【正文】 進(jìn)行的二維圖像處理，更廣義地理解，它是指任意二維數(shù)據(jù)的數(shù)字處理。一幅數(shù)字圖像是一個(gè)用有限比特表示的實(shí)數(shù)或負(fù)數(shù)構(gòu)成的數(shù)組。 同傳統(tǒng)的模擬圖像處理相比，數(shù)字圖像處理有很多優(yōu)點(diǎn)。 1. 精度高：對(duì)于一幅圖像而言，不管是對(duì) 2bit 還是 8bit 圖像的處理，對(duì)計(jì)算機(jī)程序來(lái)說(shuō)幾乎是一樣的。增加圖像像素?cái)?shù)使處理圖像變大，只需改變數(shù)組的參數(shù)，而處理方法不變。 2. 再現(xiàn)性好：圖像均用數(shù)組活數(shù)組集合表示，這樣計(jì)算機(jī)容易處理。因此，在傳送和復(fù)制圖像時(shí)，只在計(jì)算機(jī)內(nèi)部進(jìn)行處理，數(shù)據(jù)不會(huì)丟失或遭破壞，這樣使數(shù)字圖像處理不會(huì)因圖像的存儲(chǔ)、傳輸或復(fù)制等一系列變換操作導(dǎo)致圖像質(zhì)量的退化，從而保持再現(xiàn)性。 3. 通用性、靈活性高：盡管可視圖像成像體系中的設(shè)備規(guī)模和精度各不相同，但把圖像信號(hào)直接進(jìn)行 A/D 變換或記錄成照片，對(duì)于計(jì)算機(jī)來(lái)說(shuō)都能用二維數(shù)組表示，即不管什么樣的圖像都可用 同樣的方法進(jìn)行處理。另外，對(duì)程序加以改變后可進(jìn)行各種各樣的處理，靈活性極高。 第二節(jié) 數(shù)字圖像處理研究的主要內(nèi)容 數(shù)字圖像處理主要研究的內(nèi)容有以下幾個(gè)方面： 1）圖像變換 由于圖像陣列很大，直接在空間域中進(jìn)行處理，涉及計(jì)算量很大。因此，往往采用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術(shù)，將空間域的處理轉(zhuǎn)換為變換域處理，不僅可減少計(jì)算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進(jìn)行數(shù)字濾波處理）。目前新研究的小波變換在時(shí)域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛 而有效的應(yīng)用。 2) 圖像編碼壓縮 圖像編碼壓縮技術(shù)可減少描述圖像的數(shù)據(jù)量（即比特?cái)?shù)），以便節(jié)省圖像蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 7 傳輸、處理時(shí)間和減少所占用的存儲(chǔ)器容量。壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進(jìn)行。編碼是壓縮技術(shù)中最重要的方法，它在圖像處理技術(shù)中是發(fā)展最早且比較成熟的技術(shù)。 3) 圖像增強(qiáng)和復(fù)原 圖像增強(qiáng)和復(fù)原的目的是為了提高圖像的質(zhì)量，如去除噪聲，提高圖像的清晰度等。圖像增強(qiáng)不考慮圖像降質(zhì)的原因，突出圖像中所感興趣的部分。如強(qiáng)化圖像高頻分量，可使圖像中物體輪廓清晰，細(xì)節(jié)明顯；如強(qiáng)化低頻分量可減少圖像 中噪聲影響。圖像復(fù)原要求對(duì)圖像降質(zhì)的原因有一定的了解，一般講應(yīng)根據(jù)降質(zhì)過(guò)程建立 降質(zhì)模型，再采用某種濾波方法，恢復(fù)或重建原來(lái)的圖像。 4) 圖像分割 圖像分割是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一。圖像分割是將圖像中有意義的特征部分提取出來(lái)，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進(jìn)一步進(jìn)行圖像識(shí)別、分析和理解的基礎(chǔ)。