【正文】 實(shí)驗(yàn)證明這是一種較好的改進(jìn)算法。但是本算法也存在計(jì)算量大的缺點(diǎn)，希望在進(jìn)一步的研究中改進(jìn)。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(wèn)題在各個(gè)領(lǐng)域都有著越來(lái)越廣泛的應(yīng)用，使得圖像增強(qiáng)、壓縮編碼、邊緣檢測(cè)、圖像分割、模式識(shí)別等圖像低層次的處理成為了一個(gè)非?；钴S的領(lǐng)域，在這里，只是對(duì)基于灰度圖像濾波技術(shù)與邊緣檢測(cè)中的主要方法進(jìn)行了分析研究。主要工作體現(xiàn)在以下幾個(gè)方面：本文從邊緣檢測(cè)的“兩難”問(wèn)題出發(fā)，對(duì)實(shí)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，然后把高斯平滑后的邊緣模型作為研究對(duì)象，不同的邊緣類型表現(xiàn)出來(lái)的特性，以及不同類型的邊緣定位與平滑尺度的關(guān)系，并研究分析了傳統(tǒng)邊緣檢測(cè)算法的特點(diǎn)。介紹了各種算子邊緣檢測(cè)的基本原理，如Roberts算子、Sobel算子、Prewitt算子；線性濾波邊緣檢測(cè)方法LOG算子和Canny方法。并通過(guò)理論分析和實(shí)驗(yàn)驗(yàn)證，比較了它們各自的優(yōu)缺點(diǎn)和適用性。其中重點(diǎn)分析了這些傳統(tǒng)邊緣檢測(cè)算法的抗噪性，在此過(guò)程中，本文采用了傳統(tǒng)算法對(duì)加入了高斯白噪聲以后的圖像進(jìn)行邊緣檢測(cè)的分析方法。實(shí)驗(yàn)結(jié)果表明，其效果強(qiáng)于經(jīng)典的邊緣檢測(cè)方法，適用于背景較復(fù)雜圖像的邊緣檢測(cè)。最后針對(duì)傳統(tǒng)Canny算子在濾波過(guò)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(cè)算子。該算法根據(jù)圖像中像元灰度的突變特性，在計(jì)算梯度幅值的時(shí)候采用了領(lǐng)域的梯度幅值計(jì)算方法，進(jìn)一步抑制了噪聲的影響。通過(guò)對(duì)實(shí)驗(yàn)圖像的分析表明，改進(jìn)的檢測(cè)算法對(duì)圖像邊緣提取具有較好的檢測(cè)精度和準(zhǔn)確性。本文僅對(duì)圖像邊緣檢測(cè)中常用方法的一個(gè)初步總結(jié)與探討，由于時(shí)間及本人對(duì)圖像處理涉及的知識(shí)的了解也較有限，本文的一些分析與結(jié)果尚顯粗淺和不全面。進(jìn)一步的工作應(yīng)該考慮如下幾個(gè)方面:如何提高邊緣檢測(cè)算子的抗噪性能，以便可以精確地檢測(cè)出帶噪圖像的邊緣，從而提高算法的實(shí)用性。如何提高邊緣檢測(cè)的精度，通過(guò)采用一些算法來(lái)實(shí)現(xiàn)檢測(cè)精度達(dá)到亞像素級(jí)。在灰度圖像邊緣研究的基礎(chǔ)上結(jié)合彩色圖像的特點(diǎn)，開(kāi)展彩色圖像邊緣檢測(cè)的研究。制約圖像邊緣檢測(cè)技術(shù)發(fā)展的一個(gè)根本問(wèn)題是解決檢測(cè)精度與抗噪聲能力間的矛盾，這兩者之間存在著相互制約的互變關(guān)系，如何使其綜合指標(biāo)達(dá)到理論上的極限，這是今后有待解決的問(wèn)題。附錄致 謝時(shí)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(chéng)摯的感謝。首先我要感謝我的老師們，幾年來(lái)，您們對(duì)我的學(xué)習(xí)和生活給予無(wú)微不至的關(guān)懷，工作上您們以身作則，以嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度要求我們，同時(shí)您們眼界開(kāi)闊，要求我多關(guān)注相關(guān)學(xué)科的發(fā)展和社會(huì)的需求，避免死讀書；在生活上您們又教給了我做人的準(zhǔn)則正是在您們的認(rèn)真指導(dǎo)和關(guān)懷下本論文才得以完成，我本人近幾年中每一點(diǎn)成績(jī)都凝結(jié)老師們的心血和汗水。感謝我的指導(dǎo)老師周順勇老師，在我論文最艱難的時(shí)候總是得到您的指導(dǎo)和鼓勵(lì)，您的謙虛和好學(xué)永遠(yuǎn)是我學(xué)習(xí)的榜樣；對(duì)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。感謝曾經(jīng)給予我學(xué)術(shù)上指導(dǎo)的前輩們，最后感謝參與論文評(píng)閱的所有老師，謝謝您們對(duì)論文提出的寶貴意見(jiàn)和建議。再次向所有給予我關(guān)心和幫助的老師、同學(xué)、親人、好友致以最誠(chéng)摯的謝意！參考文獻(xiàn)[1] 劉貴忠，1997[2] ，1995[3] 張憬，郭春秋，、2006，9(3)：5458[4] ，朱志剛，林學(xué)閻，2002：181~190[5] C. W. Helstrom Image Restroration by the Method of Lesat Squares. J. Opt. Soc. Amer. March .1967，57(3)：297~303[6] ，1999[7] 唐良瑞，2002：40~41[8] ，1992：45~55[9] Survey of Edge Deteetion ：248~270[10] of ThreeDimensional and EleetroOptical information processing. ：159~197[11] ，1998：49~80[12] Rafael ，阮秋琦，(第二版) .北京電子工業(yè)出版社，2005：118~148[13] [J].電子技術(shù)應(yīng)用技術(shù)，1999：46~49[14] D. Marr. VisionA Computational Investigation into the Human RepresentationAnd Proeessing of Visual .H. Freeman and ComPany. [15] 王慧燕，2006：32~34 [16] [J].西安工業(yè)學(xué)院學(xué)報(bào)，2005，25(l)：37~39[17] 鮑宗泛，[J].中國(guó)計(jì)量學(xué)院學(xué)報(bào)，2000，11(2)：169~172[18] 鄭瑩，[J].