【正文】 模板運算，按照梯度算子的方法進行設計。拉普拉斯也是屬于模板運算。為了使邊緣檢測后生成的新圖像能夠保存到本地，因此在原有基礎上添加了保存和另存為的按鈕，實現保存圖像到本地的功能。保存圖像像素點到每個像素中，產生BMP格式圖像。上述為邊緣檢測系統(tǒng)實現的過程，在進行過一次邊緣檢測之后，再在圖像中加入噪聲然后再進行邊緣檢測一次。則就可以與沒有加入噪聲的結果進行對比。 未加入噪聲的實驗結果與分析以下是未加入噪聲情況下邊緣檢測實現的效果展示圖，圖41到圖46是依次是轉化為灰度圖的lena圖像、Roberts算子、Sobel算子、Prewitt算子、拉普拉斯算子、Krisch算子的系統(tǒng)效果圖。每個算法的模板或者邊緣檢測的算法各不相同，出來的效果也各不相同，有的邊緣變得粗糙、有的邊緣不是很明顯。此時可以對五種不同算法進行一次對比，觀察每種算法的優(yōu)缺點，結合這些信息能為作出更好的算法提供信息。圖41 灰度lena圖像圖42 Roberts算法邊緣檢測效果圖43 Sobel算法邊緣檢測效果圖44 Prewitt算法邊緣檢測效果圖45 拉普拉斯算法邊緣檢測效果圖46 Kirsch算法邊緣檢測效果從上圖結合五種算子算法，看出這五種邊緣檢測算子的優(yōu)缺點：Roberts邊緣檢測算子采用對角線方向相鄰像素之差檢測邊緣，定位精度高，在水平和垂直方向效果較好，但是卻丟失了部分圖像邊緣。從圖上看出Sobel檢測算子產生相對比較好的檢測效果，但是也有檢測偽邊緣，則可以說明Sobel檢測算子定位精度不高。Prewitt邊緣算子運行結果與Sobel算子比較相似。Krisch算子比較其水平和垂直方向算子、右上方向算子檢測，可以看出Krisch方向算子檢測到的圖像邊緣比較清晰，水平和垂直方向次之，右上的最差，另外從檢測到的邊緣粗細看，Krisch方向算子檢測到的邊緣最粗，右上方向次之，而水平和垂直方向算子最細。拉普拉斯邊緣算子的檢測結果并不理想，很明顯看出該算法在未加入系統(tǒng)中的噪聲情況下已經放大了圖像中的噪聲。 加入噪聲的實驗結果與分析以下是加入噪聲后情況（以加入隨機噪聲為例）邊緣檢測實現的效果展示圖，圖47到圖412是依次是加入隨機噪聲的lena灰度圖像，以及在加入隨機噪聲的lena灰度圖下進行的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯算子、Krisch算子的系統(tǒng)效果圖。由于系統(tǒng)加入了噪聲，這使五種算法受到噪聲的影響就更為明顯。圖47 加入隨機噪聲的lena灰度圖圖48 加入隨機噪聲Roberts算法邊緣檢測效果圖49 加入隨機噪聲Sobel算法邊緣檢測效果圖410 加入隨機噪聲prewitt算法邊緣檢測效果圖411 加入隨機噪聲拉普拉斯算法邊緣檢測效果圖412 加入隨機噪聲Kirsch算法邊緣檢測效果上述已經對未在系統(tǒng)加入噪聲情況的五種算法進行結論分析，現在對加入系統(tǒng)人為的噪聲后進行分析，可以明顯的看出這五種算法的抗噪聲能力。結合上面的效果圖，可以看出Roberts邊緣檢測算子確實對噪聲較為敏感，系統(tǒng)加入噪聲后再進行檢測就出現變化。運行Sobel檢測算子下的效果圖與未加入隨機噪聲下的情況變化不大，說明Sobel算子具有良好的抗噪聲能，理論所述對噪聲具有平滑作用得到證明。Prewitt算子在加入系統(tǒng)隨機噪聲后的效果也不明顯，說明Prewitt算子可以在噪聲較多情況下進行圖像的處理。拉普拉斯算法由兩張圖進行對比從加未加入隨機噪聲效果圖還可見大致邊緣，到現在的更加模糊不清了，說明Laplace算子抗噪聲能力較弱。Krisch算法下，對兩張圖進行對比較，發(fā)現變化也不大，說明Krisch算法也具有一定抑制噪聲的能力。結論現在計算科學技術高速發(fā)展，隨著電子技術滲透到生產和生活的各個領域。