【正文】 探測(cè)、農(nóng)作物估產(chǎn)、水文氣象檢測(cè)等，圖像增強(qiáng)和圖像識(shí)別技術(shù)達(dá)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(tái)腦斷層攝像儀，因此獲得 1979 年諾貝爾獎(jiǎng)，也促進(jìn) 了 CT(Computer Tomograph)的研究和發(fā)展。20 世紀(jì) 70 年代末，隨著人工智能的興起和發(fā)展，開始了計(jì)算機(jī)視覺的研究，由 2D圖像獲取 3D空間信息。 20 世紀(jì) 80 年代末和 20世紀(jì) 90年代，高速計(jì)算機(jī)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(shí)別等取得了重大的進(jìn)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?？梢灶A(yù)期，數(shù)字圖像處理技術(shù)將經(jīng)歷一個(gè)飛躍發(fā)展的階段，進(jìn)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(dòng)化、智能化水平的基 礎(chǔ)科學(xué)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(jìn)技術(shù)，將是一個(gè)在 21 世紀(jì)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(gè)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(duì)月球、火星照片的處理之外，另一方面是在飛機(jī)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(hào)存人磁帶中，在衛(wèi)星經(jīng)過地面站上空時(shí)，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(chǔ)、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(jìn)行資源調(diào)查、災(zāi)害檢測(cè)、資源勘察、農(nóng)業(yè)規(guī)劃、城市規(guī)劃。在氣象預(yù)報(bào)和對(duì)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(dāng)大的作用。 （ 2） 通訊工程領(lǐng)域： 當(dāng)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(gè)通訊業(yè)務(wù)流量的比例越來越大，如可視電話，視頻點(diǎn)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(duì)圖像進(jìn)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(dòng)裝配線中質(zhì)量檢測(cè)，流體力學(xué)圖片的阻力和升力分析，郵政信件的自動(dòng)分揀，在一些惡性環(huán)境內(nèi)識(shí)別工件及物體的形狀和排列狀態(tài)，先進(jìn)設(shè)計(jì)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(jī)器人，將會(huì)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(shí)時(shí)地拍攝圖像并進(jìn)行處理，如公路上監(jiān)測(cè)車速裝置；公安部門在調(diào)查犯罪嫌疑人時(shí)借助指紋識(shí)別、人臉識(shí)別系統(tǒng)等等，辨別的標(biāo)準(zhǔn)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(shí)別主要用于導(dǎo)彈的精確制導(dǎo)，各種偵察照片的判讀，具有圖像傳輸、存儲(chǔ)和顯示的軍事自動(dòng)化指揮系統(tǒng)和模擬訓(xùn)練系統(tǒng)等。 （ 6） 醫(yī)學(xué)領(lǐng)域：圖像處理在醫(yī)學(xué)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(xì)胞識(shí)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(gè)領(lǐng)域，它 的發(fā)展和應(yīng)用對(duì)現(xiàn)代化進(jìn)程的推進(jìn)起著重大的作 用。人類需求的發(fā)展及多學(xué)科的交叉融合，正給圖象處理發(fā)展提供強(qiáng)大的動(dòng)力。 邊緣檢測(cè)概述 邊緣檢測(cè)的重要性 圖像邊緣檢測(cè) 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(shí)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(gè)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(cè)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(duì)圖像中的某些部分感興趣。這些部分常稱為目標(biāo)和前景 (其他部分為背景 )，它們一般對(duì)應(yīng)圖像中特定的、具有獨(dú)特性 質(zhì)的區(qū)域。為了辨識(shí)和分析圖像中的目標(biāo)，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(jìn)一步對(duì)目標(biāo)進(jìn)行測(cè)量和對(duì)圖像進(jìn)行利用。通常，利用邊緣檢測(cè)的方法可以達(dá)到這個(gè)目的。 