【正文】 有間斷。由于這些算法涉及梯度的運算 ,因此均存在對噪聲敏感、計算量大等缺點。可以看出 ,在邊緣處象素的 USAN 值都小于或等于其最大值的一半。由于圖像的數(shù)字化 ,實際上無法實現(xiàn)真正的圓形模板 ,所以都是采用近似 圓代替。因此對于不同對比度和噪聲情況的圖像 , 應(yīng)取不同的 t 值。因此 SUSAN 邊緣檢測算法可以用于被噪聲污染的圖像的邊緣檢測。 (5)可以檢測邊緣的方向信息 SUSAN 算法實際上還可以檢測邊緣的方向信息。 LOG濾波器中的 ? 正比于低通濾波器的寬度， ? 越大，平滑作用越顯著，去除噪聲越好，但圖象的細節(jié)也損失越大，邊緣精度也就越低。如果進一步減小門限 g 的數(shù)值 ,SUSAN算法還可以用于角點的檢測。 *****本科畢業(yè)論文（設(shè)計） 第 19頁 共 28頁 致謝： 本課題在整個完成過程中得到孔敏老師的悉心指導(dǎo)。,. [3]Mathews Jacob,Michael Unser. Design of Steerable Filters for Feature Detection Using CannyLike TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE,2020. [4]姬光榮 ,王國宇 ,王寧 .基于小波變換的多尺度邊緣檢測 .中國圖象圖形學(xué)報 .,. [5] 鄭靜 梁少華 王騰 .基于 MATLAB仿真的邊緣檢測算子研究 .電腦知識與技術(shù)年 .2020, 6(5) *****本科畢業(yè)論文（設(shè)計） 第 20頁 共 28頁 [6] 左飛 .數(shù)字圖像處理原理與實踐 :基于 VisualC++開發(fā) .電子工業(yè)出版社 .2020 [7]張廣軍 . 機器視覺 北京：科學(xué)出版社 2020 [8]Rafael ,Richard 著，阮秋琦 阮宇智 等譯 .數(shù)字圖像處理（第二版）北京：電子工業(yè)出版社， 2020 附件 ： CannyPic 類： class CannyPic { public static void main(String[] args) { new CannyPicFrame()。 addWindowListener(new Handlewin())。 class CannyPicPanel extends JPanel { int w,h。 Image imagtest。 *****本科畢業(yè)論文（設(shè)計） 第 23頁 共 28頁 int Width。 } } PixelContrl 類： class PixelContrl { MyImage myimage。 imageW=。iimageW。j++) }//for(int i=2。i5。i++) return r。 double rgb1=r1*+g1*+b1*。 double b1=(*(0xffamp。j++) }//for(int i=0。 } public double Convolution(int x,int y,double[] C)//做卷 積 { double r=0。 }//for (int j=2。 } catch (InterruptedException e){} (imageW)。 double[] Gy={, , *****本科畢業(yè)論文（設(shè)計） 第 24頁 共 28頁 0,0,0,0,0, , , }。 } catch (InterruptedException ex) {} =(this)。 } } MyImage 類： class MyImage extends Applet { Image myimage。(pic_url)。 import .*。 setBounds(10,10,1024,700)。感謝所有關(guān)心和幫助過我的人，我將在以后的學(xué)習(xí)和工作中更加努力。它是一階傳統(tǒng)微分中檢測階躍型邊緣效果最好的算子之一 ， LOG濾波器和 Canny算子能夠檢測出圖象較細的邊緣部分。而對于 SUSAN 邊緣檢測算法，則是直接利用圖像灰度相似性的比較 ,而不需計算梯度 ,具有算法簡單、定位準(zhǔn)確、抗噪聲能力強等特點。這兩者對灰度漸變低噪聲的圖象有較好的檢測效果，但是對于混合多復(fù)雜噪聲的圖象，處理效果就不理想了。而對于其他的經(jīng)典的邊緣檢測算法 ,如果采用歐式距離作為梯度算子 , Sobel 算子采用兩個 3 3 的模板 ,對每一點需要做 9 次加法 ,6 次乘法 ,以及 1 次開方運算 ,則共需要做 256 256 9 次加法運算和 256 256 6 次乘法運算 ,以及 256 256 次開方運算。很明顯 ,如果考慮有獨立同分布的高斯噪聲 ,只要噪聲小于 USAN 函數(shù)的相似灰度門限值 ,噪聲就可被忽略。