雖然目前已研究出不少邊緣提取、區(qū)域分割的方法，但還沒(méi)有一種普遍適用于各種圖像的有效方法。因此，對(duì)圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點(diǎn)之一。 5) 圖像描述 圖像描述是圖像識(shí) 別和理解的必要前提。作為最簡(jiǎn)單的二值圖像可采用其幾何特性描述物體的特性，一般圖像的描述方法采用二維形狀描述，它有邊界描述和區(qū)域描述兩類(lèi)方法。對(duì)于特殊的紋理圖像可采用二維紋理特征描述。隨著圖像處理研究的深入發(fā)展，已經(jīng)開(kāi)始進(jìn)行三維物體描述的研究，提出了體積描述、表面描述、廣義圓柱體描述等方法。 6) 圖像分類(lèi)（識(shí)別） 圖像分類(lèi)（識(shí)別）屬于模式識(shí)別的范疇，其主要內(nèi)容是圖像經(jīng)過(guò)某些預(yù)處理（增強(qiáng)、復(fù)原、壓縮）后，進(jìn)行圖像分割和特征提取，從而進(jìn)行判決分類(lèi)。圖像分類(lèi)常采用經(jīng)典的模式識(shí)別方法，有統(tǒng)計(jì)模式分類(lèi)和句法（結(jié)構(gòu)）模式分類(lèi) ，近年來(lái)新發(fā)展起來(lái)的模糊模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)模式分類(lèi)在圖像識(shí)別中也越來(lái)越受到重視。 第三節(jié) 課題研究的背景及意義 一．背景 圖像的邊緣檢測(cè)有著很長(zhǎng)的研究歷史，學(xué)術(shù)思想非?；钴S，新理論、新方法不斷涌現(xiàn)，一直是國(guó)內(nèi)外圖像處理領(lǐng)域研究的熱點(diǎn)，目前為止已經(jīng)提出了許多方法和理論，對(duì)該領(lǐng)域相關(guān)研究的回顧請(qǐng)見(jiàn)參考文獻(xiàn)。這一方面是由于邊緣檢測(cè)本身的重要性，另一方面也反映了邊緣檢測(cè)課題的深度和難度。至今提出的關(guān)于邊緣檢測(cè)的方法和理論尚存在不足之處，在某些具體情況下仍然無(wú)法很好的檢測(cè)出目標(biāo)物體的邊緣，難以找到一種普遍適應(yīng)性的邊蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 8 緣檢 測(cè)方法。因此，根據(jù)具體的應(yīng)用要求設(shè)計(jì)新的邊緣檢測(cè)方法，或?qū)ΜF(xiàn)有的方法進(jìn)行改進(jìn)以得到滿意的邊緣檢測(cè)結(jié)果，這些依然是研究的主流方向。 現(xiàn)有的邊緣檢測(cè)方法大致有以下幾類(lèi)： 傳統(tǒng)的圖像邊緣檢測(cè)方法大多歸結(jié)為圖像高頻分量的增強(qiáng)過(guò)程，微分運(yùn)算自然就成了邊緣檢測(cè)與提取的主要手段?；谶吘夵c(diǎn)往往對(duì)應(yīng)于一階微分幅值大的點(diǎn)，研究者最早提出了一些基于梯度的邊緣檢測(cè)算子，例如 Roberts算子、 Prewitt算子、 Sobel算子、 Kirsch算子等?；谔荻鹊倪吘墮z測(cè)算子是現(xiàn)在應(yīng)用比較廣泛的方法，它們運(yùn)算量小，操作簡(jiǎn)單 。但是由于基于梯度的邊緣檢測(cè)算子通常在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，所以采用上述算子檢測(cè)的邊緣一般需要作細(xì)化處理，這就影響了邊緣定位的精度。一階微分的局部最大值對(duì)應(yīng)著二階微分的過(guò)零點(diǎn)，這意味著在圖像邊緣點(diǎn)處有一階微分的峰值同樣會(huì)有二階微分的零交叉點(diǎn)，因此人們也提出了二階微分算子進(jìn)行邊緣檢測(cè)，例如拉普拉斯算子。與基于梯度的邊緣檢測(cè)算子相比，拉普拉斯算子對(duì)噪聲更加敏感，增強(qiáng)了噪聲對(duì)圖像的影響。