【正文】 度和矩判斷出該圖形為圓。判斷程序代碼如下：a=max(khoangcach{k})。b=min(khoangcach{k})。dolech=ab。if dolech 10 text(s(k).Centroid(1)20，s(k).Centroid(2)，39。圓39。)對(duì)菱形進(jìn)行邊緣提取，并根據(jù)求出的圓形度和矩判斷出該圖形為菱形。判斷程序代碼如下：a=max(khoangcach{k})。b=min(khoangcach{k})。c=dt(k).Area。thoi= (c*( a^2 b^2 )^) / (2*a^2*b)elseif (thoi ) amp。 (thoi ) text(s(k).Centroid(1)20，s(k).Centroid(2)，39。菱形39。)對(duì)正方形進(jìn)行邊緣提取，并根據(jù)求出的圓形度和矩判斷出該圖形為正方形。判斷程序代碼如下：b=min(khoangcach{k})。c=dt(k).Area。vuong = c/(4*b^2)elseif (vuong ) amp。 (vuong ) text(s(k).Centroid(1)20，s(k).Centroid(2)，39。正方形39。)對(duì)長方形進(jìn)行邊緣提取，并根據(jù)求出的圓形度和矩判斷出該圖形為長方形。判斷程序代碼如下：a=max(khoangcach{k})。b=min(khoangcach{k})。c=dt(k).Area。chunhat=c/(4*b*(a^2b^2)^)。elseif ((chunhat ) amp。 (chunhat )) text(s(k).Centroid(1)20，s(k).Centroid(2)，39。長方形39。)第二節(jié) 仿真實(shí)驗(yàn)及結(jié)果分析相對(duì)來說，用Sobel算子進(jìn)行邊緣檢測(cè)得到的圖像效果較好，因?yàn)镾obel算子提供了精確的邊緣方向估計(jì)。但是Sobel算子也存在著一些不足，仿真過程中會(huì)出現(xiàn)邊緣多像素點(diǎn)的問題。相比于Sobel算子，Canny算子具有更好的優(yōu)勢(shì)，它能夠有效的克服Sobel算子的缺點(diǎn)，并且能減弱噪聲對(duì)識(shí)別性能的影響。一、仿真實(shí)驗(yàn)選取的原始圖像如圖41所示，通過編寫matlab程序，分別利用sobel算法，prewitt算法，roberts算法，Canny算法和log算法對(duì)該jpg格式的圖片進(jìn)行邊緣提取，所的結(jié)果如圖42和43所示。圖41 原始圖像圖42(a) sobel算法邊緣提取圖像圖42(b) prewitt算法邊緣提取圖像圖42(c) roberts算法邊緣提取圖像圖42(d) canny算法邊緣提取圖像圖42(e) log算法邊緣提取圖像圖43 識(shí)別圖像二、結(jié)果分析仿真實(shí)驗(yàn)結(jié)果表明，以上算法都可以識(shí)別出相對(duì)應(yīng)的形狀，但其邊緣檢測(cè)效果各有優(yōu)勢(shì)，從整體上來講，sobel算法，prewitt算法，roberts算法和log算法的仿真效果比canny算法略好，原因是canny算法在識(shí)別圓形時(shí)出現(xiàn)了明顯的毛刺。就單個(gè)算法而言，sobel算法和log算法在識(shí)別正方形和三角形邊緣時(shí)的精度不高，有微小的毛刺產(chǎn)生；roberts算法在識(shí)別長方形和正方形邊緣時(shí)的效果比識(shí)別圓形與三角形的效果略差；prewitt算法在識(shí)別各種邊界時(shí)都表現(xiàn)出很好的效果。但以上的各個(gè)邊緣提取方法皆是針對(duì)性相對(duì)較強(qiáng)的方案，尤其是在通過了多次仿真后得出這些邊緣提取算法的精度被控制在一定范圍類，達(dá)不到高精度的要求。同時(shí)，提取方法在提高抗噪性和提高識(shí)別精度方面是對(duì)立的。