【正文】 a)尺度一ROI全局輪廓 b)尺度二ROI全局輪廓 c)尺度三ROI全局輪廓 d)大概率點(diǎn)二值圖圖420 不同尺度下的ROI全局輪廓圖和大概率點(diǎn)圖通過(guò)判決推斷，從圖420d)中看到飛機(jī)的輪廓保留的大體完好，但是飛機(jī)的邊緣造成了一些斷裂和缺失，這是不希望看到的。本設(shè)計(jì)接下來(lái)要對(duì)斷裂的邊緣進(jìn)行一些修復(fù)。首先將不同尺度下的ROI全局輪廓圖和大概率點(diǎn)二值圖像中每條邊緣進(jìn)行標(biāo)記，并且尋找到每條邊緣的起始點(diǎn)。然后制定如下判決規(guī)則：如果大概率點(diǎn)二值圖像中的任一條邊緣的起始點(diǎn)在某一尺度圖中不是起始點(diǎn)，并且在此尺度圖中此點(diǎn)所在邊緣的長(zhǎng)度大于大概率點(diǎn)二值圖中對(duì)應(yīng)邊緣長(zhǎng)度，便將大概率點(diǎn)二值圖中的邊緣替換為此尺度下的邊緣。如果有兩個(gè)或兩個(gè)以上尺度的ROI全局輪廓圖中的對(duì)應(yīng)邊緣滿足此條件，規(guī)定用二尺度下ROI全局輪廓圖中的對(duì)應(yīng)邊緣替換。下面對(duì)圖420d)進(jìn)行操作，其結(jié)果如圖421所示，能夠發(fā)現(xiàn)修復(fù)的效果還是比較明顯的，機(jī)身的斷裂邊緣得到一定程度的修補(bǔ)。圖421 概率推斷融合圖 邊緣的精簡(jiǎn)用Canny算子對(duì)圖421a)進(jìn)行邊緣檢測(cè)得到邊緣圖421b)。從圖421b)的二值化圖像中可以看出，噪聲和紋理對(duì)邊緣檢測(cè)結(jié)果的影響是比較大的，邊緣線條比較雜亂，許多檢測(cè)出來(lái)的邊緣是不想看到的，有些并不是邊緣的地方由于噪聲或光照的影響被誤檢出來(lái)，有些背景物體的邊緣也被檢測(cè)出來(lái)。而在某些應(yīng)用中，圖像中的背景是不被關(guān)心的，例如在目標(biāo)識(shí)別和跟蹤的應(yīng)用中，只關(guān)心前景物體的邊緣或輪廓，不希望圖像的背景對(duì)邊緣檢測(cè)結(jié)果產(chǎn)生影響。針對(duì)以上邊緣檢測(cè)結(jié)果的分析和研究，可以利用圖像的先驗(yàn)知識(shí)和格式塔心理學(xué)完形理論定義一些規(guī)則，去掉無(wú)用的邊緣線條。在圖像的邊緣檢測(cè)領(lǐng)域中，如果能將圖像的先驗(yàn)知識(shí)這一重要信息利用起來(lái)，對(duì)邊緣檢測(cè)結(jié)果的改進(jìn)將是重大的，目前可以利用的圖像先驗(yàn)知識(shí)主要有：(1)圖像中某些區(qū)域是不希望檢測(cè)出邊緣的。例如，風(fēng)景圖片具有以下特點(diǎn)：頂部是天空，底部是海洋、草原、沙漠等紋理區(qū)域，因此在這些區(qū)域檢測(cè)出來(lái)的邊緣線條可以認(rèn)為是噪聲或紋理的影響造成的。另外，圖像的前景物體一般都處在圖像的中間區(qū)域，圖像的四個(gè)角落一般都是背景。在邊緣檢測(cè)過(guò)程中，可以將這些區(qū)域中檢測(cè)出來(lái)的邊緣線條過(guò)濾掉，達(dá)到精簡(jiǎn)邊緣的目的。(2)圖像中邊緣的長(zhǎng)度不應(yīng)該太小。圖422b)最后的二值化圖像中，出現(xiàn)了很多瑣碎的邊緣，并且雜亂無(wú)章，對(duì)長(zhǎng)度小于一定閾值的邊緣線條，可以認(rèn)為是噪聲或紋理引起的，一般來(lái)說(shuō)，對(duì)于單條邊緣的長(zhǎng)度如果小于10個(gè)像素，就可以將這條邊緣精簡(jiǎn)了。