【正文】 探測、農(nóng)作物估產(chǎn)、水文氣象檢測等，圖像增強和圖像識別技術(shù)達到了飛速發(fā)展。1971 年 X 光斷層圖像重構(gòu)技術(shù)的出現(xiàn)，英國 GN． Hounsfield 推出了第一臺腦斷層攝像儀，因此獲得 1979 年諾貝爾獎，也促進 了 CT(Computer Tomograph)的研究和發(fā)展。20 世紀 70 年代末，隨著人工智能的興起和發(fā)展，開始了計算機視覺的研究，由 2D圖像獲取 3D空間信息。 20 世紀 80 年代末和 20世紀 90年代，高速計算機和大規(guī)模集成電路的發(fā)展，使圖像處理技術(shù)更趨成熟：圖像壓縮、多媒體技術(shù)、文本圖像的分析和理解、文字的識別等取得了重大的進展；而全球通訊技術(shù)的蓬勃發(fā)展，使圖像通訊和傳輸?shù)玫綇V泛應(yīng)用。可以預期，數(shù)字圖像處理技術(shù)將經(jīng)歷一個飛躍發(fā)展的階段，進一步深入人民生活，創(chuàng)造新的文化環(huán)境，成為提高生產(chǎn)的自動化、智能化水平的基 礎(chǔ)科學之一。正在逐步形成的“圖像產(chǎn)業(yè) ，由于其應(yīng)用的廣泛性，深入家庭生活而又集中了各種先進技術(shù)，將是一個在 21 世紀中扮演主角的基礎(chǔ)工業(yè)，其前途將不可限量 [4]。 以下是數(shù)字圖象處理幾個常見的應(yīng)用領(lǐng)域： （ 1）航天航空技術(shù)領(lǐng)域：數(shù)字圖像處理技術(shù)在航天航空技術(shù)方面的應(yīng)用，除 JPL對月球、火星照片的處理之外，另一方面是在飛機遙感和衛(wèi)星遙感技術(shù)中。圖像在空中先處理 (數(shù)字化編碼 )成數(shù)字信號存人磁帶中，在衛(wèi)星經(jīng)過地面站上空時，再高速傳 送下來，然后由處理中心分析判讀。這些圖像無論是在成像、存儲、傳輸過程中，還是在判讀分析 中，都必須采用很多數(shù)字圖像處理方法?，F(xiàn)在世界各國都在利用各類衛(wèi)星所獲取的圖像進行資源調(diào)查、災(zāi)害檢測、資源勘察、農(nóng)業(yè)規(guī)劃、城市規(guī)劃。在氣象預報和對太空其它星球研究方面，數(shù)字圖像處理技術(shù)也發(fā)揮了相當大的作用。 （ 2） 通訊工程領(lǐng)域： 當前通信的主要發(fā)展方向是聲音、文字、圖像和數(shù)據(jù)結(jié)合的流媒體通信。 目前網(wǎng)絡(luò)上多媒體業(yè)務(wù)占整個通訊業(yè)務(wù)流量的比例越來越大，如可視電話，視頻點播等，其主要數(shù)據(jù)成分是數(shù)據(jù)量大，占用帶寬多圖像，這就需要對圖像進行壓縮編碼，提高傳輸效率。 （ 3） 在工業(yè)工程領(lǐng)域： 在工業(yè)工程領(lǐng)域中圖像處理技術(shù)有著廣泛 的應(yīng)用，它大大提高了工作效率，如自動裝配線中質(zhì)量檢測，流體力學圖片的阻力和升力分析，郵政信件的自動分揀，在一些惡性環(huán)境內(nèi)識別工件及物體的形狀和排列狀態(tài)，先進設(shè)計和制造技術(shù)中采用工業(yè)視覺等等。其中值得一提的是研制具備視覺、聽覺和觸覺功能的智能機器人，將會給工農(nóng)業(yè)生產(chǎn)帶來新的面貌，目前已在工業(yè)生產(chǎn)中的噴漆、焊接、裝配中得到有效的利用。 （ 4） 在公安方面領(lǐng)域：一些地方安裝的攝像頭實時地拍攝圖像并進行處理，如公路上監(jiān)測車速裝置；公安部門在調(diào)查犯罪嫌疑人時借助指紋識別、人臉識別系統(tǒng)等等，辨別的標準主要來自圖像處理的結(jié) 果。 （ 5）軍事領(lǐng)域：在軍事方面圖像處理和識別主要用于導彈的精確制導，各種偵察照片的判讀，具有圖像傳輸、存儲和顯示的軍事自動化指揮系統(tǒng)和模擬訓練系統(tǒng)等。 （ 6） 醫(yī)學領(lǐng)域：圖像處理在醫(yī)學界的應(yīng)用非常廣泛，在臨床診斷和病理研究中都廣泛借助圖像處理。如采用 CT(puted Tomography)技術(shù)可以協(xié)助醫(yī)療診斷，癌細胞識別等。 （ 7） 公共服務(wù)領(lǐng)域：影視業(yè)、娛樂、廣告，基于內(nèi)容的圖像檢索等。 數(shù)字圖像處理經(jīng)歷了一系列階段發(fā)展日漸成熟，應(yīng)用的廣度滲透到各個領(lǐng)域，它 的發(fā)展和應(yīng)用對現(xiàn)代化進程的推進起著重大的作 用。人類需求的發(fā)展及多學科的交叉融合，正給圖象處理發(fā)展提供強大的動力。 邊緣檢測概述 邊緣檢測的重要性 圖像邊緣檢測 是近年來在數(shù)字圖像處理領(lǐng)域比較活躍的課題之一， 是數(shù)字圖像處理的重要內(nèi)容， 是圖像分割、特征提取和圖像識別等圖像處理技術(shù)的重要前提 ， 是數(shù)字圖象處理中一個重要的環(huán)節(jié)。也正是 由于在圖像處理中的應(yīng)用十分廣泛，邊緣檢測的研究多年來一直受到人們的高度重視。 在圖像分割領(lǐng)域，人們往往僅對圖像中的某些部分感興趣。這些部分常稱為目標和前景 (其他部分為背景 )，它們一般對應(yīng)圖像中特定的、具有獨特性 質(zhì)的區(qū)域。為了辨識和分析圖像中的目標，需要將它們從圖像中分離提取出來，在此基礎(chǔ)上才有可能進一步對目標進行測量和對圖像進行利用。通常，利用邊緣檢測的方法可以達到這個目的。 在圖像檢索領(lǐng)域，邊緣檢測可以用來確定場景中的目標物體，進而可以用在視頻圖像處理中，或者用于基于內(nèi)容的圖像檢索。 此外，邊緣在模式識別、機器視覺等中有很重要的應(yīng)用。 邊緣檢測對于物體的識別也很重要的。主要有以下幾個理由：首先，人眼通過追蹤未知物體的輪廓而掃描一個未知的物體。第二，經(jīng)驗告訴人們：如果人們能成功得到圖像的邊緣，那么圖像分析就會大大 簡化。圖像識別就會容易得多。第三，很多圖像并沒有具體的物體，對這些圖像的理解取決于它們的紋理性質(zhì)，而提取這些紋理性質(zhì)與邊緣檢測有著極其密切的關(guān)系 [5]。 邊緣定義及常見的三種類型 計算機圖像處理可以看作是為了實現(xiàn)某一任務(wù)，而從包含有大量的不相關(guān)的變量中抽取不變量，以簡化信息，即要扔掉一些不必要的信息保留物體的不變性質(zhì)。而邊緣就是最重要的不變性質(zhì) :光線的變化會影響了一個區(qū)域的外觀，但不會改變它的邊緣，并且人的視覺系統(tǒng)對圖像中的邊緣信息是最敏感的。邊緣是圖像的最基本特征，與圖像中物體的邊界有關(guān)但又是 不同的。 邊緣是指圖像局部亮度變化最顯著的部分，主要存在于目標與目標、目標與背景、區(qū)域與區(qū)域（包括不同色彩）之間。兩個具有不同灰度值的相鄰區(qū)域之間總存在著邊緣，它是灰度值不連續(xù)的結(jié)果。這種不連續(xù)?？梢岳们髮?shù)的方法方便的檢測到，一般常用一階和二階導數(shù)來檢測邊緣。 常見的邊緣剖面有 3種：階梯狀、脈沖狀、屋頂狀（如圖 ）。階梯狀的邊緣處于圖像中兩個具有不同灰度值的相鄰區(qū)域之間，脈沖狀主要對應(yīng)細條狀的灰度值突變區(qū)域，而屋頂狀的邊緣上升下降沿都比較緩慢。由于采樣的緣故，數(shù)字圖像的邊緣總有一些模糊，所以這里垂直 上下的邊緣剖面都表示成一定坡度。 