【正文】 在這3年期間，我過得充實而快樂。 I15=imerode(I14,B6)。0 1 0]。0 0 0 0]。imshow(result)。原圖39。 pepper39。 y2=y1^2。 y2=y1^2。salt amp。但研究要深入，漫漫浮夸的研究知識，并不能獲得較好的 學術研究效果。下面我們來看一下，邊緣檢測技術的實際應用。0 1 0]。0 0 1 0]。假設濾窗為S，濾波窗口內(nèi)灰度最小值設為Min。但，高斯濾波器結構復雜，且計算速度較慢，實際應用價值較差。它們的表達式如下： （49） （410） （411）這里，和分別表示原圖像的灰度值和邊緣檢測處理后的圖像灰度值，和表示圖像的尺寸，即圖像的寬高。而現(xiàn)實中，待處理圖像并不是固定不變的，圖像尺度的不同決定了適用于它們的結構元素矩陣是有差異的，有時差異可能會很明顯。數(shù)學形態(tài)學能夠在保持圖像的基本形狀特性的前提下刪除與所需要的圖像中無關的內(nèi)容，從而達到簡化圖像數(shù)據(jù)的目的。數(shù)學形態(tài)學適用于掌握圖像具體信息，主要是運用結構形狀各異的結構元素作為“探針”去偵察待處理的目標。非極大值抑制是坎尼算子的特色步驟，其常被借鑒應用于其它算子，用以改良其它算子。然后，針對這個平方和矩陣，我們選擇一個合理的閾值進行邊緣檢測，得到的圖像即為該算法的邊緣檢測圖像。符合要求的檢測為邊緣點，信息予以保留，不符合要求的即去除。而病理細胞的檢測將可以為醫(yī)學工作者提供較好的研究依據(jù)，為人類疾病的解決帶來福音。現(xiàn)在的邊緣檢測算法雖多，但每種算法基本都存在適用環(huán)境的局限，例如經(jīng)典坎尼算子僅對高斯噪聲干擾的圖像有較好地檢測結果，而對椒鹽噪聲圖像，邊緣檢測效果很差，不能濾除大部分噪聲，造成了得到的圖像灰度階躍信息混亂，在椒鹽噪聲濃度較高時甚至難以分辨真實圖像邊緣和噪聲點。由于圖像邊緣檢測是圖像處理中的一項關鍵技術，在圖像處理和計算機視覺等領域占有重要地位，再加上圖像邊緣檢測本身的難度和深度，邊緣檢測技術一直以來都受到人們的重視，并為此進行了大量研究，迄今為止人們已提出了很多類型的邊緣檢測算法。（4）圖像壓縮：多媒體和互聯(lián)網(wǎng)的發(fā)展，使得圖像的傳輸越來越重要。 數(shù)學形態(tài)學簡稱形態(tài)學，是運用集合論來分析幾何形狀的方法，打破了傳統(tǒng)數(shù)值建模的思想，是非線性信號分析理論的一種。導 師 簽 名：低層視覺和高層視覺是計算機視覺研究的主要內(nèi)容。（3）圖像分析：為達到研究圖像的目的，我們要借助于一些數(shù)學算法來獲取圖像特定信息。在處理區(qū)域中最有意義的特征如下:形狀特征，紋理特征。 （3） 尺度過于單一。第五章，提出了本文改進算法的實際應用。（6） 圖像增強 一般我們通過計算圖像的梯度幅值，將圖像中灰度變化不太大或差異不明顯的區(qū)域的灰度差異人為加大。對于一幅圖像f(x，y)，其Prewitt算子的定義如下：H(i)=|[f(i1,j1)+f(i1,j)+f(i1，j+1)][f(i+1,j1)+f(i+1，j)+f(i+1，j+1)]| （29）H(j)=|[f(i1,j+1)+f(i,j+1)+f(i+1，j+1)][f(i1,j1)+f(i,j1)+f(i+1，j1)]| （210）則 Q(i,j)=max[H(i),H(j)]或 Q(i,j)=H(i)+H(j) （211）水平方向和垂直方向的卷積算子分別為： （212） （213）算法思想路線為：利用Prewitt的兩個算子與原圖像分別做水平和垂直方向的卷積，分別得到一個水平方向的矩陣算子和一個垂直方向的矩陣算子，該矩陣中的所有點的水平坐標為原圖像中像素點關于x方向的偏導數(shù)，垂直坐標為原圖像中像素點關于y方向的偏導數(shù)。以下公式中，和分別代表沿和方向的偏導數(shù)，即： （219） （220）圖像中每個像素點的梯度幅值和梯度方向為： （221）式中：反應了圖像點處的邊緣強度；為垂直于邊緣的方向。 