(3)初步的邊緣檢測(cè)結(jié)果中特殊形狀的處理。對(duì)自然圖像進(jìn)行一系列多尺度多方向的濾波計(jì)算，再進(jìn)行二值化、細(xì)化等處理，對(duì)于結(jié)果中出現(xiàn)的纏繞型或“Z”字型的線條是與人的視覺(jué)先驗(yàn)相違背的，現(xiàn)實(shí)中的自然圖像出現(xiàn)這些類型的前景是比較少見的。刪除這些線條也可以達(dá)到精簡(jiǎn)邊緣的目的。根據(jù)以上分析，定義以下三個(gè)精簡(jiǎn)邊緣的準(zhǔn)則：(1)將圖像劃分為兩種區(qū)域，可信區(qū)域和不可信區(qū)域?？尚艆^(qū)域是指圖像前景物體出現(xiàn)的區(qū)域，占整個(gè)圖像的大部分區(qū)域。不可信區(qū)域是指圖像的頂部、底部、左右側(cè)、角落等區(qū)域，表示這些地方檢測(cè)出來(lái)的邊緣線條是不可信的。這個(gè)準(zhǔn)則就是將不可信區(qū)域中的邊緣線條刪除。(2)刪除線條長(zhǎng)度小于自定義閾值的較短的邊緣線條。同時(shí)，將二值圖像對(duì)應(yīng)到濾波響應(yīng)圖像中，對(duì)線條中所有像素濾波響應(yīng)值的總和作比較，總的濾波響應(yīng)越小說(shuō)明這些邊緣線條也是可以被精簡(jiǎn)掉的。(3)刪除那些纏繞型和“Z”字型的邊緣線條。通過(guò)這三個(gè)精簡(jiǎn)邊緣的準(zhǔn)則，再對(duì)圖422b)中二值化圖像進(jìn)行處理，得到的邊緣檢測(cè)結(jié)果是比較令人滿意的，圖422c)顯示了邊緣精簡(jiǎn)后的效果。 a)原灰度圖 b)Canny檢測(cè)邊緣圖c) 邊緣精簡(jiǎn)后的二值圖圖422 邊緣精簡(jiǎn)示例 實(shí)驗(yàn)結(jié)果分析現(xiàn)在給出其余幾組對(duì)比圖片的實(shí)驗(yàn)結(jié)果如圖423所示，圖423中左邊為原灰度圖，右邊為利用本章的方法得到的多尺度ROI融合圖像。通過(guò)觀察可以發(fā)現(xiàn)，得到的融合圖像改進(jìn)的效果比較明顯，目標(biāo)對(duì)象的主體輪廓基本都保留了下來(lái)，僅有少數(shù)地方出現(xiàn)斷裂，達(dá)到了利用多尺度的信息來(lái)改善輪廓提取圖的效果的初衷。，背景邊緣得到了一定程度的消除，目標(biāo)對(duì)象的紋理邊緣也有了一定程度的消除，精簡(jiǎn)效果明顯。但是由于加入了精簡(jiǎn)邊緣的算法，本文設(shè)計(jì)的軟件運(yùn)算量加大，運(yùn)算耗時(shí)比較長(zhǎng)。通過(guò)對(duì)輪廓圖的觀察我們發(fā)現(xiàn)還是有一些斷裂的邊緣沒(méi)有能很好的連接上。圖423左邊為灰度圖像，右邊為用本章方法得到的輪廓圖 本章小結(jié)本章首先給出了整個(gè)軟件實(shí)現(xiàn)的流程，并且分小節(jié)介紹了流程圖中的重要處理階段。，給出了多尺度下ROI全局輪廓提取的軟件實(shí)現(xiàn)詳細(xì)流程，并且給出了幾組有代表意義的灰度圖的檢測(cè)試驗(yàn)圖進(jìn)行對(duì)比。結(jié) 論本論文主要研究了感興趣區(qū)域的全局輪廓提取。在對(duì)人類視覺(jué)系統(tǒng)的圖像視覺(jué)特征了解的基礎(chǔ)上，結(jié)合感興趣區(qū)域提取和多尺度檢測(cè)的方法，提出了一種基于概率推斷的全局輪廓檢測(cè)方法。本設(shè)計(jì)改變了單一尺度下的全局輪廓檢測(cè)方式，提出利用多尺度的方法進(jìn)行邊緣檢測(cè)，最后將不同尺度下的輪廓圖像進(jìn)行融合。