【正文】 ain methods in the research field of digital image processing. The image processing function provided by the Mat Lab image processing tool box is employed to perform edge detection for image so that the program and processing result are obtained.2Key words: Image processing , MatLab， Edge detection 3獨(dú) 創(chuàng) 聲 明本人鄭重聲明：所呈交的畢業(yè)設(shè)計(jì)(論文)，是本人在指導(dǎo)老師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果，成果不存在知識(shí)產(chǎn)權(quán)爭(zhēng)議。 作者簽名: 二〇一〇年九月二十日 畢業(yè)設(shè)計(jì)（論文）使用授權(quán)聲明本人完全了解濱州學(xué)院關(guān)于收集、保存、使用畢業(yè)設(shè)計(jì)（論文）的規(guī)定?？沼嗵幚矸椒ㄓ袃纱箢悾亨徲蛱幚矸ê忘c(diǎn)處理法。常用的圖像處理方法有圖像增強(qiáng)、復(fù)原、編碼、壓縮、分割等。在現(xiàn)階段，圖像的處理方法很多，其中，邊緣檢測(cè)是很重要的一種處理方法，它在圖像處理領(lǐng)域中占有重要地位，圖像的邊緣是集中了圖像大部分的信息，圖像邊緣的確定與提取對(duì)于整個(gè)圖像場(chǎng)景的識(shí)別與理解非常重要。MATLAB 是一種將數(shù)據(jù)結(jié)構(gòu)、變成特征和圖形用戶界面完美的結(jié)合到一起的軟件。 數(shù)字圖像簡(jiǎn)介圖像是對(duì)客觀對(duì)象的一種相似性的、生動(dòng)的描述或表示。圖像處理的目的是改善圖像的質(zhì)量，它以人為對(duì)象，以改善人的視3覺效果?，F(xiàn)階段數(shù)字圖像處理技術(shù)的迅速發(fā)展為人類帶來了巨大的經(jīng)濟(jì)社會(huì)效益，大到應(yīng)用衛(wèi)星遙感進(jìn)行的全球環(huán)境氣候監(jiān)測(cè)，小到指紋識(shí)別技術(shù)在安全領(lǐng)域的應(yīng)用。42. 數(shù)字圖像處理 基本概念二值圖像：也叫黑白圖像，就是圖像像素只存在 0，1 兩個(gè)值。與二值圖像不同，灰度圖像的像素并不是只有 0、1 兩個(gè)量化級(jí)數(shù)，而是具有多個(gè)量化級(jí)數(shù)，如 64級(jí)、256 級(jí)等。通常所說的黑白圖像，其實(shí)包含了黑白之間的所有灰度色調(diào)。圖像數(shù)字化：把連續(xù)的圖像用一組數(shù)字來表示，便于計(jì)算機(jī)分析處理。圖像恢復(fù)：把模糊或褪色的圖像盡可能的復(fù)原。實(shí)際中經(jīng)常是通過增強(qiáng)原圖中某兩個(gè)灰度值之間的動(dòng)態(tài)范圍來實(shí)現(xiàn)的。具體的變換就是圖像中每個(gè)像素的灰度值根據(jù)變換曲線進(jìn)行映射。 給出了對(duì) 出現(xiàn)頻率的一個(gè)估計(jì)，()kPsS所以一幅圖像的直方圖基本上可以描述圖像的概貌。 圖 2 灰度調(diào)整后的圖像與直方圖（2）直方圖規(guī)定化直方圖均衡化的優(yōu)點(diǎn)是能自動(dòng)增強(qiáng)整個(gè)圖像的對(duì)比度，但其具體的增強(qiáng)效果不容易控制，處理的結(jié)果總是得到全局均衡化的直方圖。濾波主要有兩種：（1）線性濾波,它屬于空余濾波平滑技術(shù)，主要采用鄰域平均法，用于去除圖像通過掃描得到的噪聲顆粒。 9圖 3 加入椒鹽噪聲后圖像的均值濾波和中值濾波 圖 4 加入高斯噪聲后圖像的均值濾波和中值濾波 MATLAB 圖像處理數(shù)字圖像處理技術(shù)發(fā)展迅速，在實(shí)際上生活中起到了很大的作用，而MATLAB 對(duì)數(shù)字圖像的處理很是方便，用相應(yīng)的函數(shù)便可實(shí)現(xiàn)。（4）JPEG 格式。（6）XWD 格式。而圖像的幾何操作主要包括 3 種。Bilinear（雙線性插補(bǔ)運(yùn)算）：輸入像素的賦值為 2*2 矩陣所包含有效點(diǎn)的加權(quán)平均值。I1=imcrop(I):對(duì)灰度圖像進(jìn)行交互式的剪切。參數(shù) method 有三種：nearest、bilinear 和 bicubic。 