【正文】 // 更新視圖 pDocUpdateAllViews(NULL)。 // 指向 DIB 象素指針 LPSTR lpDIBBits。 // 判斷是否超過 255 if(fResult 255) { // 直接賦值為 255 * lpDst = 255。 // 計(jì)算 for (k = 0。 } // 鎖定內(nèi)存 lpNewDIBBits = (char * )LocalLock(hNewDIBBits)。 LONG j。現(xiàn)在我對數(shù)字圖像處理以及邊緣檢測的發(fā)展及最新進(jìn)展有了一定的了解，但這是遠(yuǎn)遠(yuǎn)不夠的，在以后的日子里，我會(huì)不斷總結(jié)發(fā)現(xiàn)，學(xué)習(xí)探究，讓自己的專業(yè)知識(shí)面更加寬廣。 蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 24 第五章 結(jié)論 本文僅是對圖像邊緣檢測中經(jīng)典算子做一個(gè)初步的總結(jié)與探討，要對圖像有更深刻的認(rèn)識(shí)需要學(xué)習(xí)的地方還有很多，所以以后進(jìn)一步要做的工作總結(jié)為以下兩點(diǎn)： 一．圖像邊緣檢測領(lǐng) 域有經(jīng)典邊緣算子以及很多新的經(jīng)過改進(jìn)的邊緣檢測算子，但它們都沒有絕對優(yōu)勢，在擁有某些有點(diǎn)的同時(shí)又存在其他方面的缺點(diǎn)，有的邊緣算子精度高，但抗噪聲能力差；有的解決了抗噪聲差的問題，可檢測精度又不高；還有的在一定程度上解決了上述問題，但算法復(fù)雜度比較大。 （ e）圖是經(jīng) Kirsch 算子處理后的圖像：與 Prewitt 算子相似，可以在 8個(gè)方向定義 Kirsch模板，它能產(chǎn)生在這些方向的估計(jì)梯度。適用于邊緣明顯且噪聲較少的圖像分割。 我先照這書上說的在 紙上做一下用戶界面的草圖，直到對各元素感到滿意為止。 這兩種方法在數(shù)學(xué)上是等價(jià)的 . 常用的高斯拉普拉斯算子是的 5 5卷積模板： ????????????????????????????????24442408044824844080424442 如圖 38所示，圖像的平滑處理減少了噪聲的影響并且它的主要作用還是抵消由 Laplacian算子的二階導(dǎo)數(shù)引起的逐漸增加的噪聲影響。 σ值越大，噪音濾波效果越好，但同時(shí)也丟失了重要的邊緣信息，影響了邊緣檢測器的性能。 （ 3） Laplace 算子無法確定邊界的方向。 圖 36 Kirsch 模板 Kirsch 算子的梯度幅度值用如下公式： G(x,y)=MAX｛ 7,...,2,0 MMM ｝ 式（ 317） 圖像中的每個(gè)點(diǎn)都用 8個(gè)掩模進(jìn)行卷積，每個(gè)掩模對某個(gè)特定邊緣方向作出最大響應(yīng)。 注意： ，因子之和都為 0，表示正如微分算子所期望的那樣，對灰度值均勻的區(qū)域來說響應(yīng)為 0。 設(shè)如下一個(gè) 3 3的區(qū)域表示一幅圖像中相鄰區(qū)域的灰度值， f(x,y)??????????987654321zzzzzzzzz 則在點(diǎn) 5z 處求一階偏微分 可用如下的 Roberts 交叉梯度算子： ? ?59 zzGx ?? 式（ 310） ? ?68 zzGy ?? 式（ 311） 利用如下的一個(gè)模板（ Roberts 算子）可以把微分應(yīng)用于整個(gè)圖像， ??????? 10 01 ?????? ?01 10 蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 14 Roberts 算子是一個(gè) 2 2的模板，如圖 33 所示，它的邊緣定位準(zhǔn)，但是對噪聲敏感，由于沒有一個(gè)中心點(diǎn)，在使用過程中多有不便。 4) 定位：如果某一應(yīng)用場合要求確定邊緣位置，則邊緣的位置可在子像素分辨率上來估計(jì)，邊緣的方位也可以被估計(jì)出來。圖（ d）中，屋頂狀邊緣的剖面可看作是將脈沖邊緣展開得到的，所以它的一階導(dǎo)數(shù)是將圖（ c）脈沖剖面的一階導(dǎo)數(shù)的上升沿和下降沿展開得到的，而它的二階導(dǎo)數(shù)是將脈沖剖面二階導(dǎo)數(shù)的上升沿和下降沿拉開得到的。