圖 圖像的邊緣及其導數(shù) 圖 （ a）中，對灰度值剖面的一階導數(shù)在圖像由暗變明的位置處有一個向上的階躍，而在其它位置為零，于是我們可用一階導數(shù)的幅度值來檢測邊緣的存在，幅度 峰值一般對應(yīng)邊緣位置。對灰度值剖面的二階導數(shù)在一階導數(shù)的階躍上升區(qū)有一個向上的脈沖，而在一階導數(shù)階躍下降區(qū)有一個向下的脈沖。在這兩個階躍之間有一個過零點，它的位置正對應(yīng)原始圖像中邊緣的位置。所以可用二階導數(shù)過零點檢測邊緣位置，而二階導數(shù)在過零點附近的符號確定邊緣像素在圖像邊緣的暗區(qū)或明區(qū)。圖 （ b）中，脈沖狀的剖面邊緣與圖（ a）的一階導數(shù)形狀相同，所以圖（ b）的一階導數(shù)形狀與圖（ a）的二階導數(shù)形狀相同，而它的兩個二階導數(shù)過零點正好分別對應(yīng)脈沖的上升沿和下降沿。通過檢測剖面的兩個二階導數(shù)過零點就可以確定脈沖的范圍。圖 （ c）中，屋頂狀邊緣的剖面可看作是將脈沖邊緣地步展開得到的，所以它的一階導數(shù)是將圖 11（ b）脈沖剖面的一階導數(shù)的上升沿和下降沿展開得到的，而它的二階導數(shù)是將脈沖剖面二階導數(shù)的上升沿和下降沿拉開得到的。通過檢測屋頂狀邊緣剖面的一階導數(shù)過零點可以確定屋頂位置。 邊緣檢 測的一般步驟 邊緣檢測的實質(zhì)是采用某種算法來提取出圖像中對象與背景間的交界線。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。 經(jīng)典的邊緣檢測方法是考察數(shù)字圖像的每個像素的某個鄰域內(nèi)的灰度的變化，利用邊緣臨近的一階或二階導數(shù)變化規(guī)律，對原始圖像中像素的某個鄰域來構(gòu)造邊緣檢測算子。 一般來說，邊緣檢測的算法有如下四個步驟 (其過程如圖 所示 ） : 濾波 增強 檢測 定位 原始圖像 平滑圖像 梯度或含過零點圖像 邊界點 邊 緣 位置、方向 圖 (1)濾波：邊緣檢測算法主要是基于圖像增強的一階和二階導數(shù)，但導數(shù)的計算對噪聲很敏感，因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。 (2)增強：增強邊緣的基礎(chǔ)是確定圖像各點鄰域強度的變化值。增強算法可以將鄰域（或局部）強度之有顯著變化的點突顯出來。邊緣增強一般都是通過計算梯度幅值來完成的。 (3)檢測：在圖像中有許多點的梯度幅值比較大 ，而這些點在特定的應(yīng)用領(lǐng)域中并不都是邊緣，所以應(yīng)該用某種方法來確定哪些是邊緣點。最簡單的邊緣檢測判據(jù)是梯度幅值閾值判斷。 (4)定位：如果某一應(yīng)用場合要求確定邊緣位置，則邊緣的位置可在子像素分辨率上來估計，邊緣的方位也可以被估計出來。 在邊緣檢測算法中，前三個步驟用的十分普遍。這是由于大多數(shù)場合下，僅僅需要邊緣檢測器指出邊緣出現(xiàn)在圖像某一像素點的附近，而沒有必要指出邊緣的精確位置或方向。 邊緣檢測現(xiàn)狀與趨勢 邊緣檢測主要是 圖像 的灰度變化的度量、檢測和定位，自從 1959提出邊緣檢測以來， 由于在圖像 處理中的應(yīng)用十分廣泛，邊緣檢測的研究多年來一直受到人們的高度重視，到現(xiàn)在已提出的各種類型的邊緣檢測算法有成百上千種。關(guān)于邊緣檢測的研究主要以兩種方式為主： (1)不斷提出新的邊緣檢測算法。一方面，人們對于傳統(tǒng)的邊緣檢測技術(shù)的掌握已經(jīng)十分成熟，另一方面，隨著科學的發(fā)展，傳統(tǒng)的方法越來越難以滿足某些情況下不斷增加或更加嚴格的要求，如性能指標，運行速度等方面。針對這種情況，人們提出了許多新的邊緣檢測方法。