態(tài)學(xué)簡(jiǎn)介數(shù)學(xué)形態(tài)學(xué)圖像處理的基本思想是利用結(jié)構(gòu)元素來收集圖像的信息。數(shù)學(xué)形態(tài)學(xué)運(yùn)算是用 B 對(duì) A 進(jìn)行操作。閉運(yùn)算：對(duì)的閉運(yùn)算定義為： （3??A???5）即 A 先被 B 膨脹，后再被 B 腐蝕的結(jié)，通常，開運(yùn)算用來刪除圖像中的小分支，可以使圖像縮?。婚]運(yùn)算用來填補(bǔ)圖像中的空穴，可以使圖像放大；而腐蝕和膨脹運(yùn)算具有平移不變形，對(duì)圖像 A 的腐蝕和膨脹的運(yùn)算結(jié)果只取決于 A 與 B 的結(jié)構(gòu)，而與 A 的位置無關(guān)。圖像變換就是將圖17像轉(zhuǎn)換到變換域，如頻率域，進(jìn)行圖像處理和圖像分析。其算法思想是：先對(duì)原圖進(jìn)行轉(zhuǎn)置，按行對(duì)轉(zhuǎn)置后的圖像矩陣作一維FFT，將此變換所得的中間矩陣在轉(zhuǎn)置，在按行對(duì)轉(zhuǎn)置后的中間矩陣作一維FFT，最后得到的就是二維 FFT。18圖 12 快速傅立葉變換后的圖 離散余弦變換離散余弦變換（DCT）是圖像壓縮處理中應(yīng)用較多的一種變換。 小結(jié)本章主要介紹了數(shù)字圖像處理的主要內(nèi)容，主要有基本概念、圖像增19強(qiáng)、MATLAB 圖像處理、MATLAB 的二值圖像操作、圖像變換。圖像邊緣有方向和幅值兩個(gè)特征，通常沿邊緣的走向灰度變換平緩，垂直于邊緣走向的像素灰度變換劇烈。房頂型：其主要對(duì)應(yīng)細(xì)線條的灰度值變換區(qū)域。圖像的邊緣是灰度變化最劇烈的地方，其對(duì)應(yīng)的連續(xù)情況就是函數(shù)梯度較大的地方，所以研究圖像的邊緣的一種方法就是求導(dǎo)算子。作為研究非平穩(wěn)信號(hào)的一種有利工具，小波分析在邊緣檢測(cè)方面起到了很大的作用。 常見的一階邊緣檢測(cè)算子梯度算子可以增強(qiáng)圖像邊緣信息，這對(duì)圖像邊緣檢測(cè)起到了重要作用。 =f(i,j+1)f(i,j) (38)fx?=f(i,j)f(i+1,j)fy?求梯度時(shí)對(duì)于平方 和運(yùn)算及開方運(yùn)算，可以用兩個(gè)分量的絕對(duì) 值表示為：G（i,j） 22(/)//fyfxfy???????（ f/x） (39) 上式中，j 對(duì)應(yīng)于 x 軸方向，i 對(duì)應(yīng)于 y 軸方向。梯度幅值計(jì)算近似方法如表 1 所示表 1 Roberts 算子梯度幅值計(jì)算示意圖(i,j) (i,j+1)(i+1,j) (i+1,j+1)22（i,j）為當(dāng)前像素的位置，其計(jì)算公式如下：G（i,j）= （310 ）??????(,)1,1,fijfijfijfij????它是由兩個(gè) 2*2 模板組成。Sobel 算子梯度幅值計(jì)算如表 2所示。Sx 是水平模板，對(duì)水平邊????????120.???????緣響應(yīng)最大。這一算子把重點(diǎn)放在接近于模板中心的像素點(diǎn)。圖像中的每個(gè)點(diǎn)用這兩個(gè)模板進(jìn)行卷積，取最大值作為輸出值，最終產(chǎn)生一副邊緣幅度圖像。對(duì)一個(gè)連續(xù)函數(shù) f(x,y),它在位置(x,y)上的 Laplacian 表式式為: （ 318）????222,(,),fxyfxyfxy?????對(duì) 于 數(shù) 字 圖 像 來 說 ， 計(jì) 算 函 數(shù) 的 拉 普 拉 斯 值 也 可 以 借 助 各 種 模 板來 實(shí) 現(xiàn) 。 因此 ， 經(jīng) 過 拉 普 拉 斯 算 子 濾 波 過 的 圖 像 對(duì) 噪 聲 相 當(dāng) 敏 感 ， 也 可 產(chǎn) 生雙 像 素 寬 的 邊 緣 ， 且 不 能 提 供 邊 緣 方 向 信 息 ， 拉 普 拉 斯 算 子 主 要用 于 已 知 邊 緣 像 素 后 確 定 該 像 素 是 在 圖 像 的 暗 區(qū) 或 明 區(qū) 一 邊 。 一 階 導(dǎo)數(shù) 的 局 部 最 大 值 對(duì) 應(yīng) 著 二 階 導(dǎo) 數(shù) 的 零 交 叉 點(diǎn) ， 通 過 找 圖 像 增 強(qiáng) 的 二階 導(dǎo) 數(shù) 的 零 交 叉 點(diǎn) 就 可 以 確 定 比 較 精 確 的 邊 緣 點(diǎn) 。（ 3） 單 邊 緣 相 應(yīng) 準(zhǔn) 則 （ 323）122()()whxdDf????????????????式 中 ， 為 的 二 階 導(dǎo) 數(shù) 。