【正文】 提起癌癥，人們都驚慌不已，生怕與癌癥結(jié)緣。圖像的邊緣檢測(cè) 技術(shù)既 是數(shù)字圖像處理 的重要內(nèi)容，也是 計(jì) 算機(jī)視覺研究的重要課題，是圖像分割、物體識(shí)別等深層次研究 的關(guān)鍵步驟 ??43 。 b、薄化， I9=II8。 B7=[0 1 0。0 1 0。0 0 1 0]。 濾窗內(nèi)灰度 中值設(shè)為 Med；像素點(diǎn) （ x,y） 處的灰度值 為 Med。那么，它們?nèi)跁?huì)貫通應(yīng)用之后，會(huì)不會(huì)得到更好的邊緣檢測(cè)效果呢？ 為此，我試想將傳統(tǒng)邊緣檢測(cè)算子與形態(tài)學(xué)中的腐 蝕、膨脹運(yùn)算相結(jié)合。但是傳統(tǒng)的 canny 邊緣檢測(cè)算子是用高斯濾波去除圖像噪聲，應(yīng)用范圍較為狹隘。 Ⅲ 高低閾值門限不合理。反之，則邊緣檢測(cè)效果較差。 Ⅲ 利用 改進(jìn)的多尺度 CB 形態(tài)學(xué)邊緣檢測(cè)方法 對(duì) ( , )gxy 進(jìn)行 邊 緣檢測(cè) ，方法與傳統(tǒng)的數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算法類似。如何提高這些算法的實(shí)用性是不容忽視的問題 （ 2）圖像邊緣細(xì) 節(jié) 的丟失。 第 4章 本文改進(jìn)的邊緣檢測(cè)算法 17 第 4 章 本文改進(jìn)的 邊緣檢測(cè) 算法 改進(jìn)的形態(tài)學(xué)邊緣檢測(cè)算法 基于 CB形態(tài)學(xué) ，我 提出了一種多尺度的 新 邊緣檢測(cè) 方法 。 二值 形態(tài)學(xué)和灰度 形態(tài)學(xué) 共同組成了 數(shù)學(xué)形態(tài)學(xué) ??34 。二值圖像在 圖像 信息處理中很重要 ， 應(yīng)用較多，許多圖像處理工作都是基于二值圖像進(jìn)行的操作，二值圖像處理產(chǎn)生于形態(tài)學(xué)的集合論。 該集合即為形態(tài)學(xué)邊緣檢測(cè)結(jié)果。 以上幾種 算法仿真 分析 為了更直觀的理解以上各種邊緣檢測(cè)算子，下面我們以經(jīng)典的邊緣檢測(cè)常用圖像 Lena 圖像進(jìn)行效果檢測(cè)，來具體的看下各種邊緣檢測(cè)的效果圖。對(duì)區(qū)域中的每個(gè)點(diǎn) ， 將 鄰 域的中心像素 點(diǎn)的梯度值 (, )mi j 和該點(diǎn) 梯度方向的 插值 后的 兩個(gè)相鄰的梯度幅值 （記為 n） 比較。實(shí)踐證明， canny 算子具備較前幾種算子較為優(yōu)越的邊緣檢測(cè)性能。 Laplacian of Gaussian 邊緣檢測(cè) LaplacianGauss 算子的縮寫形式為 LoG 算子，是基于 高斯濾波和拉普拉 斯的一種改進(jìn) 。 Prewitt 邊緣檢測(cè) ? ?2,23 Prewitt 是在 33? 鄰域內(nèi)做灰度加權(quán)與 差分運(yùn)算 ，和 sobel 算法近似，該算法也有兩個(gè)算子，且都是水平和垂直方向的算子 ， 但是它 所用的卷積算子 和sobel 不一樣 。 由此我們可以看出，邊緣檢測(cè)主要是先 用一些 灰度階躍信息 增強(qiáng)算法 來使圖像的階躍信息更加明顯 ， 再通過 閾值 （較為合理的圖像灰度值）提取灰度階躍點(diǎn)，進(jìn)而由點(diǎn)及線，即得一幅“邊緣線圖” 。 要做好圖像邊緣檢測(cè)技術(shù)的研究，必須牢牢掌握?qǐng)D像邊緣檢測(cè)的原理和步驟。 第 1章 緒論 5 第六章 ，概述和展望了本論文的工作，并提出了一些后續(xù)研究?jī)?nèi)容。另一種是 結(jié)合經(jīng)典邊緣檢測(cè)算子 canny 和數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)方法 。 第二章 ，主要 闡述了傳統(tǒng)經(jīng)典邊緣檢測(cè)算子，進(jìn)行較為深入的分析和介紹，并最終給出它們的仿真結(jié)果和分析結(jié)論。 