对结果
从图4~图7的实验比对中,可以得出5种边缘检测算子检测人脸时在去噪声能力、连续性、定位精度、均方误差、峰值信噪比、检测时间等方面的差异,如表1所示。
4 结语
(1)Canny算子检测边缘时消耗时间最多,说明它对图像边缘检测细致,但是Canny算子提取的边缘最为完整,而且边缘的连续性很好,效果优于以上其他算子,这主要是因为它进行了“非极大值抑制”和形态学连接操作的结果。
(2)Roberts,Sobel,Prewitt三种边缘算子的均方误差图几乎呈现一条直线,只有个别图像出现了弯曲。这说明此图像含有很多不同的噪声,但是其中Canny算子的均方误差图的所有值几乎都小于其他算子。均方误差越小,图像的质量越好。实验数据具有更好的精确度,它对噪声具有很强的过滤作用,而且也能真正检测出图像的弱边缘;同时Log算子的每幅图像的均方误差都比其他算子大。可以得出均方误差越大,它对噪声的抑制力下降,容易产生虚假边缘。
(3)Roberts,Sobel,Prewitt三种边缘算子的峰值信噪比图几乎呈直线,只有在个别图像处出现了弯曲,说明此图像受外界环境的影响很大。其中Canny算子在各个图像中的峰值信噪比比其他算子的都大,表明峰值信噪比越大,在检测图像过程中图像失真越少,更加说明了其具有很强的抗噪声性。
(4)对同一幅图像同时用5种边缘算子进行边缘检测,通过比较它们的均方误差和峰值信噪比,可以自动选取合适的边缘算子进行边缘检测。
摘要：为了自动快速地选取适合不同人脸的边缘检测方法的目的.采用了计算原始人脸图像与其边缘检测后所得图像的均方误差和峰值信噪比的方法,做了比较Roberts,Sobel,Prewitt,Canny,Log边缘检测方法的Matlab仿真实验,获得了上述5种边缘检测方法的均方误差、峰值信噪比和检测时间的比对图,得出了不同人脸在不同环境的条件下自动选取合适的边缘检测方法的结论,具有高效、快捷、便利的特点。
关键词：边缘检测,微分算子,均方误差,峰值信噪比
参考文献
[1]FRANK Y S,CHENG S.Extracting faces and facial features from color images [J].International Journal of Pattern Recognition and Artificial Intelligence,2008,22(3):515-534.
[2]CELIK T,DIREKOGLU C.Region-based super-resolution aided facial feature extraction from low-resolution video sequences [C]//Proceedings of IEEE International Conference on Acoustics,Speech,and Signal Processing.Philadelphia,USA:IEEE,2005:789-792.
[3]朱虹.数字图像处理基础[M].北京:科技出版社,2005.
[4]RAFAEL C G,RICHARD E W.数字图像处理[M].阮秋琦,译.北京:电子工业出版社,2005.
[5]YANG M H,KRIEGMAN D,AHUJA N.Detecting faces in images:a survey [J].IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI),2002,24(1):34-58.
[6]JOHNSON W B,LINDENSTRAUSS J.Extensions of Lipschitz mappings into a Hilbert space [J].Contemporary Mathematics,1984,26(12):18-25.
[7]晏洁,高文.基于一般人脸模型修改的特定人脸合成技术[J].计算机辅助设计与图形学学报,1999,11(5):389-394.
[8]胡永利,尹宝才,谷春亮,等.基于形变模型的三维人脸重建方法及其改进[J].计算机学报,2005,28(10):1672-1678.
[9]CHEDDAD A,MOHAMAD D.Exploiting Voronoi diagram properties in face segmentation and feature extraction [J].Pattern recognition,2008,41(12):3842-3859.
[10]胡峰松,林亚平,邹北骥.应用于人脸识别的基Candide-3特定人脸三维重建[J].湖南大学学报,2008,35(11):2-3.
[11]王成章,尹宝才,孙艳丰.改进的基于形变模型的三维人脸建模方法[J].自动化学报,2007,33(3):232-239.
