圖像邊緣檢測(cè)課程設(shè)計(jì)圖像處理綜合訓(xùn)練(文件)
【正文】 Roberts 算子由 Roberts 提出的算子是一種利用局部差分算子尋找邊緣的算子，對(duì)于邊界陡峭且噪比較小的圖像檢測(cè)效果比較好，它在 22 鄰域上計(jì)算對(duì)角導(dǎo)數(shù)，??????????2 2,=,1,1,1Gijfijfijfijfij????G[i,j]又稱(chēng)為 Roberts 交叉算子。4通過(guò)分析可知，Sobel 算子法對(duì)高頻成分豐富的圖像處理效果好，對(duì)中低頻成分的圖像效果差。通過(guò)分析可知，Prewitt 算子法對(duì)高頻成分豐富的圖像處理效果好，對(duì)中低頻成分的圖像效果差。 為模板卷積法邊緣檢測(cè)的輸出,ifj,L 為窗口寬度，對(duì) 33 窗口， l=1。原則上，過(guò)零點(diǎn)的位置精度可以通過(guò)線性?xún)?nèi)插方法精確到子像素分辨率。由于實(shí)際的圖像經(jīng)過(guò)了攝像機(jī)光學(xué)系統(tǒng)和電路系統(tǒng)(帶寬限制)固有的低通濾波器的平滑，因此，圖像中的階躍邊緣不是十分陡立。有一種線性算子可以在7抗噪聲干擾和精確定位之間提供最佳折衷方案，它就是高斯函數(shù)的一階導(dǎo)數(shù)。邊緣點(diǎn)不夠銳利和明確，線邊緣檢測(cè)要好于點(diǎn)邊緣檢測(cè)。Canny 算子采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理具有較強(qiáng)的去噪能力，容易平滑掉一些邊緣信息，邊緣定位精度較高。LoG 算子首先通過(guò)高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，因此對(duì)噪聲的抑制作用比較明顯，但同時(shí)也可能將原有的邊緣也平滑了，造成某些邊緣無(wú)法檢測(cè)到，比外高斯分布因子 的選擇對(duì)圖像邊緣檢測(cè)效果有較大的影響， 越大，檢測(cè)? ?到的圖像細(xì)節(jié)越豐富，但抗噪能力下降，從而出現(xiàn)偽邊緣，反之則抗噪能力提9高，但邊緣精度下降，易丟失許多真邊緣，因此，對(duì)于不同圖像應(yīng)選擇不同參數(shù)。但存在偽邊緣，邊緣比較粗且定位精度低。*.bmp。, 39。, 39。)。應(yīng)在代碼后面加入如下代碼：img_src=imread(fpath)。MATLAB 是我們?cè)谝郧昂鸵院蟮膶W(xué)習(xí)工作中都會(huì)經(jīng)常應(yīng)用到的軟件，但是在以前還是對(duì)其了解不足，操作不是很了解，在實(shí)習(xí)之初便因?yàn)檫@個(gè)問(wèn)題而無(wú)從下手。GUI 對(duì)于我們是一個(gè)新的知識(shí)，通過(guò)各方面的學(xué)習(xí)，我們最終對(duì) GUI 也有了比較深的了解，能夠很順利的應(yīng)用 GUI 來(lái)設(shè)計(jì)出適合并且美觀的界面。這次是兩人一組的實(shí)習(xí)，因此合理的分工合作也是很重要的，通過(guò)實(shí)習(xí)也培養(yǎng)了我們之間分工協(xié)作互幫互助的精神。在此期間，我不僅學(xué)到了許多新的知識(shí)，而且也開(kāi)闊了視野，提高了自己的設(shè)計(jì)能力。gui_State = struct(39。, gui_Singleton, ... 39。, Mywork_OutputF, ... 39。, [])。end if nargout [varargout{1:nargout}] = gui_mainf(gui_State, varargin{:})。,0)。function m_file_Callback(hObject, eventdata, handles)function m_file_open_Callback(hObject, eventdata, handles) [filename, pathname] = uigetfile( ... 20 {39。*.jpeg39。*.*39。Pick an image39。%將文件名和目錄名組合成一個(gè)完整的路徑 img_src=imread(fpath)。)。function m_file_save_Callback(hObject, eventdata, handles)[filename, pathname] = uigetfile( ... {39。*.jpeg39。*.*39。Pick an image39。%將文件名和目錄名組合成一個(gè)完整的路徑 img_src=imread(fpath)。)。img_src39。imshow(A)。21y_mask = [1 2 1。 % 建立X方向的模板I = im2double(A)。 % 計(jì)算梯度grad = mat2gray(grad)。 % 用閾值分割梯度圖像imshow(BW)。img_src39。imshow(A)。x_mask = [1 0。 % 將圖像數(shù)據(jù)轉(zhuǎn)化為雙精度dx = imfilter(I, x_mask)。 % 將梯度矩陣轉(zhuǎn)換為灰度圖像level = graythresh(grad)。 % 顯示分割后的圖像即邊緣圖像title(39。)。title(39。0 0 0。 % 將圖像數(shù)據(jù)轉(zhuǎn)化為雙精度dx = imfilter(I, x_mask)。 % 將梯度矩陣轉(zhuǎn)換為灰度圖像level = graythresh(grad)。 % 顯示分割后的圖像即邊緣圖像title(39。)。title(39。1,4,1。 % 計(jì)算梯度矩陣grad = mat2gray(dx)。 % 顯示分割后的圖像，即梯度圖像title(39。)。title(39。axes()。 % 調(diào)用canny函數(shù) imshow(BW)。canny39。canny39。)。axes()。) function m_canny_Callback(hObject, eventdata, handles)img_src=getappdata(,39。23BW = im2bw(grad,)。 % 建立模板I = im2double(A)。)。axes()。) function m_lapacian_Callback(hObject, eventdata, handles)img_src=getappdata(,39。BW = im2bw(grad,level)。 % 計(jì)算Y方向的梯度分量grad = sqrt(dx.*dx + dy.*dy)。 % 建立Y方向的模板x_mask = y_mask39。)。axes()。)22 function m_priwitt_Callback(hObject, eventdata, handles)img_src=getappdata(,39。BW = im2
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1