通過(guò)改變Canny檢測(cè)器中的高斯濾波器的標(biāo)準(zhǔn)差sigma來(lái)獲得不同的檢測(cè)尺度，在本次設(shè)計(jì)中選取sigma=1，2，3構(gòu)建三個(gè)不同的檢測(cè)尺度。對(duì)于選定的一個(gè)檢測(cè)尺度，先通過(guò)對(duì)梯度圖進(jìn)行門限化后得到顯著梯度圖，再對(duì)顯著梯度圖進(jìn)行二值化和膨脹處理，然后再消除一些小連通域就得到了該尺度下的感興趣區(qū)域(ROI)的全局輪廓。將得到的結(jié)果與Canny算子的檢測(cè)結(jié)果做與運(yùn)算，這樣得到的輪廓圖就基本包含了全局信息。為了改善多個(gè)尺度輪廓圖融合后的效果，對(duì)各個(gè)尺度下的全局輪廓圖先進(jìn)行精簡(jiǎn)是很有必要的，所以本文提出了幾種精簡(jiǎn)邊緣的方法。這些精簡(jiǎn)方法對(duì)小邊緣的效果消除比較明顯，尤其對(duì)于背景邊緣比較雜亂的邊緣圖效果比較理想。為了得到較好的融合效果，融合時(shí)需要制定判決準(zhǔn)則，在本設(shè)計(jì)中采用概率推斷的方法，即保留在三個(gè)尺度下出現(xiàn)概率較大的點(diǎn)，最終的融合圖中保留這些點(diǎn)并且進(jìn)行邊緣連接和邊緣精簡(jiǎn)處理。最終的實(shí)驗(yàn)效果證明，對(duì)于背景和目標(biāo)不復(fù)雜的情況下本文設(shè)計(jì)的方法檢測(cè)效果較理想，能夠很好的消除紋理邊緣和背景邊緣的影響，保留目標(biāo)的全局輪廓。但是本設(shè)計(jì)還有很多要改進(jìn)的地方，如背景較復(fù)雜的情況下檢測(cè)效果不是很理想，很多背景的邊緣也被保留了下來(lái)；引入邊緣精簡(jiǎn)增大了運(yùn)算量，犧牲了一部分運(yùn)算效率。這些問(wèn)題我會(huì)在以后的學(xué)習(xí)和研究中不斷改進(jìn)。參考文獻(xiàn)1 [美] K. R. Castlemen, 朱志剛等譯. 數(shù)字圖象處理. Prentice HALL出版公 司. 北京: 電子工業(yè)出版社. 1998. 387~422.2 孔龍祥, 程義民等. 深度圖象分析. 北京: 電子工業(yè)出版社. 1996. 23~50.3 李建平. 小波分析與信號(hào)處理—理論、應(yīng)用及軟件實(shí)現(xiàn). 重慶: 重慶大學(xué)出版社. 1997. 239~242.4 鄭南寧. 計(jì)算機(jī)視覺(jué)與模式識(shí)別. 西安: 西安交通大學(xué)出版社. 1991. 120~145.5 章毓晉. 圖像分割. 科學(xué)出版社. 2001. 42~74.6 馬艷, 張治輝. 幾種邊緣檢測(cè)算子的比較. 工礦自動(dòng)化. 2004. 1~55.7 佰曉晨等. MATLAB工具箱應(yīng)運(yùn)指南—信息工程篇. 電子工業(yè)出版社. 2000. 1~20.8 夏德深, 傅德勝. 現(xiàn)代圖像處理技術(shù)與應(yīng)用. 東南大學(xué)出版社. 2001. 25~43.9 朱習(xí)軍等. MATLAB在信號(hào)與圖像處理中的應(yīng)用. 電子工業(yè)出版社. 2009. 45~63.10 L. Sobel. Camera Models and Machine Perception. Standford: Stanford University, CA, 1970. 