边缘检测方法 第11篇
摘要：针对图像处理中的边缘检测问题，提出一种基于离散过程神经网络（DNPP）与混沌遗传算法（CGA）相融合的模型和算法。DNPP的输入可以直接为数据矩阵，实现二维图像关联信息网格化的整体输入和处理。以图像网格灰度值作为DPNN处理数据集合，利用Sobel算子检测的技术原理和DPNN的判别能力，实现图像边界线的自动辨识和追踪。文中给出基于混沌遗传搜索的DNPP求解算法，以油田地震数据体切片中砂体的识别和追踪为例，实际资料处理结果验证了检测模型和算法的有效性。
关键词：图像处理；边缘检测；离散过程神经网络；混沌遗传算法；砂体识别和追踪
中图分类号：TP183文献标识码：A
Abstract：In view of the edge detection problems in image processing， this paper proposed a detection model and algorithm based on the combination of discrete process neural network （DPNN） and chaotic genetic algorithm（CGA） . Inputting DNPP can be the data matrix， which can realize the goal of inputting as well as processing the twodimensional image correlation gridding information integrally. Putting image grey value as DPNN processing data collection and using the technology principle of Sobel operator detection as well as the recognition ability of DPNN， it can reach the goal that the image border line can identify and track automatically. Taking the identification and tracking of the sand body in the oil field seismic data for example， the results show the DNPP algorithm based on the chaos genetic search is effective in detecting model and algorithm.
Key words：image processing；edge detection；discrete process neural networks；chaos genetic algorithm；sand body tracking and identification
1引言
近年来，随着智能信息处理技术的快速发展和应用范围的不断扩大，面向图像处理技术领域，已有多种智能算法得到有效应用，例如，人工神经网络[1，2]、遗传算法[3]、蚁群算法[4]、粒子群算法[5]等，为图像数据中边缘检测方法和技术的创新提供了新的理论和算法基础。离散过程神经元网络[6]（Discrete Process Neural Network，DPNN）是近几年提出的一种新型动态神经网络模型，其输入可直接为数据矩阵，即能实现二维图像网格数据的整体输入。在实际应用中，将图像区域进行适当的网格划分，以图像网格灰度值作为DPNN处理数据集合。根据Sobel算子[7]检测的技术原理和DPNN模型构建数据结构，利用DPNN的信息处理机制，自适应实现图像区域中边界线的自动辨识和追踪。
将基于DPNN的图像边缘检测算法应用于油田地质研究中，在进行地震数据体砂体识别和追踪时，以相邻两井地震数据体二维切片为图像区域，以连井剖面地震数据体切片分块网格的灰度图像值作为DPNN处理数据集合，引入Sobel算子，将算子在X方向和Y方向上相邻的3×3分块图像灰度值进行整体输入，以保证输入图像信息的结构性和完整性。同时，利用混沌遗传算法（Chaos genetic algorithm，CGA）的全局优化能力，对DPNN的权值矩阵进行优化求解，建立基于DPNN和CGA相结合的边缘检测算法，在机制上对砂体识别和边缘界线展布追踪具有较好的适应性。
2离散过程神经网络基本模型
离散过程神经网络的输入/输出、连接权等均可以为离散时间序列或矩阵，其信息处理过程包括离散时间数据加权输入、时空聚合运算及模式类别输出等运算。将DPNN用于图像边缘点的检测，考虑含一个离散过程神经元隐层、线性单输出的系统，网络结构设计为n-m-1，即输入层有n个节点，隐层包含m个节点，1个非时变神经元输出节点，如图1所示。
3用于边缘检测的DPNN模型构建
在图像区域中，以像素的N×N网格分块邻域中像素的行向量作为DPNN的特征输入向量，即将N维行向量作为DPNN一个输入节点的输入向量，这样，DPNN的输入层共有N个节点，一次输入即可实现N×N阶网格图像信息的完整输入，避免了循环输入和预处理过程，可较大提高网格信息的关联和结构完整性。
用于边缘点检测的DPNN模型采用三层结构：输入层包含N个节点，隐层包含2N个离散过程神经元节点，输出层为1个非时变神经元，网络输出为N×N邻域中心像素处理后的灰度值，该像素值的输出决定是否为边缘点或非边缘点。对应于Sobel检测算子，网络结构如图2所示：
在训练算法设计中，DPNN权值矩阵W分块以Sobel算子模板系数作为初始权值，利用Sobel算子的边缘检测机制，通过优化调整，建立起基于DPNN的边缘检测模型和算法。
4基于CGA的DPNN求解算法