實(shí)際應(yīng)用中使用基于梯度和二階微分的邊緣檢測(cè)算子時(shí)，通常需要先對(duì)圖像進(jìn)行濾波平滑處理。 最優(yōu)算子是在 經(jīng)典邊緣檢測(cè)算子的基礎(chǔ)上發(fā)展起來(lái)的，這類(lèi)方法的目的是根據(jù)信噪比求得檢測(cè)邊緣的最優(yōu)濾波器。高斯拉普拉斯算子，也被稱(chēng) LOG( Laplacian of Gaussian)算子，它先用高斯函數(shù)對(duì)圖像進(jìn)行平滑，再采用拉普拉斯算子根據(jù)二階導(dǎo)數(shù)過(guò)零點(diǎn)檢測(cè)邊緣。數(shù)學(xué)上已經(jīng)證明。 LOG算子是按照二階導(dǎo)數(shù)零交叉點(diǎn)檢測(cè)階躍型邊緣的最佳算子。 另外還有幾種方法就不詳細(xì)介紹了如基于小波的邊緣檢測(cè)、基于形態(tài)學(xué)的邊緣檢測(cè)、基于分形理論的邊緣檢測(cè)、基于模糊學(xué)的邊緣檢測(cè)、基于人工智能的邊緣檢測(cè)等。 二．意義 邊緣像素實(shí)質(zhì)上是指局部 圖像范圍內(nèi)灰度的急劇變化 (奇異點(diǎn) )，圖像邊緣就是二維圖像中奇異點(diǎn)的集合。物體形狀、物體邊界、位置遮擋、陰影輪廓及表面紋理等重要視覺(jué)信息在圖像中均有邊緣產(chǎn)生。圖像邊緣是圖像中最基本的特征，是分析理解圖像的基礎(chǔ)。邊緣檢測(cè)對(duì)于物體識(shí)別也是很重要的。所以邊緣檢測(cè)使數(shù)字圖像分析處理的前提，檢測(cè)結(jié)果的優(yōu)劣影響著下一步圖像壓縮、計(jì)算機(jī)視覺(jué)、模式識(shí)別的應(yīng)用，所以對(duì)它的研究具有現(xiàn)實(shí)意義和理論意義。 在圖像科學(xué)研究中，大量工作是對(duì)圖像、圖形的處理，包括數(shù)字圖像的處理、儲(chǔ)存、蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 9 傳輸?shù)?。特別 地，多媒體技術(shù)、計(jì)算機(jī)視覺(jué)和計(jì)算機(jī)模式識(shí)別已經(jīng)越來(lái)越普遍地應(yīng)用于人們的生活當(dāng)中。其技術(shù)特點(diǎn)要求信息的交互性、實(shí)時(shí)性和協(xié)同性。從圖像處理的現(xiàn)狀及數(shù)據(jù)存儲(chǔ)傳輸理論知道，多媒體應(yīng)用中的關(guān)鍵技術(shù)是圖形、圖像數(shù)據(jù)的壓縮和編碼以減少數(shù)據(jù)存儲(chǔ)量、降低數(shù)據(jù)傳輸率，滿足各行各業(yè)對(duì)圖像處理的要求。 圖像信息是可以進(jìn)行壓縮的，因?yàn)樵紨?shù)據(jù)存在著大量的冗余信息，同時(shí)人的視覺(jué)具有”掩蓋效應(yīng)”，所以在圖像傳輸時(shí)可以對(duì)某些信息進(jìn)行一定程度上的丟失，以達(dá)到較大的壓縮比。對(duì)圖像中物體的邊緣檢測(cè)能夠提取物體的關(guān)鍵特征或輪廓，可以用較少的比特?cái)?shù) 表示圖像，達(dá)到壓縮圖像數(shù)據(jù)的目的。 人工智能領(lǐng)域中，計(jì)算機(jī)視覺(jué)十分關(guān)注開(kāi)發(fā)分析圖像內(nèi)容的算法，其中統(tǒng)計(jì)模式識(shí)別時(shí)應(yīng)用最為廣泛的方法，用數(shù)字圖像處理技術(shù)可以很好地實(shí)現(xiàn)模式識(shí)別。給定一幅含有多個(gè)物體的數(shù)字圖像，模式識(shí)別過(guò)程主要有三個(gè)階段組成： （ 1）圖像分割或圖像分離。檢測(cè)出各個(gè)物體，并與其它景物分離。 （ 2）特征抽取。對(duì)物體進(jìn)行度量并形成一組 N維特征。 （ 3）分類(lèi)。輸出一種決策，確定物體應(yīng)歸屬的類(lèi)別。 只有精確的圖像邊緣檢測(cè)才能真正實(shí)現(xiàn)機(jī)器人視覺(jué)及圖像測(cè)量、衛(wèi)星遙感技術(shù)、 精確制導(dǎo)等技術(shù)。 