64~78.11 J. Prewitt. Object Enhancement and Extraction. Picture Process, 1970. 75~149.12 J. Canny. A putational approach to edge detection. IEEE Trans. Patten Analysis and Machine Intelligence, 1986, 8(6): 679~698.13 D. Marr and E. Hildreth. Theory of Edge Detection. Proc of the Royal Society of London, 1 980, 7: 187~217.14 呂寶成, 張貴倉(cāng), 朱賢坤. 圖像感興趣區(qū)域檢測(cè)技術(shù)研究. 中國(guó)科技信息, 2008, 13: 41~42.15 斯白露. 基于感興趣區(qū)域的圖像檢索方法. 北京: 中國(guó)科學(xué)院計(jì)算技術(shù)研究所. 2002:16~36.16 Babaud J, Witkin AP, Baudin M, Duds ROI. Uniqueness of the gaussian kernel for scale~space filtering. IEEE Trans Pattern Analysis and Machine Intelligence. 1986, 8 (1): 26~33.17 Luc M. J. Florack,Bart Haar Romeny, Jan J. Koenderink, Max . Scale and the differential structure of images, Image and Vision Computing. 1992, 10(6): 376~388.致 謝本研究及學(xué)位論文是在我的導(dǎo)師胡正平副教授的親切關(guān)懷和悉心指導(dǎo)下完成的。他嚴(yán)肅的科學(xué)態(tài)度，嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神，精益求精的工作作風(fēng)，深深地感染和激勵(lì)著我。在完成本論文及相關(guān)軟件設(shè)計(jì)實(shí)現(xiàn)的過(guò)程中，我遇到了很多困難，但是胡老師都始終給予我細(xì)心的指導(dǎo)和不懈的支持。在此謹(jǐn)向胡老師致以誠(chéng)摯的謝意和崇高的敬意。 在此，我還要感謝在一起愉快的度過(guò)大四最后時(shí)光的課題組同學(xué)們，謝謝機(jī)房辛勤工作的老師們，有你們的幫助和支持本文才得以順利完成。在這我還要特別感謝馬佩佩同學(xué)，我由于實(shí)習(xí)原因接觸課題時(shí)間比她晚，她給了我很多幫助和鼓勵(lì)。 在論文即將完成之際，我的心情無(wú)法平靜，經(jīng)歷了這幾個(gè)月的時(shí)間，我成長(zhǎng)了很多，懂得了怎樣去以一種嚴(yán)謹(jǐn)?shù)膽B(tài)度去學(xué)習(xí)。在這里請(qǐng)所有幫助過(guò)我的人接受我誠(chéng)摯的謝意!最后我還要感謝培養(yǎng)我長(zhǎng)大含辛茹苦的父母，謝謝你們!附錄1燕 山 大 學(xué) 本科畢業(yè)設(shè)計(jì)(論文)開題報(bào)告 課題名稱：基于概率推斷的全局輪廓檢測(cè)技術(shù) 學(xué)院(系)： 信息科學(xué)與工程學(xué)院 年級(jí)專業(yè)： 2006級(jí)電子信息工程 學(xué)生姓名： 孫有銘 指導(dǎo)教師： 胡正平 完成日期： 2010411 一、 綜述本課題國(guó)內(nèi)外研究動(dòng)態(tài)，說(shuō)明選題的依據(jù)和意義邊緣檢測(cè)是圖像處理中的重要內(nèi)容。