【文章內(nèi)容簡介】 同時也存在一些不足,為了能夠在圖像邊緣檢測中得出較好的檢測結(jié)果,濾波尺度要運用的比較大,這會丟失圖像中的一些細(xì)節(jié)?？材嵫芯苛俗顑?yōu)邊緣檢測器所需的特性，給出了評價邊緣檢測性能優(yōu)劣的三個指標(biāo)： 1）高的準(zhǔn)確性，在檢測的結(jié)果里應(yīng)盡量多的包含真正的邊緣，而盡量少的包含假邊緣。 2）高的精確度，檢測到的邊緣應(yīng)該在真正的邊界上。 3）單像素寬，要有很高的選擇性，對每個邊緣有唯一的響應(yīng)。 針對這三個指標(biāo)，Canny提出了用于邊緣檢測的一階微分濾波器的三個最優(yōu)化準(zhǔn)則，即最大信噪準(zhǔn)則、最優(yōu)過零件準(zhǔn)則和單邊緣相應(yīng)準(zhǔn)則信噪比準(zhǔn)則 （）其中為邊緣函數(shù)；為帶寬為W的低通濾波器的脈沖響應(yīng)；是高斯噪聲的均方差。定位精確準(zhǔn)則L為邊緣的定位精度，定義如下： （）其中和為和的一階倒數(shù)；L是對邊緣精確定位的度量，L越大定位精度越高。單邊緣響應(yīng)準(zhǔn)則要保證對單邊緣只有一個響應(yīng)，檢測算子的脈沖響應(yīng)導(dǎo)數(shù)的零點交叉平均距離應(yīng)該滿足： （）式中為的二階導(dǎo)數(shù)；是進行邊緣檢測后的圖像這三個準(zhǔn)則是對前述邊緣檢測指標(biāo)的定量描述。抑制噪聲和邊緣精確定位是無法同時得到足的，即邊緣檢測算法通過圖像平滑算子去除噪聲，勢必增加邊緣定位的不確定性；反之，提高邊緣檢測算子對邊緣的敏感性，同時也提高了對噪聲的敏感性。因此，在實際應(yīng)用中只能寄希望于再抑制噪聲和提高邊緣定位精度之間實現(xiàn)一個合理的折衷。馬爾算子(LOG)馬爾算子(LOG)的核心思想是首先運用Gaussian函數(shù)平滑圖像,再運用拉氏算子根據(jù)二階導(dǎo)數(shù)過零點對圖像進行邊緣檢測。馬爾算子(LOG)本身有三方面優(yōu)點:一是通過對兩個不同帶寬的高斯曲面之差近似的實現(xiàn)算子,提高運算的速度。二是使用高斯濾波器能夠同時在空域和頻域達(dá)到最佳。三是具有邊緣定位精度高、抗干擾能力強、連續(xù)性好等特點,并且可以提取對比度較弱的邊緣輪廓。不足之處是高斯濾波的零交叉點不一定全部是邊緣點,所以還需要進一步確定邊緣像素點的真?zhèn)巍Ｋ^零交叉點就是：如果一個像素處的值小于一0，而此像素8連通的各個像素都是大于0（0是一個正數(shù)）那么這個像素就是零交叉點。這樣還能克服拉普拉斯算子對噪聲敏感的缺點，減少了噪聲的影響。二維高斯函數(shù)為： （）幾種算子的比較算子優(yōu)缺點索貝爾算子對灰度漸變和噪聲較多的圖像處理較好，索貝爾算子對邊緣定位比較準(zhǔn)確Roberts 算子對具有陡峭的低噪聲的圖像處理效果較好，但利用Roberts算子提取邊緣的結(jié)果是邊緣比較粗，因此邊緣定位不準(zhǔn)確坎尼算子此方法不容易收噪聲干擾，能夠檢測到真正的弱邊緣。該方法的有點在于使用兩種不同的閥值分別別檢測強邊和弱邊緣，并且僅當(dāng)弱邊緣與強邊緣相連時，才將弱邊緣包含在輸出圖像中。這種方法不容易被噪聲“填充”，隔壁容易檢測出真正的弱邊緣。馬爾算子(LOG)馬爾算子經(jīng)常出現(xiàn)在雙邊緣像素邊界，對噪聲比較敏感，所以很少用它檢測邊緣，而是用來判斷邊緣像素位于圖像的明區(qū)還是暗區(qū)根據(jù)上表可以看出本實驗最好的檢測方法是用坎尼算子來進行邊緣檢測。 角點檢測算法的核心思想是使用角點檢測法找出圖像中的角點,再使用相關(guān)函數(shù)計算就可以進行圖像配準(zhǔn)角點的檢測法有很多種,例Moravec檢測法、Forstner檢測法、Harris檢測法、SUSAN檢測法、Trajkovic檢測法等。