一方面，要想提高算法的抗噪性能，必須以犧牲識(shí)別精度為代價(jià)；另一方面，要想提高算法的識(shí)別精度和識(shí)別效率，則在算法的抗噪性能方面考慮較少。然而，在實(shí)際的圖像處理過程中都會(huì)產(chǎn)生噪聲，并且噪聲往往是難以消除的，其原因是噪聲的方向和分布等信息難以預(yù)測(cè)，即使有些算法可以有效濾出噪音，然而都會(huì)對(duì)圖像邊緣進(jìn)行模糊處理，更大程度上降低了圖像識(shí)別的精度。當(dāng)圖像受到光照等因素的影響，我們無法的到圖像邊緣的信息，因此，運(yùn)用單一的邊緣檢測(cè)算法無法對(duì)圖像進(jìn)行較高精確度的處理，因此，邊緣檢測(cè)方法往往只是運(yùn)用在了圖像處理的初級(jí)階段。由于計(jì)算機(jī)技術(shù)及圖像識(shí)別技術(shù)地不斷發(fā)展，迫切需要尋找一種相對(duì)簡單的邊緣檢測(cè)方法能夠在提高識(shí)別精度的狀態(tài)下充分減低噪聲等因素的影響。在以上提到的各種邊緣提取方法的基礎(chǔ)上，很多學(xué)者在理論分析和四級(jí)運(yùn)用中都做的進(jìn)一步的優(yōu)化，并的到了不錯(cuò)的效果。因此，圖像識(shí)別技術(shù)的發(fā)展任重而道遠(yuǎn)，我們應(yīng)該努力探尋應(yīng)用范圍更廣泛，考慮因素更加全面，識(shí)別精度更高的方法來解決面對(duì)的難題。在整個(gè)程序的編寫，調(diào)試以及仿真過程中，我都遇到了或多或少的難題，遇到了各種程序編譯錯(cuò)誤，經(jīng)過仔細(xì)查閱書籍，網(wǎng)上搜索等一些途徑，最終困難都得以解決。從最初的對(duì)matlab語句不夠熟悉，到最后的熟悉整個(gè)程序運(yùn)行過程，我收獲的很多。結(jié) 論圖像形狀識(shí)別就是通過特定的識(shí)別方法來對(duì)圖像的輪廓和邊緣進(jìn)行提取，與圖像的其他特征相比，其復(fù)雜程度在于提取形狀特征的精確性得不到保障。也就是說，想要搜尋到與人的視覺特性相匹配的特征四相對(duì)困難的，其原因主要有兩點(diǎn)，一是圖形的輪廓特征不能用比較簡單的模型來表示，二是以目前的圖像識(shí)別技術(shù)來看，其無法對(duì)圖像的特征進(jìn)行精確提取。除此之外，圖像的特征還會(huì)因?yàn)槠浯笮?、尺寸、灰度等原因發(fā)生或多或少的變化，以上各種原因都大大阻礙了圖像處理技術(shù)的進(jìn)一步發(fā)展。圖像分割是圖像識(shí)別中及其重要的一個(gè)環(huán)節(jié)，其分割的效果對(duì)圖像識(shí)別后的結(jié)果起到了決定性作用，因此，將圖像分割為眾多的子圖像，并對(duì)子圖像的特征進(jìn)行處理顯得尤為重要，但是，作為計(jì)算機(jī)技術(shù)有待解決的難點(diǎn)，該技術(shù)還不能進(jìn)行自動(dòng)分割。本文就是依據(jù)各種圖像邊緣提取算法，對(duì)圖像的輪廓進(jìn)行有效的提取，再通過各個(gè)圖形的圓形度，矩形度來分析出實(shí)際的圖形。利用matlab軟件來編寫程序，并以各種圖像作為輸入進(jìn)行仿真實(shí)驗(yàn)。從仿真結(jié)果來看，所編寫的程序能夠有效辨別圖像的輪廓。本次仿真是根據(jù)圖像的形狀特征對(duì)圖像的輪廓進(jìn)行辨識(shí)，在今后的工作中，我們還可以通過圖像的紋理以及灰度對(duì)圖像進(jìn)行進(jìn)一步的處理。將以上三種方法相結(jié)合的方式來處理圖像，能夠更好的提高圖像識(shí)別率和識(shí)別速度。這可以運(yùn)用在圖像自動(dòng)識(shí)別分類上，會(huì)在圖像智能檢索領(lǐng)域有很大用處。致 謝 回首我在重慶郵電大學(xué)的四年學(xué)習(xí)生活，現(xiàn)在滿懷感激之情，我非常榮幸能夠來到重慶這個(gè)優(yōu)美的城市生活和學(xué)習(xí)。