Roberts檢測 Sobel檢測 Prewitt檢測 Log檢測 Canny檢測圖像邊緣檢測結果分析：Roberts對低陡峭邊緣的處理效果較好，但是它檢測出的邊緣較為粗糙；Sobel對圖像中灰度漸變的部分處理效果較好，對邊緣定位的精確度也可以；Log算子對噪聲較敏感，且邊緣定位不精確；Canny算子的邊緣檢測效果最優(yōu)，對弱邊緣和強邊緣均有較好的檢測效果，對噪聲的去除也較好，但該算子的計算輛較大。二值形態(tài)學和灰度形態(tài)學是相關聯(lián)的，類似于二值形態(tài)學，灰度形態(tài)學的運算主要有灰度腐蝕、灰度膨脹、灰度開運算和灰度閉運算。設 C 為去除噪聲后的圖像，有2種濾波除噪算法如下： （41）或 （42）這是建立在經(jīng)典形態(tài)學上的形態(tài)學濾波算法。該邊緣檢測方法的算法流程如下所示：改進的ＣＢ復合形態(tài)學濾波改進的多尺度CB形態(tài)學邊緣檢測算子輸出圖像 讀入圖像邊緣檢測算法流程圖 仿真分析（1）評價標準介于人眼識別的主觀性較強，為更具有說服性，特采用相關資料中的客觀標準評價方案?；谝陨戏治?，我提出了一種改進的canny形態(tài)學算法，以下的仿真分析結果表明，該算子在一些領域具備優(yōu)于傳統(tǒng)canny算子的性能。（2）算法步驟：① 自適應中值濾波自適應中值濾波器使用一個矩形區(qū)域的濾波器，在濾波的過程中，會根據(jù)條件的改變而改變?yōu)V窗的大小。0 1 0 0]。 B8=[0 0 0。鑒于圖像照片中的豐富信息，現(xiàn)今人們廣泛的運用圖像信息實現(xiàn)目標定位、目標搜索、機器零件檢測、醫(yī)學信息分析、紅外遙感、人臉識別等領域。當然邊緣檢測應用的領域較為廣泛，本文僅選取了較為熱門的醫(yī)學圖像信息檢測。E:pic\39。sum1=0。 end end MAEg2=vpa(sum2/(M*N),10) %PSNR PSNRg2=vpa(10*log10((M*N)/MSEg2))sum1=0。)。 [new_image,noise]=adp_spa_denoise_guassian(a,r)。)。0 1 0 0]。 B8=[0 0 0。 I12=imerode(I11,B3)。自帶canny處理結果39。起初，我對圖像處理知識一竅不通，但經(jīng)過我努力地研究、不斷的積累，終于我一步步地成長起來，在圖像處理領域小有成就。 % I18=I9I17。 I2=imerode(I1,B2)。0 0 0]。)。 x1=uint8(new_image)。E:pic\39。 y2=abs(y1)。 y2=abs(y1)。F=im2double(rgb2gray(H))。例如：（1）在對含噪圖像先期處理時，可考慮多種濾波技術融合的方法。迄今我們雖在癌癥治療上有些許進步，但我們的醫(yī)學技術離徹底治愈癌癥還差幾步。c、二次迭代，再運行一次a和b.注：多次迭代有利于薄化邊緣，增強邊緣細化程度精確定位邊緣。0 0 1]。T為濾窗S所允許的最大值。中值濾波是一種非線性平滑濾波，常用于保護邊緣信息,是經(jīng)典的平滑噪聲的方法，對椒鹽噪聲更具有較好的濾除效果。（2）仿真分析：①椒鹽噪聲圖像的邊緣檢測Ⅰ 經(jīng)典形態(tài)學邊緣檢測結果：　　　　　　　　 加入椒鹽噪聲的圖像 　　　　　　　 內(nèi)邊界邊緣檢測圖像 　　　　　　 外邊界邊緣檢測圖像 歐式邊界邊緣檢測圖像Ⅱ 一般CB形態(tài)學邊緣檢測結果：　　　　　 內(nèi)邊界邊緣檢測圖像 外邊界邊緣檢測圖像 外邊界邊緣檢測圖像Ⅲ MMED MSENE邊緣檢測結果：　　 　　　 內(nèi)邊界邊緣檢測圖像 外邊界邊緣檢測圖像 　Ⅳ EMMED MSENE邊緣檢測結果：　　 　　　 內(nèi)邊界邊緣檢測圖像　　　　 