下面進行詳細(xì)研究。 Moravec檢測法Moravec檢測法是在1977年被提出來的,其核心思想是首先通過計算得出每個像素點的興趣值,興趣值是通過計算以像素點為中心向不同方向得出的灰度差的平方和,在這些平方和中取其最小值得到的。其次,我們將根據(jù)實際圖像來設(shè)定一個閥值,遍歷圖像中的每一個像素點,如果該點的興趣值大于該點的閥值,那么這個點就作為一個候選點出現(xiàn)。最后,選擇一個固定大小的滑動窗口,并遍歷這個滑動窗口中灰度圖像,在遍歷過程中蹄選興趣值最大的候選點,將它作為特征點。Moravec檢測法對斜邊緣的響應(yīng)很強,對噪聲響應(yīng)也較強。Forstner 檢測法Forstner檢測法的核心思想是先計算圖像中每一個像素的Robert梯度值,再得出以每個像素為中心窗口的灰度協(xié)方差矩陣,然后以接近圓的最小誤差橢圓點作為角點。Forstner檢測法的計算速度比較快而且計算的精度也比較高,但這種檢測法的計算過程中非常復(fù)雜。Harris檢測法Harris檢測法是C. Harris和M. J. Stephens于1988年在Moravec檢測法的基礎(chǔ)上改進的新算法。該算法屬于基于信號方法的點特征提取算法,因為在檢測過程中只是用到了灰度的一階差分以及濾波。所以算法操作簡單,在提取的特征點上是均勾且合理的,由于這種檢測法只使用圖像灰度的一階導(dǎo)數(shù)參與計算,即使在圖像出現(xiàn)噪聲、旋轉(zhuǎn)灰度變化及視點變換等不同情況下,提取到的角點也較為穩(wěn)定。 對于圖像，當(dāng)在點（x,y)處平移后的自相似性可以通過自相關(guān)函數(shù)給出： ()其中是以點為加權(quán)函數(shù)，既可以用常數(shù)表示，又可以用高斯加權(quán)函數(shù)表示根據(jù)泰勒展開，對圖像在平移后進行一階近似： ()公式中（2）中是圖像偏導(dǎo)數(shù)較為穩(wěn)定。SUSAN檢測法SUSAN檢測法是英國牛津大學(xué)的S. M. Smith和J. M. Brady共同研究出的新角點算法,其核心思想是通過分析圖像內(nèi)某一個像素點為中心的局部區(qū)域內(nèi)亮度值的分布情況來找出角點。SUSAN檢測法無需梯度運算,計算效率高,抗噪能力強,但計算量比較大。Trajkovic檢測法基于 SUSAN 檢測法中 USAN 的定義,Miroslav Trajkovic 和 Mark Hedley 在 1998年共同提出了最小亮度變化角檢測法。這種檢測法的核心思想是:對具有較低分辨率的原始圖像,判斷某個核心點為角點的原則是計算過核心點的任意一條直線與USAN區(qū)域的交點的個數(shù)。該算法可以實現(xiàn)減少提取紋理角點數(shù)量的目的,從而加快了檢測算法的速度。這種檢測法精度很高,但對噪聲非常敏感,還不具有旋轉(zhuǎn)不變性,并且具有斜邊緣異常反應(yīng)。圖像融合技術(shù)主要指的是通過某一種算法,從多張已經(jīng)配準(zhǔn)后的圖像中提取有用信息,使其融合到一張圖片中,并使其得以顯現(xiàn)的綜合技術(shù)。為了使圖像包括的信息更全面,更為準(zhǔn)確,使用圖像融合技術(shù)是很好的一個選擇,這些優(yōu)點是單一源圖像所不具備的,經(jīng)過圖像融合技術(shù)融合的圖像將更加滿足人們的要求,圖像融合技術(shù)可以降低圖像的部分冗余信息,只保留我們主要關(guān)注的信息,所以經(jīng)過圖像融合技術(shù)融合后的信息,相對來說比源圖像的信息量要稍微少一點。 