【正文】 別個(gè)別目標(biāo)方法的開發(fā)推出數(shù)字圖像處理的覆蓋范圍。知識庫也可能相當(dāng)復(fù)雜，如材料檢測問題中所有主要缺陷的相關(guān)列表或者圖像數(shù)據(jù)庫（該庫包含變化檢測應(yīng)用相關(guān)區(qū)域的高分辨率衛(wèi)星圖像）。 邊緣檢測 邊緣檢測 是 圖像處理 和 計(jì)算機(jī) 視覺 中的術(shù)語，尤其在特征檢測和特征抽取領(lǐng)域，是一種用來識別數(shù)字圖像亮度驟變點(diǎn)即不連續(xù)點(diǎn)的算法。 一個(gè)典型的邊界可能是（例如）一塊紅色和一塊黃色之間的邊界；與之相反的是 邊線 ， 可能是在另外一種不變的背景上的少數(shù)不同顏色的點(diǎn)。為簡化起見，我們可以先在一維空間分析邊緣檢測。除非場景中的物體非常簡單并且照 明條件得到了很好的控制，否則確定一個(gè)用來判斷兩個(gè)相鄰點(diǎn)之間有多大的亮度變化才算是有邊界的閾值，并不是一件容易的事。通常用 拉普拉斯算子 或 非線性微分方程 的零交叉點(diǎn)，我們將在后面的小節(jié)中描述 .濾波 做為邊緣檢測的預(yù)處理通常是必要的，通常采用 高斯濾波 。 如果邊緣閾值應(yīng)用于正確的的梯度幅度圖像，生成的邊緣一般會較厚，某些形式的邊緣變薄處理是必要的。這 個(gè)方法使用不同的閾值去尋找邊緣。 但是，我們 仍然存在 選擇適當(dāng)?shù)拈撝祬?shù) 的問題 ， 而且不同圖像的 閾值 差別也很大 。另一方面，二階導(dǎo)數(shù)中的峰值檢測是邊線檢測，只要圖像操作使用一個(gè)合適的尺度表示。 總之，為了對有意義的邊緣點(diǎn)進(jìn)行分類，與這個(gè)點(diǎn)相聯(lián)系的灰度級變換必須比在這一點(diǎn)的背景上變換更為有效。分割的關(guān)鍵問題是如何將邊緣線段組合成更長的邊緣。圖像中的一階導(dǎo)數(shù)用梯度計(jì)算，二階導(dǎo)數(shù)使用拉普拉斯算子得到。此時(shí)，邊緣的定義同 上面講過的定義是一樣的。因此，如果一個(gè)點(diǎn)的二維一階導(dǎo)數(shù)比指定的門限大，我們就定義圖像中的此點(diǎn)是一個(gè)邊緣點(diǎn)。這樣如果圖像中有邊線出現(xiàn)的話我們就能在亮度梯度上看到非常大的變化。這實(shí)質(zhì)上是亮度梯度的 變化率 。一旦找到了一個(gè)開始點(diǎn)，我們在圖像上逐點(diǎn)跟蹤邊緣路徑，當(dāng)大于門檻下限時(shí)一直紀(jì)錄邊緣位置，直到數(shù)值小于下限之后才停止紀(jì)錄。在一個(gè)離散矩陣中，非最大抑制階梯能夠通過一種方法來實(shí)現(xiàn)，首先預(yù)測一階導(dǎo)數(shù)方向、然后把它近似到 45 度的倍數(shù)、最后在預(yù)測的梯度方向比較梯度幅度。閾值越低，能夠檢測出的邊線越多，結(jié)果也就越容易受到圖片噪聲 的影響，并且越容易從圖像中挑出不相關(guān)的特性。 有許多用于邊緣檢測的方法，它們大致可分為兩類：基于搜索和基于零交叉 .基于搜索的邊緣檢測方法首先 計(jì)算邊緣強(qiáng)度，通常用一階導(dǎo)數(shù)表示 ， 例如 梯度 模；然后，用計(jì)算估計(jì)邊緣的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。例如，在下面的 1維數(shù)據(jù)中我們可以直觀地說在第 4 與第 5 個(gè)點(diǎn)之間有一個(gè)邊界： 5 7 6 4 152 148 149 如果光強(qiáng)度差別比第四個(gè)和第五個(gè)點(diǎn)之間小，或者說相鄰的像素點(diǎn)之間光強(qiáng)度差更高，就不能簡單地說相應(yīng)區(qū)域存在邊緣。 在對數(shù)字圖像的處理中，邊緣檢測是一項(xiàng)非常重要的工作 。 雖然某些文獻(xiàn)提過理想的邊緣檢測步驟，但自然界圖像的邊緣并不總是理想的階梯邊緣。這一特性上面圖 2中的處理模塊和知識庫間用雙箭頭表示。關(guān)于問題域的知識以知識庫的形式被編碼裝入一個(gè)圖像處理系統(tǒng)。描述也叫特征選擇，涉及提取特征，該特征是某些感興趣的定量信息或是區(qū)分一組目標(biāo)與其他目標(biāo)的基礎(chǔ)。當(dāng)注意的焦點(diǎn)是內(nèi)部特性（如紋理或骨骼形狀）時(shí)，則區(qū)域表示是合適的。 表示和描述幾乎總是跟隨在分割步驟的輸后邊，通常這一輸出是未加工的數(shù)據(jù)，其構(gòu)成不是區(qū)域的邊緣（區(qū)分一個(gè)圖像區(qū)域和另一個(gè)區(qū)域的像素集）就是其區(qū)域本身的所有點(diǎn)。通常，自主分割是數(shù)字圖像處理中最為 困難的任務(wù)之一。圖像壓縮技術(shù)對應(yīng)的圖像文件擴(kuò)展名對大多數(shù)計(jì)算機(jī)用戶是很熟悉的（也許沒注意），如 JPG 文件擴(kuò)展名用于 JPEG（聯(lián)合圖片專家組）圖像壓縮標(biāo)準(zhǔn)。特別是在應(yīng)用中，這些理論被用于圖像數(shù)據(jù)壓縮及金字塔描述方法。 彩色圖像處理已經(jīng)成為一個(gè)重要領(lǐng)域，因?yàn)榛诨ヂ?lián)網(wǎng)的圖像處理應(yīng)用在不斷增長。 圖像復(fù)原也是改進(jìn)圖像外貌的一個(gè)處理領(lǐng)域。 圖像增強(qiáng)是數(shù)字圖像處理最簡單和最有吸引力的領(lǐng)域。如圖所示的加底紋的條帶表達(dá)了這樣一個(gè)事實(shí)，即電磁波譜的各波段間并沒有明確的界線，而是由一個(gè)波段平滑地過渡到另一個(gè)波段。建模和可視化應(yīng)用中的合成圖像由計(jì)算機(jī)產(chǎn)生。這樣，我們定義的數(shù)字圖像處理的概念將在有特殊社會和經(jīng)濟(jì)價(jià)值的領(lǐng)域內(nèi)通用。這樣，在研究中，我們界定數(shù)字圖像處理包括輸入和輸出均是圖像的處理，同時(shí)也包括從圖像中提取特征及識別特定物體的處理。中級處理涉及分割（把圖像分為不同區(qū)域或目標(biāo)物）以及縮減對目標(biāo)物的描述，以使其更適合計(jì)算機(jī)處理及對不同目標(biāo)的分類（識別）。 從圖像處理到計(jì)算機(jī)視覺這個(gè)連續(xù)的統(tǒng)一體內(nèi)并沒有明確的界線。例如，在這個(gè)定義下，甚至最普通的計(jì)算一幅圖像灰度平均值的工作都 不能算做是圖像處理。因此，數(shù)字圖像處理涉及各種各樣的應(yīng)用領(lǐng)域。像素是廣泛用于表示數(shù)字圖像元素的詞匯。 