沈陽(yáng)建筑大學(xué)學(xué)報(bào)(自然科學(xué)版) [J]，2005，21(3)：268~271[19] [J].華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，1997：53~55[20] 呂曉琪，王洪仁，[J].包頭鋼鐵學(xué)院學(xué)報(bào)，2002，21(2)：165~168[21] [J]. 1996年，第一期：18~20[22] [J].測(cè)繪科技，1997年，第4期：22~26[23] 楊振亞，王勇，[J].計(jì)算機(jī)應(yīng)用與軟件，2004，21(9)：87~89[24] [J].計(jì)算機(jī)應(yīng)用與軟件，2005，22(5)：107~108[25] XuZhixiang .A Further study on Error probabilities of LaplacianGaussian Edge of the International Conf. on Pattern Recognition. Washington . USA. IEEE Computer 附錄改進(jìn)后的Canny算子采用的自適應(yīng)平滑濾波實(shí)現(xiàn)程序：clear allhold off；%系統(tǒng)信道權(quán)數(shù)sysorder = 5 ；%抽頭數(shù)N=8000。%總采樣次數(shù)inp = randn(N,1)；%產(chǎn)生高斯隨機(jī)系列n = randn(N,1)；[b,a] = butter(2,)；Gz = tf(b,a,1)。%逆變換函數(shù)h= [。]；%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(hào)d = y + n；%期望輸出信號(hào)totallength=size(d,1)；%步長(zhǎng)N=60 ；%60節(jié)點(diǎn)作為訓(xùn)練序列%算法的開(kāi)始w = zeros ( sysorder , 1 ) ；%初始化for n = sysorder : Nu = inp(n:1:nsysorder+1) ；% u的矩陣y(n)= w39。 * u；%系統(tǒng)輸出e(n) = d(n) y(n) ；%誤差if n 20mu=；elsemu=；endw = w + mu * u * e(n) ；%迭代方程recordedw(1:sysorder,n)=w；end%檢驗(yàn)結(jié)果for n = N+1 : totallengthu = inp(n:1:nsysorder+1)；y(n) = w39。 * u ；e(n) = d(n) y(n) ；%誤差endhold onplot(d)plot(y,39。r39。)；title(39。系統(tǒng)輸出39。)；xlabel(39。樣本39。)ylabel(39。實(shí)際和估計(jì)輸出39。)figure； plot(e.^2) 。%| e |的誤差曲線 title(39。學(xué)習(xí)曲線39。)； xlabel(39。迭代次數(shù)39。) ； ylabel(39。輸出誤差估計(jì)39。) ；figuresemilogy((abs(e))) ；% e的絕對(duì)值坐標(biāo)title(39。誤差曲線39。) ；xlabel(39。樣本39。)ylabel(39。誤差矢量39。)figure%作圖plot(h, 39。k+39。)hold onplot(w, 39。r*39。)legend(39。實(shí)際權(quán)矢量39。,39。估計(jì)權(quán)矢量39。)title(39。比較實(shí)際和估計(jì)權(quán)矢量39。) ；axis([0 6 ])figureplot(Recordedw(1:sysorder,sysorder:N)39。)；title(39。Estimated weights convergence39。) ；xlabel(39。Samples39。)；ylabel(39。Weights value39。)；axis([1 Nsysorder min(min(Recordedw(1:sysorder,sysorder:N)39。)) max(max(Recordedw(1:sysorder,sysorder:N)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。)；f=im2double(f)；y = im2double(f)； %% read a noisefree image and put in intensity range [0,1] randn(39。seed39。, 0)； %% generate seed z = y + (50/255)*randn(size(y))；figure,imshow(z),title(39。188。211。212。235。205。188。207。241。39。)； z=f；choice=1；while (choice~=5)choice=input(39。1: Prewitt\n2: Roberts\n3: Laplacian of a Guassian(LoG)\n4: Canny\n5: Exit\n Enter your choice : 39。)；switch choice case 1 PF=edge(f,39。prewitt39。)； figure, imshow(f),title(39。Original Image39。),figure,imshow(PF),title(39。Prewitt Filter39。)； case 2 RF=edge(f,39。roberts39。)； figure, imshow(f),title(39。Original Image39。),figure,imshow(RF),title(39。Roberts Filter39。)； case 3 LF=edge(f,39。log39。)； figure, imshow(f),title(39。Original Image39。),figure,imshow(LF),title(39。Laplacian of Gaussian (LoG) Filter39。)； case 4 CF=edge(f,39。canny39。)； figure, imshow(f),title(39。Original Image39。),figure,imshow(CF),title(39。Canny Filter39。)； case 5 display(39。Program Exited39。)； otherwise display(39。\nWrong Choice\n39。)； endend