邊緣是圖像的最基本特征。所謂邊緣，是指周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。Poggio曾說(shuō)：“邊緣或許對(duì)應(yīng)著圖像中物體(的邊界)或許并沒(méi)有對(duì)應(yīng)著圖像中物體(的邊界)，但是邊緣具有十分令人滿意的性質(zhì)，它能大大地減少所要處理的信息但是又保留了圖像中物體的形狀信息?！辈⒍x邊緣檢測(cè)為“主要是(圖像的)灰度變化的度量、檢測(cè)和定位”。邊緣與圖像中物體的邊界有關(guān)但又是不同的。邊緣反映的是圖像灰度的不連續(xù)性。邊緣在邊界檢測(cè)、圖像分割、模式識(shí)別、機(jī)器視覺(jué)等中有很重要的作用。邊緣是邊界檢測(cè)的重要基礎(chǔ)，也是外形檢測(cè)的基礎(chǔ)。邊緣廣泛存在于物體與背景之間、物體與物體之間,基元與基元之間，因此它也是圖像分割所依賴的重要特征。邊緣檢測(cè)對(duì)于物體的識(shí)別也是很重要的。主要有以下幾個(gè)理由:首先,人眼通過(guò)追蹤未知物體的輪廓(輪廓是由一段段的邊緣片段組成的)而掃視一個(gè)未知的物體。第二，經(jīng)驗(yàn)告訴我們：如果我們能成功地得到圖像的邊緣，那么圖像分析就會(huì)大大簡(jiǎn)化，圖像識(shí)別就會(huì)容易得多。第三，很多圖像并沒(méi)有具體的物體，對(duì)這些圖像的理解取決于它們的紋理性質(zhì)，而提取這些紋理性質(zhì)與邊緣檢測(cè)有極其密切的關(guān)系。計(jì)算機(jī)視覺(jué)處理可以看作是為了實(shí)現(xiàn)某一任務(wù)從包含有大量的不相關(guān)的變量中抽取不變量，總之就是簡(jiǎn)化信息。這就意味著要扔掉一些不必要的信息而盡可能利用物體的不變性質(zhì)。而邊緣就是最重要的不變性質(zhì)，光線的變化顯著地影響了一個(gè)區(qū)域的外觀，但是不會(huì)改變它的邊緣。更重要的是人的視覺(jué)系統(tǒng)也是對(duì)邊緣很敏感的。 研究邊緣檢測(cè)的文章有十分多。1959年，文獻(xiàn)上最早提到邊緣檢測(cè)。1965年L. G. Roberts最早開始系統(tǒng)研究邊緣檢測(cè)。從那以后每年都會(huì)出現(xiàn)很多關(guān)于邊緣檢測(cè)的文章。邊緣檢測(cè)的重要的文章大都發(fā)表在IEEE Trans. On Pattern Analysis and Machine Intelligence，CVGIP: Image Processing，IEEE Trans. On Image Processing(1990年創(chuàng)刊)， Journal of the ACM等上。 邊緣檢測(cè)的方法主要有以下幾種： 第一種檢測(cè)梯度的最大值的方法。由于邊緣發(fā)生在圖像灰度值變化比較大的地方，對(duì)應(yīng)連續(xù)情形就是說(shuō)是函數(shù)梯度較大的地方，所以研究比較好的求導(dǎo)算子就成為一種思路。Roberts算子、Prewitt算子和Sobel算子等就是比較簡(jiǎn)單而常用的例子。還有一種比較直觀的方法就是利用當(dāng)前像素鄰域中的一些像素值擬合一個(gè)曲面，然后求這個(gè)連續(xù)曲面在當(dāng)前像素處梯度。從統(tǒng)計(jì)角度來(lái)說(shuō)，我們可以通過(guò)回歸分析得到一個(gè)曲面，然后也可以做類似的處理。 第