內(nèi)邊界邊緣檢測：評價標準經(jīng)典形態(tài)學一般CB形態(tài)學文獻[17]MMED MSENE本文EMMED MSENEMSE0 .16342MAE0 .36418PSNR 內(nèi)邊界邊緣檢測外邊界邊緣檢測：評價標準經(jīng)典形態(tài)學一般ＣＢ形態(tài)學文獻[17]MMED MSENE本文EMMED MSENEMSEMAEPSNR 外邊界邊緣檢測歐式邊界邊緣檢測：評價標準經(jīng)典形態(tài)學一般ＣＢ形態(tài)學文獻[17]MMED MSENE本文EMMED MSENEMSEMAEPSNR 歐式邊界邊緣檢測②高斯噪聲圖像的邊緣檢測Ⅰ經(jīng)典形態(tài)學邊緣檢測結果：　　　 　　 加入高斯噪聲的圖像 　　 　　　 Ⅱ一般CB形態(tài)學邊緣檢測結果：　　　 　　 內(nèi)邊界邊緣檢測圖像 外邊界邊緣檢測圖像 外邊界邊緣檢測圖像Ⅲ MMED MSENE邊緣檢測結果：　　　 　　 內(nèi)邊界邊緣檢測圖像 內(nèi)邊界邊緣檢測圖像 內(nèi)邊界邊緣檢測圖像Ⅳ EMMED MSENE邊緣檢測結果：　　 內(nèi)邊界邊緣檢測圖像　　　　　　 外邊界邊緣檢測圖像 歐式邊界邊緣檢測圖像內(nèi)邊界邊緣檢測：評價標準經(jīng)典形態(tài)學一般ＣＢ形態(tài)學文獻[17]MMED MSENE本文算法2EMMED MSENEMSEMAEPSNR 內(nèi)邊界邊緣檢測外邊界邊緣檢測：評價標準經(jīng)典形態(tài)學一般ＣＢ形態(tài)學文獻[17]MMED MSENE本文算法2EMMED MSENEMSEMAEPSNR 外邊界邊緣檢測歐式邊界邊緣檢測：評價標準經(jīng)典形態(tài)學一般ＣＢ形態(tài)學文獻[17]MMED MSENE本文算法2EMMED MSENEMSEMAEPSNR 歐式邊界邊緣檢測通過對以上對幾種算法的仿真結果的PSNR、MSE和MAE的數(shù)值分析可以看出，不論是對含椒鹽噪聲的圖像還是對含高斯噪聲的圖像，對圖像的內(nèi)邊界檢測、外邊界檢測和歐式梯度邊界檢測，本文改進的EMMED MSENE算法的峰值信噪比PSNR都最高，均方誤差(MSE)和平均絕對誤差(MAE)數(shù)值都最小，這說明本文改進的EMMED MSENE算法與經(jīng)典形態(tài)學、一般ＣＢ形態(tài)學和MMED MSENE相比，提取的邊緣質(zhì)量較高，提取的邊緣效果較好，具有較高的邊緣檢測性能。經(jīng)典形態(tài)運算中用到的結構元素尺度不盡合理，具體的每一個結構元素并不適用于所有圖像，不能有效地區(qū)分出信號點和非信號點。而灰度形態(tài)學又是基于二值形態(tài)學而創(chuàng)立的一門研究學科。在數(shù)學形態(tài)學中，結構元素的選取非常關鍵，這關系到處理結果是否理想。若，則該點不是邊緣點并將值賦為 0。它的基本思想是：首先用高斯濾波函數(shù)對圖像濾波去除噪聲，再采用拉氏算子處理高斯濾波后的圖像，最后提取再對一階導數(shù)求導得到極值點，這些極值點形成的圖像即為邊緣檢測效果圖。當然，科學研究中，并沒有一成不變的事物。最后，附貼了本文算法改進的部分代碼和相關文獻。詳細地分析了個算法的優(yōu)缺點和應用范圍及適應性。(3)邊緣檢測響應越少越好，最好是唯一響應。邊緣廣泛存在于物體與物體、物體與背景之間。 image analysis and image understanding is the main content of the highlevel vision research, mainly is the simulation of biological for image information perception and the ability to apply the puter. Contains abundant information of image, the