這種現(xiàn)象表明可用一階導(dǎo)數(shù)的幅度值來檢測這種邊緣的存在，幅度峰值一般對應(yīng)的就是邊緣位置。一般認(rèn)為沿邊緣走向的灰度變化較為平緩，而垂直于邊緣走向的灰度變化劇烈。 第四節(jié) 論文總體結(jié)構(gòu) 在第二章第一節(jié)主要介紹邊緣檢測的基本概念，第二節(jié)闡述邊緣的定義及類型分析，而第三節(jié)介紹 邊緣檢測的一般步驟。對物體進(jìn)行度量并形成一組 N維特征。其技術(shù)特點(diǎn)要求信息的交互性、實(shí)時(shí)性和協(xié)同性。 另外還有幾種方法就不詳細(xì)介紹了如基于小波的邊緣檢測、基于形態(tài)學(xué)的邊緣檢測、基于分形理論的邊緣檢測、基于模糊學(xué)的邊緣檢測、基于人工智能的邊緣檢測等。但是由于基于梯度的邊緣檢測算子通常在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，所以采用上述算子檢測的邊緣一般需要作細(xì)化處理，這就影響了邊緣定位的精度。圖像分類常采用經(jīng)典的模式識(shí)別方法，有統(tǒng)計(jì)模式分類和句法（結(jié)構(gòu)）模式分類 ，近年來新發(fā)展起來的模糊模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)模式分類在圖像識(shí)別中也越來越受到重視。圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進(jìn)一步進(jìn)行圖像識(shí)別、分析和理解的基礎(chǔ)。 2) 圖像編碼壓縮 圖像編碼壓縮技術(shù)可減少描述圖像的數(shù)據(jù)量（即比特?cái)?shù)），以便節(jié)省圖像蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 7 傳輸、處理時(shí)間和減少所占用的存儲(chǔ)器容量。增加圖像像素?cái)?shù)使處理圖像變大，只需改變數(shù)組的參數(shù)，而處理方法不變?；诹愦┰降姆椒ㄍㄟ^尋找圖像二階導(dǎo)數(shù)零穿越來尋找邊界，通常是拉普拉斯過零點(diǎn)或者非線性差分表示的過零點(diǎn)。 邊緣在邊緣檢測、圖像分割、模式識(shí)別、機(jī)器視覺等中有很重要的作用。 最后用 VC++來實(shí)現(xiàn)各種算法，并比較各算法。在圖像處理技術(shù)中，許多場合都要求用計(jì)算機(jī)進(jìn)行圖像描述并對圖像進(jìn)行分析和理解。邊緣檢測算子檢查每個(gè)像素的領(lǐng)域并對灰度變化率進(jìn)行量化，也包括方向的確定。 在圖像處理技術(shù)中，許多場合都要求用計(jì)算機(jī)進(jìn)行圖像描述并對圖像進(jìn)行分析和理解。為了更清楚地看出效果 ,針對標(biāo)準(zhǔn)例圖 ,給出這些算法的仿真實(shí)驗(yàn)效果 ,最后對實(shí)驗(yàn)結(jié)果進(jìn)行分析 ,這對于進(jìn)一步學(xué)習(xí)和尋找更好的數(shù)字圖像邊緣檢測方法具有一定的指導(dǎo)意義。一幅數(shù)字圖像是一個(gè)用有限比特表示的實(shí)數(shù)或負(fù)數(shù)構(gòu)成的數(shù)組。 第二節(jié) 數(shù)字圖像處理研究的主要內(nèi)容 數(shù)字圖像處理主要研究的內(nèi)容有以下幾個(gè)方面： 1）圖像變換 由于圖像陣列很大，直接在空間域中進(jìn)行處理，涉及計(jì)算量很大。如強(qiáng)化圖像高頻分量，可使圖像中物體輪廓清晰，細(xì)節(jié)明顯；如強(qiáng)化低頻分量可減少圖像 中噪聲影響。對于特殊的紋理圖像可采用二維紋理特征描述。 現(xiàn)有的邊緣檢測方法大致有以下幾類： 傳統(tǒng)的圖像邊緣檢測方法大多歸結(jié)為圖像高頻分量的增強(qiáng)過程，微分運(yùn)算自然就成了邊緣檢測與提取的主要手段。高斯拉普拉斯算子，也被稱 LOG( Laplacian of Gaussian)算子，它先用高斯函數(shù)對圖像進(jìn)行平滑，再采用拉普拉斯算子根據(jù)二階導(dǎo)數(shù)過零點(diǎn)檢測邊緣。所以邊緣檢測使數(shù)字圖像分析處理的前提，檢測結(jié)果的優(yōu)劣影響著下一步圖像壓縮、計(jì)算機(jī)視覺、模式識(shí)別的應(yīng)用，所以對它的研究具有現(xiàn)實(shí)意義和理論意義。