混沌状态是自然界中存在的一种随机现象，在看似杂乱的运动中隐含着概率选择、状态遍历和系统内在运动规律等性质。混沌搜索是将混沌性质引人到求解算法的控制规则中，通过对变量施加混沌扰动，使其按系统内在规律，在可行解空间不重复地搜索到所有状态[8]。
混沌遗传算法[9]是将混沌变量的运动性质和GA的遗传操作相结合，对参数进行染色体编码。根据遗传算法的进化机制，进行选择、交叉、变异等操作，通过在可行解空间的迭代寻优，最后收敛到最优解。
CGA具体求解步骤：
Step1 初始化：将DPNN中的待求解参数整合为一条染色体，每个参数占有一个基因位，采用十进制对参数进行编码；
Step2 定义适应度函数：根据DPNN训练目标，适应度定义为网络误差函数（2）的倒数；
Step3 选择操作：确定种群规模和初始种群G，以及适应度函数F；在G中，采用转轮规则选择染色体，染色体被选择的概率正比于其适应度值；
Step4 被选择的染色体混沌交叉操作：W′1=λ→W1+（1→-λ→）W2，W′2=λ→W2+（1→-λ→）W1；λi∈（-1，1）。
Step5 染色体混沌变异操作：设变异基因wi，变异后为w'i=wi+β（wUi-wi）或w'i=wi+β（wi-wLi）。其中wUi和wLi为wi上下界，β∈（-1，1）为混沌变量。
Step6 进行全局最优解更新；
Step7若满足终止条件，保存最优解停机；否则，返回步Step3。
5实际资料处理和分析
地震-测井信息结合的油藏综合评价是油田开发重要的基础性工作[10，11]。在基于地震数据体并结合测井信息的砂体识别和追踪中，首先将声波速度场的地震资料通过区域时深对比关系转换到深度域，经过层位校正，使井筒剖面上测井解释层位与地震层位对齐。然后，在相邻两口井确定的地震数据体二维切片图像上，根据测井砂体小层解释结果形成井剖面纵向分层数据。从某一测井砂体小层出发，采用图像区域沿层位方向遍历扫描检测策略，进行边界点的辨识，实现对砂体连通关系的追踪，以及对砂体尖灭、缺失等地质现象的判别。在实际资料处理中，选择某油田区块的地震、测井资料进行综合处理，依据图像区域大小和测井解释各小层砂体厚度分布情况，将相邻两井地震数据体二维切片图像划分成240×720矩形网格，图2所示的DPNN的结构确定为（3×3）-18-1，CGA算法的种群规模确定为20。采用37个已有精确层位解释的地震、测井数据样本对DPNN与CGA相结合的图像检测模型进行训练，完成建立检测模型和算法。对包括4口测井资料的工区地震数据进行处理，砂体追踪结果如图3所示。
图3中，对于厚层和地震层位信息清晰的砂体，井间砂体追踪结果表明连通性较好；但对于同向轴扭曲、信噪比较低的砂体，出现地层尖灭或缺失的情况较多，这与该区块油田的实际地质情况相一致。
6结论
本文建立了一种基于离散过程神经网络的二维数字图像边缘检测模型和算法。该模型可实现二维图像网格数据的整体输入，在机制上提高了输入图像信息的结构关联性和完整性。采用混沌遗传算法进行DPNN和检测算法参数的自适应优化计算，可满足针对不同实际应用问题建模时的灵活性和普遍适用性。文中建立的模型和算法也可应用于其他图像处理领域，具有较为广泛的实用性。
参考文献
[1]DOKUR Z. A unified framework for image compression and segmentation by using an incremental neural network[J].Expert Systems with Applications，2008，34 （1）：611-619.
[2]LI Huaqing，LIAO Xiaofeng，LI Chuandong，et al.Edge detection of noisy images based on cellular neural networks[J].Communications in Nonlinear Science and Numerical Simulation，2011，16（9）： 3746-3759.
[3]CHANG J， LI B. Shock train leadingedge detection in an isolator using genetic algorithm[J]. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering，2012，226（11）：1424-1431.
[4]GUPTA C， GUPTA S. Edge detection of an image based on ant colony optimization technique[J/OL]. International Journal of Science and Research，2013，2（ 6） ：114-120.
[5]DUAN Hongyu，YANG Fengxia.Development of CMOS image sensor system based on chaos particle swarm[J].International Journal of Hybrid Information Technology，2013，6（6）：237-248.
[6]何新贵，许少华.过程神经元网络[M] 北京：科学出版社，2007
[7]SUN Jing. Image edge detection based on relative degree of grey incidence and sobel operator[J]. Lecture Notes in Computer Science， 2012：762-768.
[8]许少华，何新贵.一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法[J].控制与决策，2013，28（9）：1393-1398.