4．總結(jié)本文應(yīng)用了一些函數(shù)對(duì)數(shù)字圖像進(jìn)行了一些操作，相應(yīng)的也獲得了一定的處理結(jié)果。希望能夠通過再學(xué)習(xí)，對(duì)圖像處理的過程有一個(gè)比較完整的了解，能29對(duì)邊緣檢測(cè)的各種算子有進(jìn)一步的研究，使處理后的圖像越來越接近預(yù)期的圖像。%讀入圖像figure,imshow(I),title(39。nearest39。)。%圖像旋轉(zhuǎn)figure,imshow(I2),title(39。figure。交互式剪切圖39。)。)。)。subplot(1,2,2),imshow(I5),title(39。J=histeq(H)。subplot(2,2,2),imshow(J),title(39?；叶戎狈綀D39。)。 pepper39。)。figure。%加入高斯噪聲subplot(1,2,1),imshow(I6),title(39。加高斯噪聲后的圖39。%產(chǎn)生濾波模板B=conv2(double(I6),h)。%高斯噪聲圖的中指濾波subplot(2,2,1),imshow(B,[]),title(39。加椒鹽噪聲中指濾波后的圖39。)。figure。%用sobel進(jìn)行邊緣檢測(cè)BW2=edge(H,39。prewitt39。)。%用“canny”進(jìn)行邊緣檢測(cè)h=fspecial(39。canny39。)。subplot(2,3,3),imshow(BW3),title(39。log edge check39。)。)。%讀入圖像figure,imshow(I),title(39。nearest39。)。%圖像旋轉(zhuǎn)figure,imshow(I2),title(39。figure。交互式剪切圖39。)。)。)。subplot(1,2,2),imshow(I5),title(39。J=histeq(H)。subplot(2,2,2),imshow(J),title(39?；叶戎狈綀D39。)。 pepper39。)。figure。%加入高斯噪聲subplot(1,2,1),imshow(I6),title(39。加高斯噪聲后的圖39。%產(chǎn)生濾波模板B=conv2(double(I6),h)。%高斯噪聲圖的中指濾波subplot(2,2,1),imshow(B,[]),title(39。加椒鹽噪聲中指濾波后的圖39。)。figure。%用sobel進(jìn)行邊緣檢測(cè)BW2=edge(H,39。prewitt39。)。%用“canny”進(jìn)行邊緣檢測(cè)h=fspecial(39。canny39。)。subplot(2,3,3),imshow(BW3),title(39。log edge check39。)。)。 原圖39。)。subplot(1,2,1),imshow(E),title(39。彩色圖像轉(zhuǎn)換為二值圖像39。%建立結(jié)構(gòu)元素E2=imdilate(E,SE)。subplot(1,2,2),imshow(E2),title(39。E3=imerode(H,SE)。subplot(1,2,2),imshow(E2),title(39。35I8=dct2(H)。 subplot(1,2,2), imshow(I8),title(39。E=im2bw(H,)。)。figure。二值圖像39。)?；叶葓D像39。)。在這里我再次深表感謝！其次，感謝我的同學(xué)，在畢業(yè)設(shè)計(jì)中給我提出了很多問題，在一定程度上解決了一些問題。先感謝我的指導(dǎo)老師王書文老師及楊雪松老師，在此次論文的設(shè)計(jì)過程中，他們給了我許多寶貴的建議，他們嚴(yán)謹(jǐn)求實(shí)的治學(xué)態(tài)度、高度的敬業(yè)精神對(duì)我產(chǎn)生了重要的影響。subplot(1,2,2),imshow(E2),title(39。E3=imerode(H,SE)。subplot(1,2,2),imshow(E2),title(39。%建立結(jié)構(gòu)元素E2=imdilate(E,SE)。彩色圖像轉(zhuǎn)換為二值圖像39。subplot(1,2,1),imshow(E),title(39。)。 原圖39。)?；叶葓D像39。)。二值圖像39。figure。)。E=im2bw(H,)。 subplot(1,2,2), imshow(I8),title(39。I8=dct2(H)。gaussianamp。subplot(2,3,5),imshow(BW5),title(39。)。roberts edge check39。subplot(2,3,1),imshow(BW1),title(39。,5)。canny39。%用“prewitt”進(jìn)行邊緣檢測(cè)