門限 t 表示所能 檢測邊緣點的最小對比度 , 也是能忽略的噪聲的最大容限。圖像中每一點的 USAN 區(qū)域大小1 if | I ( r) I ( r0 ) | = t0 if | I ( r) I ( r0 ) | t???*****本科畢業(yè)論文（設(shè)計） 第 15頁 共 28頁 可用下式表示 : (16) (2)式中 D(r0)為以 r0 為中心的圓形模板區(qū)域。當(dāng)模板中心處 于邊緣時 ,USAN 區(qū)域很小 (如圖 1 中的 d) 。 用雙閾值算法檢測和連接邊緣。根據(jù)這一操作，梯度幅值的非極大點背出去，邊緣也就變細了。 設(shè) [f(i,j)]為原始圖像，它的局部均值和局部標(biāo)準(zhǔn)偏差分別為 [_f(i,j)]和σ (i,j)，則增強后的圖像在點 (i,j)處灰度為： g(i,j) = [a * md + (1a)*_f(i,j)] + [f(i,j) _f(i,j)]* A*σd/[A*σ(i,j) + σ_d] (10) 其中， m_d 和σ _d 表示設(shè)計的平均值和標(biāo)準(zhǔn)偏差， A 是增益系數(shù)， a 是控制增強圖像中邊緣和背景組成的比例常數(shù)。在該算子中， ? 的選擇很重重要， ? 選小時位置精度高但邊緣細節(jié)變化多。運用 LoG 算子檢測邊緣，實際上就是尋找滿足 2 [ ( , ) ( , ) ] 0f x y h x y? ? ? 的點。 (4) 高斯 拉普拉斯 (LOG)算子 LOG 算子是在拉普拉斯算子的基礎(chǔ)上實現(xiàn)的，它得意于對人的視覺機理的援救，有一滴昂的2 0 2 1 0 1 1 2 1 0 0 0 1 2 1 *****本科畢業(yè)論文（設(shè)計） 第 10頁 共 28頁 生物學(xué)意義。所以，與使用 Prewitt邊緣算子一樣，圖像中的每個點都用這兩個模板來進行卷積，與 Prewitt 邊緣算子不同， Sobel邊緣算子把重點放在接近于模板中心的像素點： a0 a1 a2 a7 [i,j] a3 a6 a5 a4 1 0 1 1 0 1 1 0 1 z 1 1 0 0 0 1 1 1 1 0 1 2 3 4 0 7 60 1 2 6 5 4( ) ( )( ) ( )xyf a c a a a c a af a c a a a c a a? ? ? ? ? ? ?? ? ? ? ? ? ?*****本科畢業(yè)論文（設(shè)計） 第 9頁 共 28頁 Gx= Gy= Gx 對于垂直邊緣響應(yīng)最大，而 Gy 對于水平邊緣響應(yīng)最大，從卷積模板可以看出，這一算子把重點放在接近與模板中心的像素點。在實際應(yīng)用時，其可用下面的簡單卷積模板 Gx 和Gy 完成： fx xfy xff????? ??????????????? ?, a r c t a n y xfxy f? ???? ?????22( , ) xyG X Y f f????[ 1 , ] [ , ][ , ] [ , 1 ]xyf f i j f i jf f i j f i j? ? ? ?? ? ? ?*****本科畢業(yè)論文（設(shè)計） 第 7頁 共 28頁 Gx= Gy= 在以梯度表示二維圖像局部特性時，應(yīng)計算同一圖像位置 (x,y)的偏導(dǎo)數(shù)，然而采用式 ()計算的梯度近似值 和 并不屬于同一圖像位置。 邊緣有方向和幅度兩個特性，通常沿邊緣走向的幅度變化比較平緩，而垂直于邊緣走向的幅度變換比 較劇烈。對于屋頂狀邊緣點 Q39。 fE(x)和 fR(x)的一階、二階導(dǎo)數(shù)分別如上圖的 (e)， (f)和 (g)， (h)所示。和 Q39。 下圖 (a)中 OIJ 圖像平面 上 PP′是階躍狀邊緣， PP′上每個像素均是階躍邊緣 點圖 (b)中 ′是屋頂狀邊緣，位于圖像平面 OIJ 上邊緣 ′的每個像素稱為屋頂狀邊緣點。 本文主要對邊緣檢測進行分析。 條件①指出在對一幅圖像的分割結(jié)果中全部子區(qū)域的總和 (并集 )應(yīng)能包括圖 像中所有像素（就是原圖像）；條件②指出在分割結(jié)果中各個子區(qū)域是互不重疊的，或者說在分割結(jié)果中一個像素不能同時屬于兩個區(qū)域；條件③指出屬于同一個區(qū)域中的像素應(yīng)該具有某些相同特性；條件④指出在分割結(jié)果中屬于不同區(qū)域的像素應(yīng)該具有一些不同的特性；條件⑤要求分割結(jié)果中同一個子區(qū)域內(nèi)的任兩個像素在該子區(qū)域內(nèi)互相連通，或者說分割得到的區(qū)域是一個連通組元。為了辨識和分析目標(biāo)，需要將它們分離提取出來，在此基礎(chǔ)上