在這個(gè)美麗的校園里，我遇到了許多的志同道合的朋友，在和他們的交流期間，我學(xué)到了很多知識(shí)，在做人做事方面收獲良多。首先，我要對(duì)我的老師致以真誠的感謝，在整個(gè)畢業(yè)設(shè)計(jì)的制作和畢業(yè)論文的寫作中，老師都給予了我細(xì)心的指導(dǎo)及幫助，在我完成論文的整個(gè)過程，更是從開題報(bào)告到完成初稿都有老師的辛勞。感謝老師在學(xué)習(xí)上給予我的悉心指導(dǎo)，提供我一個(gè)很好的學(xué)習(xí)環(huán)境以及實(shí)踐鍛煉機(jī)會(huì)。并且，老師治學(xué)嚴(yán)謹(jǐn)，一絲不茍，注重培養(yǎng)學(xué)生研究問題、解決問題的獨(dú)立工作能力，讓我受益匪淺。在此，我還要向整個(gè)大學(xué)階段幫助我，指導(dǎo)我的老師致以由衷的敬意和真誠的感謝。謹(jǐn)向給予我無私幫助的同學(xué)表示深切的感謝。衷心感謝所有在學(xué)習(xí)期間給予我?guī)椭椭С值膸熼L和朋友們，謝謝他們?cè)诟鞣矫娴膸椭?，非常高興能和他們一起分享學(xué)習(xí)和生活的快樂。深深地感謝父母對(duì)我養(yǎng)育之恩和諄諄教誨，雖然現(xiàn)在不在身邊，但是他們總是給我鼓勵(lì)，教我戰(zhàn)勝困難，他們的支持給了我戰(zhàn)勝困難的勇氣。最后，向所有曾經(jīng)關(guān)心和幫助過我的老師，同學(xué)，家人表示深深地感謝!歷練是一種財(cái)富，經(jīng)歷是一種擁有，畢業(yè)設(shè)計(jì)是我畢業(yè)前的最后一次在校學(xué)習(xí)的經(jīng)歷，在這一經(jīng)歷中所遇到的人和事必將成為我永久的記憶，感謝有你！參考文獻(xiàn) [1] 孫麗萍，方源敏，劉兵川，等. Canny算子邊緣檢測(cè)的改進(jìn)研究[J]. 河南科學(xué). 2015， 33(11): 19371940. [2] 孫君頂，李琳. 基于BP神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用. 2012， 21(3): 160162. [3] 李儀，陳云浩，李京. 基于微種群遺傳算法和自適應(yīng)BP算法的遙感圖像分類[J]. 光學(xué)技術(shù). 2005， 31(1): 1720. [4] 孫偉，夏良正，潘泓. 一種基于模糊劃分的邊緣檢測(cè)算法[J]. 中國圖象圖形學(xué)報(bào). 2004， 9(1): 1822. [5] 喬鬧生，鄒北驥，鄧?yán)?，? 一種基于圖像融合的含噪圖像邊緣檢測(cè)方法[J]. 光電子:激光. 2012(11): 22152220. [6] 余金棟，張憲民. 用于線紋顯微圖像的邊緣檢測(cè)算法[J]. 光學(xué)精密工程. 2015， 23(1): 271281. [7] 姚剛，劉勇，夏道平，等. 一種自適應(yīng)梯度幅值的邊緣檢測(cè)算法[J]. 計(jì)算機(jī)與數(shù)字工程. 2010， 38(11): 1721. [8] 可華明，陳朝鎮(zhèn)，張新合，等. 基于Matlab的GABPNN遙感圖像分類[J]. 西南科技大學(xué)學(xué)報(bào). 2010， 25(3): 5559. [9] 高朝陽，張?zhí)l(fā)，曲亞男. 圖像邊緣檢測(cè)研究進(jìn)展[J]. 科技導(dǎo)報(bào). 2010， 28(20): 112117.[10] 陳汗青，萬艷玲，王國剛. 數(shù)字圖像處理技術(shù)研究進(jìn)展[J]. 工業(yè)控制計(jì)算機(jī). 2013， 26(1): 7274.[11] 丁可. 數(shù)字圖像處理技術(shù)研究與發(fā)展方向[J]. 經(jīng)濟(jì)研究導(dǎo)刊. 2013(18): 246.[12] 郭志強(qiáng)，蔡嵩. 彩色遙感圖像分類算法及Matlab實(shí)現(xiàn)[J]. 武漢理工大學(xué)學(xué)報(bào). 