傳統(tǒng) 的邊緣檢測(cè) 方法存在的諸多問題 ??16 ： （ 1） 噪聲處理效果不佳。 (2)邊緣定位精確 ，模糊邊緣 較少 。很多研究者在圖像預(yù)處理和邊緣提取兩個(gè)方面，已經(jīng)提出了很多方法。 邊緣檢測(cè)技術(shù)簡(jiǎn)介及評(píng)價(jià)標(biāo)準(zhǔn) 圖像的邊緣包含了圖像大部分信息，其中大量的信息是由不連續(xù) 的，這主要是由于像素點(diǎn)灰度值的階躍造成的 ， 因此，我們 將圖像中灰度產(chǎn)生較大耀變的區(qū)域定義為邊緣 。例如，傅里葉變換可使處理分析在頻域中進(jìn)行，使運(yùn)算簡(jiǎn)單；而使用離散余弦變換（ DCT）則可壓縮數(shù)據(jù)，從而便于圖像傳輸和存儲(chǔ)。 Log邊緣檢測(cè) ............................ 錯(cuò)誤 !未定義書簽。相異的結(jié)構(gòu)元素對(duì)圖像信號(hào)進(jìn)行探測(cè)，我們得到的是不同的圖像分析，這是由于結(jié)構(gòu)元素的尺寸和形狀與圖像結(jié)構(gòu)的信息有關(guān)。數(shù)字圖像處理廣泛地應(yīng)用于工業(yè)、農(nóng)業(yè)、交通、金融、地質(zhì)、海洋、氣象、生物醫(yī)學(xué)、軍事、公安、電子商務(wù)、衛(wèi)星遙感、機(jī)器人視覺、目標(biāo)跟蹤、自主車導(dǎo)航、多媒體信息網(wǎng)絡(luò)通信等領(lǐng)域，取得了顯著的社會(huì)效益和經(jīng)濟(jì)效益。 Mathematical Morphology I 原創(chuàng)性聲明 本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果。學(xué)校有權(quán)保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許學(xué)位論文被查閱和借閱；學(xué)?？梢怨紝W(xué)位論文的全部或部分內(nèi)容，可以允許采用影印、縮印或其它復(fù)制手段保存、匯編學(xué)位論文。圖像處理 就屬于 低層視覺 部分 ， 它主要 包括圖像 的信息 增強(qiáng)、 除躁 和邊緣檢測(cè) 信息檢測(cè)、圖像濾波等；圖像分析和圖像理解 即為高層視覺研究的主要內(nèi)容 ， 主要是通過計(jì)算機(jī)模擬生物對(duì)于圖像信息的感知和運(yùn)用能力 。云南民族大學(xué) 碩士學(xué)位論文 IV 目錄 第 1 章 概 論 ..................................................... 1 數(shù)字圖像處理概論及其應(yīng)用 .................................... 2 邊緣檢測(cè)技術(shù)簡(jiǎn)介及評(píng)價(jià)標(biāo)準(zhǔn) .................................. 3 現(xiàn)存邊緣檢測(cè)技術(shù)存在的問題 .................................. 4 論文 主要研究?jī)?nèi)容和結(jié)構(gòu)安排 .................................. 3 第 2 章 傳統(tǒng) 邊緣檢測(cè)方法 ....................................... 6 邊緣檢測(cè)原理 ............................... 錯(cuò)誤 !未定義書簽。 數(shù)字圖像處理 (Digital Image Processing)將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并利用計(jì)算機(jī)對(duì)其進(jìn)行處理 ,隨著數(shù)字化時(shí)代的 到來，數(shù)字圖像處理與分析方面的研究工作顯得十分重要 ??1 。圖像分析是我們通過檢測(cè)結(jié)果， 分析圖像的幾何特性等信息，并將其應(yīng)用于生活實(shí)踐。傳統(tǒng)的邊緣檢測(cè)算法一般通過求一階、二階導(dǎo)數(shù)來表示邊緣點(diǎn)的變化 ? ?10,1 。 