給定一幅含有多個(gè)物體的數(shù)字圖像，模式識(shí)別過程主要有三個(gè)階段組成： （ 1）圖像分割或圖像分離。圖像邊緣提取作為計(jì)算機(jī)視覺領(lǐng)域最經(jīng)典的的研究課題長期受到人們的重視。如果將參加卷積的一個(gè)函數(shù)看作區(qū)間的指示函數(shù)，卷積還可以被看作是 “ 滑動(dòng)平均 ” 的推廣。階梯狀的邊緣處于圖像中兩個(gè)具有不同灰 度值的相鄰區(qū)域之間，脈沖狀主要對應(yīng)細(xì)條狀的灰度值突變區(qū)域，而屋頂狀的邊緣上升延和下降沿都比較緩慢。這里圖像是由明變暗，所以與圖（ a）相比，剖面左右對稱，一階導(dǎo)數(shù)上下對稱，二階導(dǎo)數(shù)左右對稱。邊緣增強(qiáng)一般都是通過計(jì)算梯度幅值來完成的。 第二節(jié) 一階導(dǎo)數(shù)邊緣檢測 有兩種方法可以生成一階導(dǎo)數(shù)邊緣梯度。 蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 15 對 Prewitt 算子中的兩個(gè)等式稍做 變化，令中間因子的權(quán)重為 2： ? ? ? ?321987 22 zzzzzzG x ?????? 式（ 315） ? ? ? ?741963 22 zzzzzzG y ?????? 式（ 316） Sobel 算子的模板為： ?????????? ???121000121 ?????????????101202101 Sobel 算子認(rèn)為領(lǐng)域的像素對當(dāng)前像素的影響是不同的，所以距離不同的像素有不同的權(quán)值，且距離越小產(chǎn)生的影響越大。常用的八方向 Kirsch(3 3)模板如圖所示。拉普拉斯算子是一種二階導(dǎo)數(shù)算子 對一個(gè)連續(xù)的二維函數(shù) f(x, y)的一個(gè)二階微分，定義如下： 22222 yfxff ??????? 式（ 318） 因?yàn)槿我怆A的微分都是線性的算子，所以 Laplace 算子也是線性的。故稱為 LOG 算子。 （ 1） 選取高 斯函數(shù)對圖像 f(x,y)進(jìn)行平滑濾波 二維高斯函數(shù)為： 蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 19 G(x,y)= ]2 )(e xp [2 1 2 222 ??? yx ?? 式（ 323） g(x,y)=f(x,y) * G(x,y) 式（ 324） 在空間域?qū)⒏闼篮瘮?shù) G(x,y)與圖像 f(x,y)進(jìn)行卷積，可得到一個(gè)平滑圖像 g(x,y),其中G(x,y)是一個(gè)圓對稱函數(shù)，其平滑作用可通過高斯函數(shù)的分布參數(shù)σ進(jìn)行控制 （ 2） 對平滑后的圖像 g(x,y)進(jìn)行拉普拉斯運(yùn)算 可等效為 G(x,y)的拉普拉斯運(yùn)算與 f(x,y)卷積，即： h(x,y)= 2? [g(x,y)]= 2? [f(x,y)* G(x,y)]= f(x,y) * 2? [G(x,y)] 式（ 325） 式中： 2? [G(x,y)]稱為 LOG 濾波器， LOG 又叫墨西哥草帽濾波器。用 MFC 所建立的代碼是完全可移植的。這就是事件驅(qū)動(dòng)代碼，它構(gòu)成了所有應(yīng)用程序。一般來說，距離越遠(yuǎn)，產(chǎn)生的影響越小。但是，其對噪聲比較敏感，所以，圖像一般先經(jīng)過平滑處理，因?yàn)槠交幚硪彩怯媚０暹M(jìn)行的，所以，通常的分割算法都是把 Laplacian 算子和平滑算子結(jié)合起來生成一個(gè)新的模板。 通過這次 畢業(yè)設(shè)計(jì)，我掌握了經(jīng)典的常用邊緣檢測方法，并且能夠用 VC++語言來設(shè)計(jì)常用邊緣檢測算法。 蘇州大學(xué)本科生畢業(yè)設(shè)計(jì) 29 // 指向源圖像的指針 unsigned char* lpSrc。 // 計(jì)算圖像每行的字節(jié)數(shù) lLineBytes = WIDTHBYTES(lWidth * 8)。 j lWidth iTempW + iTempMX + 1。 // 保存象素值 fResult += (* lpSrc) *