這些新的方法大致可以分為兩大類：一類是結(jié)合特定理 論工具的檢測技術(shù)，如基于數(shù)學形態(tài)學的檢測技術(shù)、借助統(tǒng)計學方法的 檢測技術(shù)、利用神經(jīng)網(wǎng)絡(luò)的檢測技術(shù)、利用模糊理論的檢測技術(shù)、基于小波分析和變換的檢測技術(shù)、利用信息論的檢測技術(shù)、利用遺傳算法的檢測技術(shù)等。另一類是針對特殊的圖像而提出的邊緣檢測方法。如將二維的空域算子擴展為三維算子可以對三維圖像進行邊緣檢測、對彩色圖像的邊緣檢測、合成孔徑雷達圖像的邊緣檢測、對運動圖像進行邊緣檢測來實現(xiàn)對運動圖像的分割等。 (2)將現(xiàn)有的算法應(yīng)用于工程實際中。如車牌識別 [6]、虹膜識別 [7]、人臉檢測、醫(yī)學或商標圖像檢索等。 盡管人們很早就提出了邊緣檢測的概念，而且今年來研究成果越來越多，但由 于邊緣本身檢測本身所具有的難度，使研究沒有多大的突破性的進展。仍然存在的問題主要有兩個 :其一是沒有一種普遍使用的檢測算法；其二沒有一個好的通用的檢測評價標準。 從邊緣檢測研究的歷史來看，可以看到對邊緣檢測的研究有幾個明顯的趨勢：一是對原有算法的不斷改進；二是新方法、新概念的引入和多種方法的有效綜合利用。人們逐漸認識到現(xiàn)有的任何一種單獨的邊緣檢測算法都難以從一般圖像中檢測到令人滿意的邊緣圖像，因而很多人在把新方法和新概念不斷的引入邊緣檢測領(lǐng)域的同時也更加重視把各種方法總和起來運用。在新出現(xiàn)的邊緣檢測算法中，基 于小波變換的邊緣檢測算法是一種很好的方法。三是交互式檢測研究的深入。由于很多場合需要對目標圖像進行邊緣檢測分析，例如對醫(yī)學圖像的分析，因此需要進行交互式檢測研究，事實證明，交互式檢測技術(shù)有著廣泛的應(yīng)用。四是對特殊圖像邊緣檢測的研究越來越得到重視。目前有很多針對立體圖像、彩色圖像、多光譜圖像以及多視場圖像分割的研究，也有對運動圖像及視頻圖像中目標分割的研究，還有對深度圖像、紋理（ Texture）圖像、計算機斷層掃描（ CT）、磁共振圖、共聚焦激光掃描顯微鏡圖像、合成孔徑雷達圖像等特殊圖像的邊緣檢測技術(shù)的研究。五 是對圖像邊緣檢測評價的研 究和對評價系數(shù)的研究越來越得到關(guān)注。相信隨著研究的不斷深入，存在的問題會很快得到圓滿的解決。 第 2 章 經(jīng)典圖像邊緣檢測算法 經(jīng)典邊緣檢測的算法依據(jù) 邊緣檢測是檢測圖像局部亮度顯著變化的基本運算。在一維的情況下，階躍邊緣同圖像的一階導數(shù)局部峰值有關(guān)。梯度是函數(shù)變化的一種度量，而一幅圖像可以看作是圖像強度連續(xù)函數(shù)的取樣點序列。一階微分是圖像邊緣檢測的最基本方法。目前應(yīng)用比較多的也是基于微分的邊緣檢測算法，而在實際運算時，為了降低復雜度，常用 小區(qū)域模板進行卷積來近似計算，比 如 Roberts 算子采用 22? 模板， Sobel 算子、Prewitt 算子、 Robinson 算子、 Kirsch 算子和 Laplace 算子采用 33? 算子。 圖像函數(shù) ),( yxf 在點 ),( yx 的梯度（即一階微分）是一個具有大小和方向的矢量，設(shè) Gx ， Gy 分別表示沿 x 方向和 y 方向的梯度，那么這個梯度矢量可以表示為式 ()： ( , ) , , TTxy fff x y G G xy??????? ? ? ???? ???? （ ） 這個矢量的幅度為 式 () ： 2222( ) ( , )ffm a g f g x y xy??? ? ? ??? （ ） 方向角為 式 ()： ( , ) a r c ta nffxy yx? ??? ?? （ ） 對于數(shù)字圖像，導數(shù)可用差分來近似，最簡單的梯度近似表達式為 式 ()、 式 ()： ),1(),( yxfyxfG x ??? （ ）