邊緣檢測(cè) 最早 在 1959 年 被提出， 1965 年 ， Roberts 等人 開始系統(tǒng)的 研究邊緣檢測(cè)技術(shù) ??14 ，從 20世紀(jì) 70 年代起 ，邊緣檢測(cè)技術(shù)開始引起人們的廣泛關(guān)注。 為了達(dá)到更好的視覺效果、更充分的運(yùn)用圖像的邊緣 信息進(jìn)行科學(xué)研究，人們要求邊緣檢測(cè)要在精度上進(jìn)一步提高，盡量 避免 檢測(cè)出較為粗糙的邊緣曲線，要“精益求精” 。 （ 4） 適用領(lǐng)域的局限性。 第四章，提出了 本文改進(jìn)的 2種邊緣檢測(cè)算法。伴隨著生活水平的發(fā)展，人類的身體狀況也出現(xiàn)了諸多問題，許多疾病的患病率逐漸提升，并已引起了人們的警覺。 低層視覺和高層視覺 是 計(jì)算機(jī)視覺 研究 的主要內(nèi)容 。 （ 7） 圖像檢測(cè) 通過設(shè)定合理的梯度閾值，利用閾值進(jìn)行邊緣點(diǎn)的檢測(cè)。該算子是在 (x， y)為中心的 3x3矩陣 鄰域上 ， 計(jì)算 x方向 和 y 方向的 一階 偏導(dǎo) 。對(duì)這兩個(gè)矩陣求平方和，得到一個(gè)平方和矩陣，將該矩陣看作是原圖像中所有灰度幅值的近似矩陣。因此，在利用該 LoG 算法進(jìn)行邊緣檢測(cè)時(shí)，要特別注重如何選擇合適的 ? 參數(shù)值。 通過 這步 (, )Mi j 的 附近會(huì)產(chǎn)生帶狀邊緣 ， 利用這些帶狀線條提取極大值點(diǎn)， 從而達(dá)到 保留局部梯度幅值最大點(diǎn) 的目的 。若 (, )Mi j HT，則修改該處梯度幅值為 0，這樣經(jīng)檢測(cè)后得到圖像 B； Ⅲ 以圖象 B為基準(zhǔn)，借助于圖像 A進(jìn)行邊緣補(bǔ)充和連接。 云南民族大學(xué)碩士學(xué)位論文 14 第 3 章 形態(tài)學(xué)邊緣檢測(cè) 形態(tài)學(xué)基本理論 數(shù)學(xué)形態(tài)學(xué)是 是一種非線性濾波方法 ， 技術(shù)用途主要有抑制噪聲、模式識(shí)別、 分割 圖像、紋理分析 等圖像 信息 處理 等方面 。 根據(jù)數(shù)學(xué)形態(tài) 學(xué)的應(yīng)用，它 主要分為二值形態(tài)學(xué)和灰度形態(tài)學(xué)。 相異的 結(jié)構(gòu)元素 對(duì)圖像 信號(hào)進(jìn)行探測(cè) ，我們得到的是不同的圖像分析，這是由于 結(jié)構(gòu)元 素的尺寸和形狀 與 圖像結(jié)構(gòu)的信息 有關(guān)。 CB 開 運(yùn)算去掉了邊緣輪廓上突出部分 并 填充 了 圖 像中的 一些“ 洞 ” ， 而 CB 閉 運(yùn)算則 填 補(bǔ) 了 邊緣 輪廓上的凹 進(jìn)部分 并 刪除 了 圖像中的 一 些連通分量 [38] 。 因此 ，結(jié)構(gòu)元素矩陣的選取嚴(yán)重影響著經(jīng)典形態(tài)學(xué)邊緣檢測(cè)結(jié)果。這種復(fù)合濾波算法 CB 以結(jié)構(gòu)元素的輪廓為“探針”、以 “延展度”為處理原則，具有比經(jīng)典形態(tài)學(xué)濾波算法較優(yōu)越的除噪性能。分別選取去噪性能的指標(biāo) 均方誤差 （ MSE)、 平均絕對(duì)誤差 (MAE)和峰值信噪比 (PSNR)來度量該算法的邊緣檢測(cè)性能優(yōu)劣 [42] 。高斯濾波器對(duì)高斯噪聲具有較好 的去除效果，但對(duì)于其它噪聲，例如椒鹽噪聲，處理性能較差。 高斯濾波具體流程是： 用一個(gè)模板掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度 幅 值 代替 模板中心像素點(diǎn)的 灰度幅 值。 新型的形態(tài)學(xué)邊緣檢測(cè)算子近幾年成為邊緣檢測(cè)技術(shù)研究的熱點(diǎn)。濾波完成后得到的圖像取代原圖像成為待處理圖像。 ② 計(jì)算梯度幅值 ③ 對(duì)得到的梯度圖進(jìn)行非極大值抑制 ④ 雙閾值 檢測(cè)和連接 邊緣 ⑤ 邊緣細(xì)化 為了使邊緣細(xì)化成單線結(jié)構(gòu)，得到更精細(xì)的邊 緣檢測(cè)效果，我們利用形態(tài)學(xué)中的擊中、博化思想對(duì)（ 4）得到的結(jié)果進(jìn)一步細(xì)化。1 1 1 1。 B6=[0 0 0。1 1 1。本算法對(duì)椒鹽噪聲含量較高的圖像檢測(cè)效果較好，能夠得到較為清晰和細(xì)致的邊緣。那么，作為 21 世紀(jì)的公民，我們非常有必要了解圖像處理技術(shù)，掌握?qǐng)D像處理的相關(guān)知識(shí)。圖像邊緣檢測(cè)技術(shù)即為癌癥細(xì)胞的輪廓圖形取得鋪設(shè)了較好的道路。鑒于圖像照片中的豐富信息，現(xiàn)今人們廣泛的運(yùn) 用圖像信息實(shí)現(xiàn)目標(biāo)定位、目標(biāo)搜索、機(jī)器零件檢測(cè)、醫(yī)學(xué)信息分析、紅外遙感、人臉識(shí)別等領(lǐng)域。 （ 1）椒鹽噪聲濃度為 的邊緣檢測(cè) 圖 圖 canny 檢測(cè)結(jié)果 圖 本文自適應(yīng) canny形態(tài)學(xué)檢測(cè)結(jié)果 （ 2）高斯噪聲濃度為 的邊緣檢測(cè) 云南民族大學(xué)碩士學(xué)位論文 32 圖 圖 原 canny 檢測(cè)結(jié)果 圖 原加躁圖像本文算法檢測(cè)結(jié)果 仿真結(jié)果分析： 相較傳統(tǒng) canny 算法而言，本文算法在對(duì)椒鹽噪聲檢測(cè)時(shí)，能夠得到較為連續(xù)的邊緣檢測(cè)結(jié)果果，且檢測(cè)后的椒鹽噪聲圖像邊緣細(xì)節(jié)信息較為豐富，輪廓更加清晰、噪聲已被大量濾除；但是，介于本算法濾波算子較高斯濾波差異較大，故其對(duì) gaussian 噪聲檢測(cè)效果不太理想，檢測(cè)出的邊緣信息較冗雜、噪聲含量仍較多。 B8=[0 0 0。1 1 0。0 1 0 0]。 若 濾窗 S≤ Max ,則重復(fù) Alevel,否則將 H(x,y)作為輸出值。 （ 2） 算法步驟 ： ① 自適應(yīng)中值濾波 第 4章 本文改進(jìn)的邊緣檢測(cè)算法 29 自適應(yīng)中值濾波器使用一個(gè)矩形區(qū)域的濾波器，在濾波的過程中，會(huì)根據(jù)條件的改變而改變?yōu)V窗的大小。該算子既借鑒于中值濾波但又不拘泥于中值濾波 。 云南民族大學(xué)碩士學(xué)位論文 28 基于以上分析，我提出了一種 改進(jìn)的 canny形態(tài)學(xué)算法，以下的仿真分析結(jié)果表明，該算子在一些領(lǐng)域具備優(yōu)于傳統(tǒng) canny 算子的性能。 改進(jìn)的自適應(yīng) canny形態(tài)學(xué)算法 傳統(tǒng) canny 算法局限性分析 自從傅里葉變換產(chǎn)生以來，它一直作為重要的數(shù)學(xué)分析工具廣泛應(yīng)用于各種數(shù)學(xué)變換。 該邊緣檢測(cè)方法的算法流程如下所示： 圖 邊緣檢測(cè)算法流程圖 仿真分析 （ 1） 評(píng)價(jià)標(biāo)準(zhǔn) 介于人眼識(shí)別的主觀性較強(qiáng)，為更具有說服性，特采用相關(guān)資料中的客觀標(biāo)準(zhǔn)評(píng)價(jià)方案。這一問題亟待解決。設(shè) C 為去除噪聲后的圖像， 有 2種濾波除噪算法如下 [35] ： 1 ( ) { [ ( ) ] }C A B B A B B B B? ? ? ? ? ? ? （ 41） 或 2 ( ) { [ ( ) ] }C A B B A B B B B? ? ? ? ? ? ? （ 42） 這是建立在經(jīng)典形態(tài)學(xué)上的形態(tài)學(xué)濾波算法。 利用數(shù)學(xué)形態(tài)學(xué)提取圖像邊緣的算法如下： M是一個(gè)合適的結(jié)構(gòu)元素， N是原圖像，我們 先 用 M 腐蝕 N， 再算出 它 和 圖像 A的 差，設(shè) E 為 檢測(cè)出的 邊緣圖像， 算法 公式如下 ??35 ： 內(nèi)邊界邊緣檢測(cè)器 ： 1 ()E N N M? ? ? （ 31） 外邊界邊緣檢測(cè)器： 2 ()E N M N? ? ?