在圖像的采集過程中,可能會有多種因素影響采集效果,例如圖像的曜光時間或者是光線條件等。由于采集來的多張源圖像在亮度上差異比較大,如果直接進行簡單的拼接,得到的圖像就會在重合區(qū)域上比較模糊,甚至產(chǎn)生噪聲點或者是鬼影,在圖像的臨界點也可能出現(xiàn)拼縫。所以為了得到更加清晰適用的照片,我們就需要對拼接后的圖像進行融合技術(shù)處理。而圖像融合的關(guān)鍵就是要選擇一種好的融合策略,使得融合后的圖像在臨界點上無拼接拼縫,過度平滑,實現(xiàn)無縫拼接。由于在圖像融合的過程中使得圖像信息有一部分丟失,所以好的融合策略要盡可能的保存原始圖像中信息,圖像融合算法應(yīng)該具有健壯性、簡單性、高效性、穩(wěn)定性和很好的容錯能力。圖像融合的最終目標(biāo)是得到質(zhì)量更高,信息更全的圖像信息,而經(jīng)過圖像融合后,原有的若干圖像可以互補,也可以去除部分冗余信息,可以更好的分析、理解場景,并能更好的檢測識別圖像或追蹤目標(biāo)。一個好的圖像融合技術(shù)應(yīng)盡量保留源圖像中的有用信息,去除冗余信息,使得圖像更加適應(yīng)人的感官要求。得到質(zhì)量更高的圖像信息是圖像融合的最終目的。本論文中的圖像融合算法使得圖像更可靠,健壯、具有良好的置信度。 隨著計算機技術(shù)的不斷發(fā)展,圖像處理技術(shù)已進入各行各業(yè),而在圖像處理技術(shù)中,圖像融合又是目前的研究熱點。圖像融合技術(shù)最早在遙感圖像的分析和處理中得到了廣泛的應(yīng)用。Daily等人于1979年率先研究出在地質(zhì)解釋中應(yīng)用Landsat_MSS圖像和雷達(dá)圖像的復(fù)合圖像,最簡單的圖像融合由此產(chǎn)生。Lanet與Todd于1981年對MSS與LandsatRBV圖像信息進行了融合。圖像融合技術(shù)在1980年后開始被人們所關(guān)注的,在紅外圖像、可見光圖像、多聚焦圖像等方面,以及遠(yuǎn)程遙感圖像的分析和處理過程中都應(yīng)用了圖像融合技術(shù)。研究者Burt于八十年代中期率先研究出將拉普拉斯金字塔技術(shù)應(yīng)用于圖像融合技術(shù)。之后,研究者Adelson使用拉普拉斯技術(shù)將焦距不同的出自同一相機的多張圖像制作成具有擴展景深的一幅融合圖像。Chiche與Bonn于1985年將由SPOT衛(wèi)星拍攝到的高分辨率圖像與LandsatTM的多光譜遙感圖像融合。Ajjimarangsee與Huntsberger于1988年將紅外和可見光圖像利用神經(jīng)網(wǎng)絡(luò)方法進行融合。研究者Toet于1989年研究出了 contrast pyramid與低通比率金字塔,并將這兩種技術(shù)應(yīng)用于紅外與可見光圖像的融合中。隨著小波理論的不斷發(fā)張,在九十年代后期,離散小波技術(shù)逐漸應(yīng)用于圖像融合技術(shù)中。研究者Zhang等人在研究基于多分辨率分析的圖像融合技術(shù)的基礎(chǔ)上提出基于區(qū)域的圖像融合技術(shù)。由于彩色圖像可視性更直觀更好,所以研究者開始致力于彩色圖像融合算法的研究,各國研究者主要是將可見光圖像和紅外圖像利用佶抗處理技術(shù)進行融合,有些研究者將原始圖像的特有部分和共有部分進行分析,從而研究出彩色映射法。隨著科學(xué)技術(shù)的迅速發(fā)展,圖像分析及圖像處理的研究熱點逐漸轉(zhuǎn)移到圖像融合技術(shù)上來。圖像融合技術(shù)是一種信息融合的有效工具,已廣泛應(yīng)用于軍事偵查、紅外目標(biāo)檢測、經(jīng)濟信息、智能機器人視覺、醫(yī)療診斷、遙感圖像處理、計算機城市規(guī)劃、交通管制、決策支持系統(tǒng)等領(lǐng)域。 