【正文】 56)圖像進(jìn)行的各算子檢測(256256)圖像進(jìn)行的各算子檢測 （(a) 原始圖像 (b) Roberts算子邊緣檢測 (c) Sobel 算子邊緣檢測 (d) Prewitt算子邊緣檢測 (e) LOG算子邊緣檢測 (f) Canny算子邊緣檢測(256256)圖像進(jìn)行的各算子檢測在加入高斯白噪聲后以cameraman(256256)為例來比較幾個算子之間的區(qū)別：=25時 (a) 加噪圖像 (b) Roberts算子邊緣檢測 (c) Sobel 算子邊緣檢測 (d) Prewitt算子邊緣檢測 (e) LOG算子邊緣檢測 (f) Canny算子邊緣檢測 加噪sigma=25時各種算子的情況2. 當(dāng)噪聲sigma=50時 (a) 加噪圖像 (b) Roberts算子邊緣檢測 (c)Sobel 算子邊緣檢測 (d) Prewitt算子邊緣檢測 (e) LOG算子邊緣檢測 (f) Canny算子邊緣檢測 加噪sigma=50時各種算子的情況觀察結(jié)果可知：以Lena(512512)、peppers(256256)、cameraman(256256)三幅圖為例可以看出Canny算子明顯優(yōu)于Roberts算子、Sobel算子、Prewitt算子、LOG算子。這兩者對灰度漸變低噪聲的圖像有較好的檢測效果。實驗結(jié)果：，進(jìn)行了Canny算法編程,并在原始Canny程序的基礎(chǔ)上，加入了自適應(yīng)平滑濾波和33鄰域梯度幅值計算代碼，對加入了隨機噪聲的Cameraman（256256）圖像進(jìn)行了邊緣檢測試驗。第五章 總結(jié)和展望由于涉及到圖像處理、分析和理解的圖像工程問題在各個領(lǐng)域都有著越來越廣泛的應(yīng)用，使得圖像增強、壓縮編碼、邊緣檢測、圖像分割、模式識別等圖像低層次的處理成為了一個非常活躍的領(lǐng)域，在這里，只是對基于灰度圖像濾波技術(shù)與邊緣檢測中的主要方法進(jìn)行了分析研究。通過對實驗圖像的分析表明，改進(jìn)的檢測算法對圖像邊緣提取具有較好的檢測精度和準(zhǔn)確性。感謝我的指導(dǎo)老師周順勇老師，在我論文最艱難的時候總是得到您的指導(dǎo)和鼓勵，您的謙虛和好學(xué)永遠(yuǎn)是我學(xué)習(xí)的榜樣；對我的生活和學(xué)習(xí)也都給予了很大的幫助，在此向您表示深深的謝意。 * u ；e(n) = d(n) y(n) ；%誤差endhold onplot(d)plot(y,39。)figure； plot(e.^2) 。誤差曲線39。r*39。)；title(39。)) ])；hold off把自適應(yīng)平滑濾波加入Canny算子中：% Question No:3 % Detect the edges in an image using the following methods and pare the% relative performance of these methods.% a)Prewitt% b)Roberts% c)Laplacian of Gaussian(LoG)% d)Canny function edgedetect(x)f=imread（’39。205。prewitt39。Original Image39。Laplacian of Gaussian (LoG) Filter39。Program Exited39。Canny Filter39。Original Image39。roberts39。1: Prewitt\n2: Roberts\n3: Laplacian of a Guassian(LoG)\n4: Canny\n5: Exit\n Enter your choice : 39。212。)；axis([1 Nsysorder min(min(Recordedw(1:sysorder,sysorder:N)39。