2006， 28(1): 108111.[13] 韋煒. 常用圖像邊緣檢測(cè)方法及Matlab研究[J]. 現(xiàn)代電子技術(shù). 2011， 34(4): 9194.[14] 陳陽. 利用MATLAB進(jìn)行數(shù)字圖像的邊緣檢測(cè)算法研究[J]. 科技信息:科學(xué)教研. 2008(21).[15] 席偉. 基于判別函數(shù)算法的圖像分類器設(shè)計(jì)[J]. 電腦知識(shí)與技術(shù):學(xué)術(shù)交流. 2012(33): 80188020.[16] 左俊彥，張建國，鐘濤. 基于Canny檢測(cè)的股骨邊緣輪廓連接算法[J]. 山東大學(xué)學(xué)報(bào):工學(xué)版. 2015(3): 6572.[17] 王東霞，許偉昶. 基于改進(jìn)的數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算法研究[J]. 實(shí)驗(yàn)室研究與探索. 2014， 33(2): 8992.[18] 何春華，張雪飛，胡迎春. 基于改進(jìn)Sobel算子的邊緣檢測(cè)算法的研究[J]. 光學(xué)技術(shù). 2012(3): 323327.[19] 王小俊，劉旭敏，關(guān)永. 基于改進(jìn)Canny算子的圖像邊緣檢測(cè)算法[J]. 計(jì)算機(jī)工程. 2012， 38(14): 196198.附錄clc。clear。format long。i=imread(39。39。)。 %讀取圖像 figure，imshow(i)。 a=rgb2gray(i)。 %將彩色圖像轉(zhuǎn)換成灰度圖像%bw=edge(a，39。canny39。)。 %邊緣檢測(cè) %bw=edge(a，39。prewitt39。)。%bw=edge(a，39。sobel39。)。%bw=edge(a，39。roberts39。)。bw=edge(a，39。log39。)。imshow(bw)。 se = strel(39。disk39。，4)。 %創(chuàng)造一個(gè)平坦的圓盤型結(jié)構(gòu)元素，其半徑為2bw = imclose(bw，se)。 %關(guān)閉圖像bw = imfill(bw，39。holes39。)。%填充圖像中的孔洞 imshow(bw)。L = bwlabel(bw)。 %在二維圖像中標(biāo)記連接分量s = regionprops(L， 39。centroid39。)。 %測(cè)量圖像區(qū)域的質(zhì)心dt = regionprops(L， 39。area39。)。 %測(cè)量圖像區(qū)域的面積cv = regionprops(L， 39。perimeter39。)。 %測(cè)量圖像區(qū)域的周長 dim = size(s) %返回圖像的質(zhì)心的行數(shù)和列數(shù)，維數(shù)BW_filled = imfill(bw，39。holes39。)。boundaries = bwboundaries(BW_filled)。 %尋找邊緣不包括孔imshow(bw)。 figure。imshow(i)。hold on。 for k=1:dim(1) b= boundaries{k}。 dim = size(b) for i=1:dim(1) khoangcach{k}(1，i) = sqrt ( ( b(i，2) s(k).Centroid(1) )^2 + ( b(i，1) s(k).Centroid(2) )^2 ) end a=max(khoangcach{k})。 b=min(khoangcach{k})。 c=dt(k).Area。 dolech=ab。 vuong = c/(4*b^2) chunhat=c/(4*b*(a^2b^2)^)。 tamgiacdeu=(c*4^)/((a+b)^2)。 elip =c/(a*b*pi)。 thoi= (c*( a^2 b^2 )^)