[9]WU Tiebin，CHENG Yun， ZHOU Taoyun，et al.Optim ization Control of PID Based on ChaosGenetic Algorithm [J]. Computer Simulation， 2009，26（5）：202-205.
[10]LI Ming. Lithologic stratigraphic reservoir geophysical exploration technology and Application[M].BeiJing：Petroleum industry press，2005.
一种彩色图像的边缘检测方法及实现 第12篇
图像的边缘是图像的最基本特征。所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，是图像中灰度发生急剧变化的区域。图像灰度的变化可以用图像的梯度反映，边缘检测就是求连续图像f (x, y) 梯度的局部最大值和方向。
f (x, y) 沿r的梯度为：
使最大的条件是
梯度最大值及其方向由(1)、(2)式求得：
梯度最大值：
在离散情况下常用梯度算子来检测边缘，给定图像f (m, n)在两个正交方向H1和H2上的梯度φ1 (m, n) 和φ2 (m, n) 如下：
边缘的强度和方向由下式给出：
常用边缘检测算子有Roberts算子、Prewitt算子和Sobel算子等。
Roberts算子的卷积模板是：
Prewitt算子的卷积模板是：
Sobel算子的卷积模板是：
Roberts算子特点是边缘定位准，但对噪声敏感;Sobel算子的两个模板能够最好地响应图像的垂直边缘和水平边缘，因此能够取得比较好的效果。
另外有一种二阶导数算子拉普拉斯算子 (Laplacian) 也借助模板来实现，其模板定义有一个基本要求：模板中心的系数为正数，其余相邻系数为负数，所有系数的和应该为零。常用形式如下：
Laplacian算子在检测到图像强边缘的同时也可以检测到弱边缘，对噪声比较敏感，容易对ROI造成干扰。
2 彩色图像的边缘检测
彩色图像的边缘检测比灰度图像复杂，因为它不仅要考虑亮度，还要考虑不同的颜色，，这种图像以R (红) 、G (绿) 、B (蓝) 三基色的亮度为一组，代表每个像素在色彩空间的颜色。与索引图像不同，RGB图像的各象素的亮度值直接存在图像数组中，
图像数组的维数：m, z3, m、，z表示图像像素的长、宽。
传统的梯度边缘提取通常是对单一的灰度图进行处理，不能直接对彩色位图图像操作，通常的做法是在先将彩色图像转化成灰度图，然后再进行边缘提取。这样做的后果是丧失原图像中的一些边缘信息，通常提取出来的边缘不连续，还需进行边界跟踪和插值连接。
另一种做法是，先将位图图像投影分解3幅伪彩色图：R灰度图、G灰度图、B灰度图，对每一幅图像都可用梯度法将边缘提取出来，得到Gr、Gg、Gb三幅梯度图像，由于图像易受环境干扰、背景照明不均，这样提取出来的3种图像边缘不一致。对此可做这样的处理：将每一幅梯度图表示出的边缘综合起来，然后再取适当的阈值门限T，直接将彩色图像二值化就可得到很好效果的边缘。其数学描述如下:
对公式选定门限T, 最后得:
这种方法的优点是：1) 直接对彩色图像处理，避免了先将彩色图像转化为灰度图，再处理所造成的信息丢失。2) 由于采用了同一像素多个梯度求和算法，忽略了环境干扰对边缘提取的影响，能得到较好的边缘的特征。
对三种颜色分量采用Sobel算子进行灰度边缘检测后，通过人为选择阈值的方法生成二值边缘图像的C#实现关键代码如下：
摘要：在数字图像处理的研究和应用中, 人们往往仅对图像中的某些部分感兴趣, 这些感兴趣的部分常称为目标或对象 (ROI) , 它们一般对应图像中特定的, 具有独特性质的区域。图像处理的重要任务就是对图像进行分析和理解, 该文讲述了图像边缘检测和边缘跟踪的原由, 归纳出了几种图像边缘检测的算子, 最后介绍了一种基于RGB分量直接梯度法的彩色图像图像边缘检测方法以及该方法的C#实现。
关键词：边缘检测,数学算子,C#
参考文献
[1]龚声蓉, 刘纯平.数字图像处理与分析[M].北京:清华大学出版社, 2006.
[2]何斌.Visual C++数字图像处理[M].北京:人民邮电出版社, 2002.
[3]赵春江.C#数字图像处理算法[M].北京:人民邮电出版社, 2009.
边缘检测方法范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