比較實際和估計權(quán)矢量39。k+39。輸出誤差估計39。)ylabel(39。]；%信道特性向量y = lsim(Gz,inp)；%加入噪聲n = n * std(y)/(10*std(n))；%噪聲信號d = y + n；%期望輸出信號totallength=size(d,1)；%步長N=60 ；%60節(jié)點作為訓(xùn)練序列%算法的開始w = zeros ( sysorder , 1 ) ；%初始化for n = sysorder : Nu = inp(n:1:nsysorder+1) ；% u的矩陣y(n)= w39。附錄致 謝時光飛逝，大學(xué)四年的求學(xué)生活即將結(jié)束，在論文完成之際，謹(jǐn)向我的老師、同學(xué)和朋好友致以誠摯的感謝。最后針對傳統(tǒng)Canny算子在濾波過程中存在的缺陷，提出一種基于自適應(yīng)平滑濾波改進(jìn)的Canny邊緣檢測算子。對于圖像目標(biāo)的提取有一定改善，實驗證明這是一種較好的改進(jìn)算法。 (a) 加噪后的均值濾波 (b) 濾波后的Roberts算子邊緣檢測 (c) 濾波后的Sobel算子邊緣檢測 (d) 濾波后的Prewitt算子邊緣檢測 (e) 濾波后的LOG算子邊緣檢測 (e) 濾波后的Canny算子邊緣檢測 對圖像均值濾波后各個算子的結(jié)果 (a) 加噪后的中值濾波 (b) 濾波后的Roberts算子邊緣檢測 (c) 濾波后的Sobel算子邊緣檢測 (d) 濾波后的Prewitt算子邊緣檢測 (e) 濾波后的LOG算子邊緣檢測 (f) 濾波后的Canny算子邊緣檢測 對圖像中值濾波后各個算子的結(jié)果 (a) 加噪后的硬閾值濾波 (b) 濾波后的Roberts算子邊緣檢測 (c) 濾波后的Sobel算子邊緣檢測 (d) 濾波后的Prewitt算子邊緣檢測 (e) 濾波后的LOG算子邊緣檢測 (f) 濾波后的Canny算子邊緣檢測 對圖像硬閾值濾波后各個算子的結(jié)果 (a) 加噪后的軟閾值濾波 (b) 濾波后的Roberts算子邊緣檢測 (c) 濾波后的Sobel算子邊緣檢測 (d) 濾波后的Prewitt算子邊緣檢測 (e) 濾波后的LOG算子邊緣檢測 (f) 濾波后的Canny算子邊緣檢測 對圖像軟閾值濾波后各個算子的結(jié)果從幾種濾波方式可以看出，對圖像進(jìn)行濾波后，各個算子都能較好的檢測出邊緣，并且抑制噪聲效果也比較好，但是還是受到了噪聲的影響。總的來說，Roberts算子定位精確，但由于不包括平滑，所以對于噪聲比較敏感。本論文利用了Matlab , 我們采用前面所述的檢測方法，在無噪聲和有噪聲的環(huán)境下分別給出檢測結(jié)果。)(2)BW=edge(I,39。MATLAB的圖像處理工具包是由一系列支持圖像處理操作的函數(shù)組成的，所支持的圖像處理操作有：幾何操作、區(qū)域操作和塊操作；線性濾波和濾波器設(shè)計；變換(DTC變換)；圖像分析和增強。方向偏導(dǎo)數(shù) ()135176。3）計算濾波器的權(quán)系數(shù)。該濾波器對圖像中的所有像元(包括像元灰度值突變處)灰度值都進(jìn)行了平滑，如果已知像元灰度值發(fā)生突變的位置，那么將濾波器的權(quán)值設(shè)置為0，這樣就避免了對突變處的像元點進(jìn)行平滑?？傊訖?quán)系數(shù)反映了圖像灰度值連續(xù)性的程度，經(jīng)過多次迭代后，濾波器的輸出圖像是由若干均勻強度區(qū)域所組成，且這些區(qū)域之間存在很好的邊緣，因此，自適應(yīng)平滑具有兩個明顯的作用：一是銳化了區(qū)域邊緣；二是使區(qū)域內(nèi)部得到平滑。梯度的幅值和方向也可以通過查找表由偏導(dǎo)數(shù)計算。每一個實際存在的邊緣點和檢測的邊緣點是一一對應(yīng)的關(guān)系。圖像也受到攝像機噪聲和場景中不希望的細(xì)節(jié)干擾。