specularities or interreflections in the vicinity of object edges. A typical edge might for instance be the border between a block of red color and a block of yellow. In contrast a line (as can be extracted by a ridge detector) can be a small number of pixels of a different color on an otherwise unchanging background. For a line, there may therefore usually be one edge on each side of the line. To illustrate why edge detection is not a trivial task, let us consider the problem of detecting edges in the following onedimensional signal. Here, we may intuitively say that there should be an edge between the 4th and 5th pixels. 5 7 6 4 152 148 149 If the intensity difference were smaller between the 4th and the 5th pixels and if the intensity differences between the adjacent neighbouring pixels were higher, it would not be as easy to say that there should be an edge in the corresponding region. Moreover, one could argue that this case is one in which there are several , to firmly state a specific threshold on how large the intensity change between two neighbouring pixels must be for us to say that there should be an edge between these pixels is not always a simple problem. Indeed, this is one of the reasons why edge detection may be a nontrivial problem unless the objects in the scene are particularly simple and the illumination conditions can be well controlled. There are many methods for edge detection, but most of them can be grouped into two categories,searchbased and zerocrossing based. The searchbased methods detect edges by first puting a measure of edge strength, usually a firstorder derivative expression such as the gradient magnitude, and then searching for local directional maxima of the gradient magnitude using a puted estimate of the local orientation of the edge, usually the gradient direction. The zerocrossing based methods search for zero crossings in a secondorder derivative expression puted from the image in order to find edges, usually the zerocrossings of the Laplacian or the zerocrossings of a nonlinear differential expression, as will be described in the section on differential edge detection following below. As a preprocessing step to edge detection, a smoothing stage, typically Gaussian smoothing, is almost always applied (see also noise reduction). The edge detection methods that have been published mainly differ in the types of smoothing filters that are applied and the way the measures of edge strength are puted. As many edge detection methods rely on the putation of image gradients, they also differ in the types of filters used for puting gradient estimates in the x and ydirections. Once we have puted a measure of edge strength (typically the gradient magnitude), the next stage is to apply a threshold, to decide whether edges are present or not at an image point. The lower the threshold, the more edges will be detected, and the result will be increasingly susceptible to noise, and also to picking out irrelevant features from the image. Conversely a high threshold