在圖像檢索領(lǐng)域，邊緣檢測(cè)可以用來確定場景中的目標(biāo)物體，進(jìn)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(shí)別、機(jī)器視覺等中有很重要的應(yīng)用。 邊緣檢測(cè)對(duì)于物體的識(shí)別也很重要的。主要有以下幾個(gè)理由：首先，人眼通過追蹤未知物體的輪廓而掃描一個(gè)未知的物體。第二，經(jīng)驗(yàn)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(huì)大大 簡化。圖像識(shí)別就會(huì)容易得多。第三，很多圖像并沒有具體的物體，對(duì)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(cè)有著極其密切的關(guān)系 [5]。 邊緣定義及常見的三種類型 計(jì)算機(jī)圖像處理可以看作是為了實(shí)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(huì)影響了一個(gè)區(qū)域的外觀，但不會(huì)改變它的邊緣，并且人的視覺系統(tǒng)對(duì)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(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域（包括不同色彩）之間。兩個(gè)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?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)來檢測(cè)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(gè)具有不同灰度值的相鄰區(qū)域之間，脈沖狀主要對(duì)應(yīng)細(xì)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(dǎo)數(shù) 圖 （ a）中，對(duì)灰度值剖面的一階導(dǎo)數(shù)在圖像由暗變明的位置處有一個(gè)向上的階躍，而在其它位置為零，于是我們可用一階導(dǎo)數(shù)的幅度值來檢測(cè)邊緣的存在，幅度 峰值一般對(duì)應(yīng)邊緣位置。對(duì)灰度值剖面的二階導(dǎo)數(shù)在一階導(dǎo)數(shù)的階躍上升區(qū)有一個(gè)向上的脈沖，而在一階導(dǎo)數(shù)階躍下降區(qū)有一個(gè)向下的脈沖。在這兩個(gè)階躍之間有一個(gè)過零點(diǎn)，它的位置正對(duì)應(yīng)原始圖像中邊緣的位置。所以可用二階導(dǎo)數(shù)過零點(diǎn)檢測(cè)邊緣位置，而二階導(dǎo)數(shù)在過零點(diǎn)附近的符號(hào)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(dǎo)數(shù)形狀相同，所以圖（ b）的一階導(dǎo)數(shù)形狀與圖（ a）的二階導(dǎo)數(shù)形狀相同，而它的兩個(gè)二階導(dǎo)數(shù)過零點(diǎn)正好分別對(duì)應(yīng)脈沖的上升沿和下降沿。通過檢測(cè)剖面的兩個(gè)二階導(dǎo)數(shù)過零點(diǎn)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(dǎo)數(shù)是將圖 11（ b）脈沖剖面的一階導(dǎo)數(shù)的上升沿和下降沿展開得到的，而它的二階導(dǎo)數(shù)是將脈沖剖面二階導(dǎo)數(shù)的上升沿和下降沿拉開得到的。通過檢測(cè)屋頂狀邊緣剖面的一階導(dǎo)數(shù)過零點(diǎn)可以確定屋頂位置。 邊緣檢 測(cè)的一般步驟 邊緣檢測(cè)的實(shí)質(zhì)是采用某種算法來提取出圖像中對(duì)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(cè)算子。 經(jīng)典的邊緣檢測(cè)方法是考察數(shù)字圖像的每個(gè)像素的某個(gè)鄰域內(nèi)的灰度的變化，利用邊緣臨近的一階或二階導(dǎo)數(shù)變化規(guī)律，對(duì)原始圖像中像素的某個(gè)鄰域來構(gòu)造邊緣檢測(cè)算子。 一般來說，邊緣檢測(cè)的算法有如下四個(gè)步驟 (其過程如圖 所示 ） : 濾波 增強(qiáng) 檢測(cè) 定位 原始圖像 平滑圖像 梯度或含過零點(diǎn)圖像 邊界點(diǎn) 邊 緣 位置、方向 圖 (1)濾波：邊緣檢測(cè)算法主要是基于圖像增強(qiáng)的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)的計(jì)算對(duì)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(cè)器的性能。 (2)增強(qiáng)：增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法可以將鄰域（或局部）強(qiáng)度之有顯著變化的點(diǎn)突顯出來。邊緣增強(qiáng)一般都是通過計(jì)算梯度幅值來完成的。 (3)檢測(cè)：在圖像中有許多點(diǎn)的梯度幅值比較大 ，而這些點(diǎn)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(diǎn)。最簡單的邊緣檢測(cè)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(jì)，邊緣的方位也可以被估計(jì)出來。 在邊緣檢測(cè)算法中，前三個(gè)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(cè)器指出邊緣出現(xiàn)在圖像某一像素點(diǎn)的附近，而沒有必要指出邊緣的精確位置或方向。 