圖像邊緣檢測(cè)課程設(shè)計(jì)圖像處理綜合訓(xùn)練-預(yù)覽頁
【正文】 測(cè)則是圖像處理中非?；A(chǔ)但是及其重要步驟。關(guān)鍵詞：邊緣檢測(cè)； 圖像處理； Matlab； Sobel； 檢測(cè)算法2前言 隨著信息技術(shù)的不斷發(fā)展和用戶需求的不斷增長(zhǎng),嵌入式系統(tǒng)逐漸走進(jìn)國(guó)民生產(chǎn)的方方面面,其應(yīng)用也日益廣泛。經(jīng)典邊緣檢測(cè)方法的抗噪聲性能都較差，解決該問題的主要方法就是設(shè)置閾值，把得到的圖像高頻部分與閾值相比較以達(dá)到去噪的目的，所以閾值的選取顯得尤為重要。邊緣檢測(cè)是圖像處理與分析中最基礎(chǔ)的內(nèi)容之一，也是至今仍沒有得到圓滿解決的一類問題。它在圖像識(shí)別，圖像分割，圖像增強(qiáng)以及圖像壓縮等的領(lǐng)域中有較為廣泛的應(yīng)用，也是它們的基礎(chǔ)。本文研究了一些邊緣檢測(cè)算法，包括傳統(tǒng)的Roberts、Sobel、Prewitt、Canny 等算法。文章中關(guān)于這些方法都有較詳細(xì)的介紹，以及算法的實(shí)現(xiàn)步驟，對(duì)算法均進(jìn)行了仿真實(shí)驗(yàn)。嵌入式系統(tǒng)幾乎包括了生活中的所有電器設(shè)備，如掌上 PDA 、移動(dòng)計(jì)算設(shè)備、手機(jī)上網(wǎng)、數(shù)字電視、多媒體、汽車、數(shù)字相機(jī)、電梯、空調(diào)、安全系統(tǒng)、自動(dòng)售貨機(jī)、工業(yè)自動(dòng)化儀表與醫(yī)療儀器等。目前，學(xué)界上已經(jīng)有許多種不同點(diǎn)的方法來實(shí)現(xiàn)邊緣檢測(cè)的功能，比如說差分法（Kirsch,1971）和曲線擬合法（Haralick，1984） 。盡管高斯檢測(cè)算法（Yuksel，2022）相對(duì)來說有更好的性能表現(xiàn)，但是所需要的計(jì)算也比傳統(tǒng)基于求導(dǎo)的檢測(cè)算法復(fù)雜的多。嵌入式系統(tǒng)將是未來工業(yè)控制和其他一些行業(yè)的主要發(fā)展方向。在實(shí)際應(yīng)用中，為簡(jiǎn)化運(yùn)算，用梯度函數(shù)的 Roberts 絕對(duì)值來近似： ??????,=,1,1,1ijfijfijfijfij????用卷積模板，上式變成： ,xyGij?其中 Gx和 Gy由下面圖 1 所示的模板計(jì)算：圖 1 Robert 邊緣檢測(cè)算子的模板Roberts 算子是該點(diǎn)連續(xù)梯度的近似值，而不是所預(yù)期的點(diǎn)處的近似值。 Prewitt 算子為在檢測(cè)邊緣的同時(shí)減少噪聲的影響，Prewitt 算子從加大邊緣檢測(cè)算子出發(fā)。 Sobel 算子傳統(tǒng)的 Sobel 圖像邊緣檢測(cè)方法，是在圖像空間利用兩個(gè)方向模板與圖像進(jìn)行鄰域卷積來完成的。將兩個(gè)卷積結(jié)果的最大值，賦給??2l?圖像中對(duì)應(yīng)模板中心位置的像素，作為該像素的新灰度值，即： ??max,1,2iffjki? 通過分析可知，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。通過分析可知，它不過由于噪聲，以及由噪聲引起的邊緣兩端的不對(duì)稱性，結(jié)果可能不會(huì)很精確。圖像也受到攝像機(jī)噪聲和場(chǎng)景中不希望的細(xì)節(jié)的干擾。通過分析可知，采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，因此具有較強(qiáng)的噪聲抑制能力；同樣該算子也將一些高頻邊緣平滑掉，造成邊緣丟失，采用了雙閾值算法檢測(cè)和連接邊緣，邊緣的連續(xù)性較好。總體而言由于 Prewitt 算子受噪聲影響較小，故檢測(cè)效果要略好于另外兩種。該算子與其它邊緣檢測(cè)算子的不同之處在于，它使用 2 種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且僅當(dāng)弱邊緣相連時(shí)才將弱邊緣包含在輸出圖像中，因此這種方法較其它方法而言不容易被噪聲“填充”更容易檢測(cè)出真正的弱邊緣。Roberts 算子：采用對(duì)角線方向相鄰兩像素之差表示信號(hào)的突變，檢測(cè)水平和垂直方向邊緣的性能好于斜線方向，定位精度比較高，但對(duì)噪聲敏感，檢測(cè)出的邊緣較細(xì)。Laplacian 算子：是二階微分算子，對(duì)圖像中的階躍性邊緣點(diǎn)定位準(zhǔn)確，對(duì)噪聲非常敏感，丟失一部分邊緣的方向信息，造成一些不連續(xù)的檢測(cè)邊緣。*.jpg。Image Files (*.bmp, *.jpg, *.png, *.jpeg)39。All Files (*.*)39。axes()。 圖像運(yùn)行過程中出現(xiàn)的錯(cuò)誤：應(yīng)該將代碼中的I=rgb2gray()。于是我們尋找了許多這方面的書籍以及應(yīng)用網(wǎng)絡(luò)教程來對(duì)其進(jìn)行學(xué)習(xí)，逐漸的增強(qiáng)了對(duì) MATLAB 及 GUI 的了解，能夠摸索著開始進(jìn)行編寫。圖像處理是我們這學(xué)期的一門很重要的課程，在課上雖然學(xué)習(xí)了很多知識(shí)，但是不經(jīng)過自己動(dòng)手操作而只看到書上的一些概念和處理的圖片并不能很清楚的了解到各種操作的效果，并且不動(dòng)手操作，知識(shí)就只能局限于書本上。 總體來說，我們的這次課程設(shè)計(jì)還是比較成功的，較為成功的完成了我們的邊緣圖像檢測(cè)，并且達(dá)到到了我們這次課程設(shè)計(jì)的目的。 其次，我要感謝幫助過我的同學(xué)，他們也為我解決了不少我不太明白的代碼難題，在一個(gè)個(gè)小問題上給了我很大的幫助。gui_Name39。gui_OpeningF39。gui_LayoutF39。if nargin amp。else gui_mainf(gui_State, varargin{:})。 = hObject。*.bmp。, 39。, 39。)。%用imread讀入圖片，并用imshow在axes_src上顯示imshow(img_src)。setappdata(,39。*.bmp。, 39。, 39。)。imshow(img_src)。function m_file_exit_Callback(hObject, eventdata, handles)close()。)。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。0 1]。 % 計(jì)算X方向的梯度分量dy = imfilter(I, y_mask)。 % 計(jì)算灰度閾值axes()。Roberts39。A=img_src。原圖39。1 1 1]。 % 計(jì)算X方向的梯度分量dy = imfilter(I, y_mask)。 % 計(jì)算灰度閾值axes()。Prewitt39。A=img_src。原圖39。0,1,0]。 % 將梯度矩陣轉(zhuǎn)化為灰度圖像axes()。Laplacian39。I=img_src。原圖39。BW = edge(I,39。 % 顯示分割后的圖像，即梯度圖像 title(
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1