如果用小尺度的濾波器，又有可能平滑不完全而留有太多的噪聲。濾波(通常是平滑)、增強、檢測這三個邊緣檢測步驟對LOG邊緣檢測算法仍然成立，其中平滑是用高斯濾波器來完成的；增強是將邊緣轉(zhuǎn)換成零交叉點來實現(xiàn)的；邊緣檢測則是通過檢測零交叉點來進(jìn)行的。這種方法的特點是圖像首先與高斯濾波器進(jìn)行卷積，這一步既平滑了圖像又降低了噪聲，孤立的噪聲點和較小的結(jié)構(gòu)組織將被濾除。為此，Marr和Hildreth將高斯濾波和LaPlace邊緣檢測結(jié)合在一起，形成LOG(LaPlacianofGaussian，LOG)算法，也有人稱之為拉普拉斯高斯算法。一種更好的方法就是求梯度局部最大值對應(yīng)的點，并認(rèn)定它們是邊緣點。取它們的平方和的開方可以獲得性能更一致的全方位的響應(yīng)，這與真實的梯度值更接近。Sobel算子很容易在空間上實現(xiàn)，Sobel邊緣檢測器不但產(chǎn)生較好的邊緣檢測效果，同時，因為Sobel算子引入了局部平均，使其受噪聲的影響也比較小。 Roberts邊緣檢測方法由RobertS提出的算子是一種利用局部差分算子尋找邊緣的算子，它在2*2鄰域上計算對角導(dǎo)數(shù)： ()又稱為Roberts交叉算子。注意：梯度的幅值實際上與邊緣的方向無關(guān)，這樣的算子稱為各向同性算子(isotropicooPerators)。邊緣檢測誤差通常是指邊緣誤分類誤差，即把假邊緣判別成邊緣而保留，而把真邊緣判別成假邊緣而去掉。增強：增強邊緣的基礎(chǔ)是確定圖像各點鄰域強度的變化值。常見的邊緣點種類有：階梯型邊緣(Stepedge)，即從一個灰度(或線性灰度)到達(dá)比它高(或低)很多的另一個灰度；屋頂型邊緣(Roofedge)，它的灰度是慢慢增加(減少)到一定程度然后慢慢減小(增加)；線性邊緣(Lineedge)，它的灰度線性變換中出現(xiàn)的灰度脈沖。因此對于雙階躍邊緣大尺度下不能準(zhǔn)確定位，必須對檢測到的邊緣位置進(jìn)行移位校正。 （4）方波型屋脊邊緣方波型屋脊邊緣的模型為：，其中S為邊緣幅度，d為邊緣寬度。一階導(dǎo)數(shù)的最大值點和二階導(dǎo)數(shù)的過零點都對應(yīng)著實際邊緣的位置。 （1）階躍邊緣 模型為：在濾波器理論中，正規(guī)化參數(shù)又稱為“尺度”。由于邊緣檢測是定位灰度級的變化，因此通常使用微分法來定位邊緣。設(shè)為經(jīng)高斯函數(shù)平滑后的信號，將在處做Taylor級數(shù)展開： （）其中，與分別是信號在x=a處的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，當(dāng)時，信號在x=a處存在極值點，當(dāng)在x=a處改變符號時，則x=a為信號的拐點。因此，對各種邊緣類型進(jìn)行分類和建模就顯得格外重要。第二章介紹了邊緣模型分類及性能分析，并提出邊緣檢測中所遇到的“兩難”問題及解決方案。當(dāng)小波變換的尺度減小時，對圖像的細(xì)節(jié)更加敏感。這些算子對噪聲敏感，只適合于噪聲較小不太復(fù)雜的圖像。圖像邊緣是圖像最基本的特征之一，往往攜帶著一幅圖像的大部分信息。多尺度方法是一種有效的邊緣檢測技術(shù)?；谶吘墮z測的分割的基本思想是先檢測圖像中的邊緣點，再按一定策略連接成分割區(qū)域。目前它己經(jīng)成為21世紀(jì)信息時代的一門重要的高新科學(xué)技術(shù)。盡我所知，除文中特別加以標(biāo)注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得 及其它教育機構(gòu)的學(xué)位或?qū)W歷而使用過的材料。本文從邊緣檢測的“兩難”問題出發(fā)，對實際圖像中可能出現(xiàn)的邊緣類型進(jìn)行了數(shù)學(xué)模型描述，并研究分析了