邊緣檢測(cè)現(xiàn)狀與趨勢(shì) 邊緣檢測(cè)主要是 圖像 的灰度變化的度量、檢測(cè)和定位，自從 1959提出邊緣檢測(cè)以來， 由于在圖像 處理中的應(yīng)用十分廣泛，邊緣檢測(cè)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(cè)算法有成百上千種。關(guān)于邊緣檢測(cè)的研究主要以兩種方式為主： (1)不斷提出新的邊緣檢測(cè)算法。一方面，人們對(duì)于傳統(tǒng)的邊緣檢測(cè)技術(shù)的掌握已經(jīng)十分成熟，另一方面，隨著科學(xué)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(yán)格的要求，如性能指標(biāo)，運(yùn)行速度等方面。針對(duì)這種情況，人們提出了許多新的邊緣檢測(cè)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(cè)技術(shù)，如基于數(shù)學(xué)形態(tài)學(xué)的檢測(cè)技術(shù)、借助統(tǒng)計(jì)學(xué)方法的 檢測(cè)技術(shù)、利用神經(jīng)網(wǎng)絡(luò)的檢測(cè)技術(shù)、利用模糊理論的檢測(cè)技術(shù)、基于小波分析和變換的檢測(cè)技術(shù)、利用信息論的檢測(cè)技術(shù)、利用遺傳算法的檢測(cè)技術(shù)等。另一類是針對(duì)特殊的圖像而提出的邊緣檢測(cè)方法。如將二維的空域算子擴(kuò)展為三維算子可以對(duì)三維圖像進(jìn)行邊緣檢測(cè)、對(duì)彩色圖像的邊緣檢測(cè)、合成孔徑雷達(dá)圖像的邊緣檢測(cè)、對(duì)運(yùn)動(dòng)圖像進(jìn)行邊緣檢測(cè)來實(shí)現(xiàn)對(duì)運(yùn)動(dòng)圖像的分割等。 (2)將現(xiàn)有的算法應(yīng)用于工程實(shí)際中。如車牌識(shí)別 [6]、虹膜識(shí)別 [7]、人臉檢測(cè)、醫(yī)學(xué)或商標(biāo)圖像檢索等。 盡管人們很早就提出了邊緣檢測(cè)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(cè)本身所具有的難度，使研究沒有多大的突破性的進(jìn)展。仍然存在的問題主要有兩個(gè) :其一是沒有一種普遍使用的檢測(cè)算法；其二沒有一個(gè)好的通用的檢測(cè)評(píng)價(jià)標(biāo)準(zhǔn)。 從邊緣檢測(cè)研究的歷史來看，可以看到對(duì)邊緣檢測(cè)的研究有幾個(gè)明顯的趨勢(shì)：一是對(duì)原有算法的不斷改進(jìn)；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(rèn)識(shí)到現(xiàn)有的任何一種單獨(dú)的邊緣檢測(cè)算法都難以從一般圖像中檢測(cè)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(cè)領(lǐng)域的同時(shí)也更加重視把各種方法總和起來運(yùn)用。在新出現(xiàn)的邊緣檢測(cè)算法中，基 于小波變換的邊緣檢測(cè)算法是一種很好的方法。三是交互式檢測(cè)研究的深入。由于很多場合需要對(duì)目標(biāo)圖像進(jìn)行邊緣檢測(cè)分析，例如對(duì)醫(yī)學(xué)圖像的分析，因此需要進(jìn)行交互式檢測(cè)研究，事實(shí)證明，交互式檢測(cè)技術(shù)有著廣泛的應(yīng)用。四是對(duì)特殊圖像邊緣檢測(cè)的研究越來越得到重視。目前有很多針對(duì)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(duì)運(yùn)動(dòng)圖像及視頻圖像中目標(biāo)分割的研究，還有對(duì)深度圖像、紋理（ Texture）圖像、計(jì)算機(jī)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(dá)圖像等特殊圖像的邊緣檢測(cè)技術(shù)的研究。五 是對(duì)圖像邊緣檢測(cè)評(píng)價(jià)的研 究和對(duì)評(píng)價(jià)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(huì)很快得到圓滿的解決。 第 2 章 經(jīng)典圖像邊緣檢測(cè)算法 經(jīng)典邊緣檢測(cè)的算法依據(jù) 邊緣檢測(cè)是檢測(cè)圖像局部亮度顯著變化的基本運(yùn)算。在一維的情況下，階躍邊緣同圖像的一階導(dǎo)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(qiáng)度連續(xù)函數(shù)的取樣點(diǎn)序列。一階微分是圖像邊緣檢測(cè)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(cè)算法，而在實(shí)際運(yùn)算時(shí)，為了降低復(fù)雜度，常用 小區(qū)域模板進(jìn)行卷積來近似計(jì)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(diǎn) ),( yx 的梯度（即一階微分）是一個(gè)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(gè)梯度矢量可以表示為式 ()： ( , ) , , TTxy fff x y G G xy??????? ? ? ???? ???? （ ） 這個(gè)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(duì)于數(shù)字圖像，導(dǎo)數(shù)可用差分來近似，最簡單的梯度近似表達(dá)式為 式 ()、 式 ()： ),1(),( yxfyxfG x ??? （ ）