圖像融合主要思路是利用某種算法將多幅(兩個或兩個以上)的圖像進行綜合和處理,最后得出一幅多信息的新圖像。像素級融合、特征級融合、決策級融合是圖像融合技術(shù)的處理過程的三個層次_。像素級融合該融合更多地保持了場景中的原始信息,其準(zhǔn)確性最高,這是因為該融合是直接在原始數(shù)據(jù)層上進行的,它的細(xì)節(jié)信息更加精確、可靠而且豐富。該融合主要是在圖像的基礎(chǔ)層面上進行的融合,多數(shù)是對多傳感器目標(biāo)和背景要素的測量結(jié)果進行融合處理。該融合對于圖像的進一步理解、分析和處理更加有利。該融合稱為低層次融合,是因為其在信息處理層次中處于較低層,作為決策級圖像融合和特征級圖像融合的基礎(chǔ),其應(yīng)用是最為廣泛的。低層次融合是圖像融合中最為復(fù)雜、實施難度最大的融合層次,原因在于,一是必須要對要進行融合的每個圖像進行精確的圖像配準(zhǔn),才能獲得高質(zhì)量的像素級圖像融合結(jié)構(gòu),圖像配準(zhǔn)的精確度必須要達(dá)到像素級。原因二是,相對于特征級圖像融合及決策級圖像融合,該融合有很多信息量需要處理,因此需要的時間比較長,而對圖像設(shè)備要求也較高。特征級融合特征級融合屬于中間層,所以也稱為中間級融合。特征級融合首先提取來自傳感器的原始圖像中的特征,之后對于提取到的特征信息進行綜合的分析處理并進行融合。在特征級融合中我們可以提取的特征信息主要包含線型、形狀、大小、邊緣、方、相似景深區(qū)域、相似度區(qū)域、輪廓和距離等。特征級融合是對實時處理有利的一種融合,這種方法既可以對客觀信息進行壓縮又可以保留足夠多的圖像信息。統(tǒng)計分析等方法是進行特征級融合時常用的方法。該融合的優(yōu)點是其融合結(jié)果可以最大限度地找出決策分析所需要的特征信息,這是因為在特征級融合過程中提取的特征是與決策分析直接相關(guān)的,由于融合結(jié)果受到特征提取的影響,所以融合的精準(zhǔn)度往往低于像素級融合決策級融合該融合屬于圖像融合中的高層次融合。在特征級融合層次的基礎(chǔ)上,根據(jù)一定的準(zhǔn)則和每個傳感器的可信度來完成相關(guān)決策融合處理。為了提高決策的可靠性和智能性,該融合方法主要是使用認(rèn)知模型,利用專家判決系統(tǒng)和大型數(shù)據(jù)庫進行模擬識別、推理、分析、判決這樣一個過程。該融合具有使用的通信帶寬要求不高,實時性最好,開放性良好,處理速度最快等優(yōu)點,但在融合的過程中,信息損失數(shù)量也是非常大的。 已經(jīng)出現(xiàn)的很多種圖像融合算法，都是針對不同的融合層次而研究出來的：像素級圖像融合的方法包括:馬爾可夫隨機場(Markov Random Field)、邏輯濾波器法、圖像代數(shù)法、加權(quán)平均法、彩色融合、數(shù)學(xué)形態(tài)法、主分量分析、多尺度卡爾曼濾波、小波變換圖像融合法、基于微分幾何的圖像融合、多分辨法等。特征級圖像融合的方法包括:聚類分析法、Dempstershafe推理法、墑法和表決法、神經(jīng)網(wǎng)絡(luò)法、聯(lián)合統(tǒng)計、帶約束的高斯一馬爾可夫估計、廣義卡爾曼濾波、貝葉斯估計法等。決策級圖像融合方法包括:模糊邏輯、帶置信度因子的生成規(guī)則、關(guān)系事件代數(shù)方法、貝葉斯估計法、DS證據(jù)推理法等。4實驗結(jié)果和分析由于實驗室材料有限不能以大尺寸零件來完成本課題。這里用寬度為3mm的錐形零件來代替大尺寸零件，本次實驗主要通過圖像處理的方