在數(shù)字識(shí)別系統(tǒng)中，圖像邊緣提取占據(jù)著重要的地位，它位于系統(tǒng)的最底層，為其他模塊所依賴(lài)。圖像邊緣提取作為計(jì)算機(jī)視覺(jué)領(lǐng)域最經(jīng)典的的研究課題長(zhǎng)期受到人們的重視。經(jīng)典的邊緣檢測(cè)算法有 Roberts、 Sobel、 Prewitt、拉普拉斯和 LOG邊緣檢測(cè)方法等。近年來(lái)仍有許多學(xué)者不斷提出新的理論和方法，可見(jiàn)參考文獻(xiàn)，學(xué)術(shù)思想活躍，這一方面反映了課題本身的重要性，另一方面也反映了這個(gè)課題的深度和難度。 第四節(jié) 論文總體結(jié)構(gòu) 在第二章第一節(jié)主要介紹邊緣檢測(cè)的基本概念，第二節(jié)闡述邊緣的定義及類(lèi)型分析，而第三節(jié)介紹 邊緣檢測(cè)的一般步驟。從 第三章開(kāi)始是邊緣檢測(cè)算法綜述 ，我列舉幾種經(jīng)典算法如 Roberts 算子， Prewitt 和 Sobel 算子， Kirsch 算子 ， Laplace 算子 ，高斯拉普拉斯算子等。第四章介紹 算法 的 VC++實(shí)現(xiàn)和結(jié)果分析。 蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 10 第二章 邊緣檢測(cè)的基本概念 第一節(jié) 數(shù)學(xué)基礎(chǔ) 圖像中的邊緣檢測(cè)一般如下完成：執(zhí)行圖像場(chǎng)的空間差分，接著執(zhí)行一個(gè)閾值運(yùn)算，來(lái)確定幅度劇烈改變的點(diǎn)。水平和垂直空間導(dǎo)數(shù)可定義為： x yxFdx ??? ),( 式（ 21） y yxFdy ??? ),( 式（ 22） 沿與水平軸成角度φ的一個(gè)向量方向 z,圖像場(chǎng)的方向?qū)?shù)給定為 ?? s inc os),()},({yddz yxFyxF x ?????? 式（ 23） 那么梯度幅值為 22)},({ yx ddyxF ??? 式（ 24） 在水平和垂直方向的空間二階導(dǎo)數(shù)定義為 22 ),(x yxFdxx ??? 式（ 25） 22 ),(y yxFd yy ??? 式（ 26） 這兩個(gè)空間導(dǎo)數(shù)的和稱(chēng)為拉普拉斯算子： 22222 ),(),()},({y yxFx yxFyxF ??????? 式（ 27） 在泛函分析中，卷積 (卷積 )、旋積或摺積是通過(guò)兩個(gè)函數(shù) f 和 g 生成第三個(gè)函數(shù)的一種數(shù)學(xué)算子，表徵函數(shù) f 與經(jīng)過(guò)翻轉(zhuǎn)和平移與 g 的重疊部分的累積。如果將參加卷積的一個(gè)函數(shù)看作區(qū)間的指示函數(shù)，卷積還可以被看作是 “ 滑動(dòng)平均 ” 的推廣。 函數(shù) f 與 g 的卷積可以定義為 )()()()()( ?? ???? ? tgftgtftz 式（ 28） 蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 11 第二節(jié) 邊緣定義及類(lèi)型分析 邊緣是指其周?chē)袼鼗叶扔须A躍變化或房頂變化的那些像素的集合。在一幅圖像中，邊緣有 方向和幅度兩個(gè)特性。一般認(rèn)為沿邊緣走向的灰度變化較為平緩，而垂直于邊緣走向的灰度變化劇烈。即灰度梯度指向邊緣的垂直方向。 這種不連續(xù)常可以利用求導(dǎo)數(shù)的方法方便的檢測(cè)到，一般常用一階和二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣。 我們來(lái)看 圖 21第一排是一些具有邊緣的圖像示例，第二排是沿圖像水平方向的一個(gè)剖面圖，第三排和第四排分別為剖面的一階和二階導(dǎo)數(shù)。 常見(jiàn)的邊緣剖面有 3種 :第一種是階