其中特別是圖像處理技術的應用更為廣泛，而圖像的邊緣提取正是圖像識別，機器視覺等應用的基礎和前提。本篇論文就經典的五種邊緣檢測算法進行了回顧，并對這五種邊緣檢測算法作了介紹，最后還在系統(tǒng)中加入噪聲，通過理論與實際效果圖比較了這五種算法優(yōu)缺點特別是抗噪聲的功能。但是設計還是有許多不足之處需要改善。第一．論文重點在于比較五種算法的抗噪聲的功能?，F在對于邊緣檢測算法外界擁有許多明確的指標，甚至有專門的算法進行抗噪聲功能檢測，但是由于時間與能力關系并沒有實現這樣的功能，所以只有通過放大噪聲作用進行目測結合理論知識，對所得到的效果圖進行對比得出結論。第二．在可運行程序情況，進行不明的某些操作會出現無可挽回的出錯提示，直至自動關閉系統(tǒng)，這也是該設計存在的一個不足之處。通過這次畢業(yè)設計學習和課題研究，使我拓寬了知識面，培養(yǎng)了一定的理論和工程研究的能力，并能較深入地了解到現代科技中的多學科、多領域的相互滲透，相互結合的關系，也使我基本掌握了客觀、全面和科學研究問題的方法，為今后繼續(xù)進行下一步研究工作打下了堅實的基礎。文中難免有疏漏不足之處，望多加包涵！參考文獻[1] ， and . A Regularized Solution to Edge Detection[J].Journal of plexity，1988,(4):106123.[2] 鐘志光,盧君,劉偉榮. Visual C++.NET 數字圖像實例與解析[M].北京：清華大學出版社，.[3] [M].北京:科學出版社,1992.[4] 崔屹．數字圖像處理技術與應用[M]．北京：電子工業(yè)出版社，1997：3539．[5] MFC.[EB/OL]．．20100422.[6] 面向對象.[EB/OL]．．20091225.[7] 薛文格,[J].多媒體技術及其應用,2007,24:11441145.[8] Mallat S,Hwang W and processing with wavelets[J].IEEE Trans on Information Theory,1992,38(2):617643.[9] J. Canny. A Computational approach to edge detection[J].IEEE Trans. Pattern Analysis and Machine Intelligence,1986,8(6):679698.[10] Prattw Image Processing[M].New York：Wiley，1991.[11] 鐘志光，盧君，劉偉榮. Visual C++.NET 數字圖像實例與解析[M].北京：清華大學出版社，.[12] 深潔,杜宇人,[J].信息技術，2005(12).謝辭本文即將結束之際，我要特別感謝我的導師陳明志老師，感謝老師在整個畢業(yè)設計中給予我的指導與幫助，由于老師的idea使我受益匪淺。同時，對所有在畢業(yè)設計期間以及大學四年里所有幫助過我的老師們、同學們表示由衷的感謝。另外還要感謝我的父母，是他們支持了我的學習和生活，祝他們身體健康，幸?？鞓?。附錄1 部分關鍵源碼及解釋以下是Roberts邊緣檢測主要代碼：for(j = lHeight1。 j 0。 j)｛for(i = 0。i lWidth1。 i++)｛由于使用22的模板，為防止越界，所以不處理最下邊和最右邊的兩列像素lpSrc = (char *)lpDIBBits + lWidth * j + i。 指向源圖像第j行，第i個象素的指針 指向目標圖像j行，第i個象素的指針lpDst = (char *)lpNewDIBBits + lWidth * j + i。 //取得當前指針處2*2區(qū)域的像素值，注意要轉換為unsigned char型pixel[0] = (unsigned char)*lpSrc。pixel[1] = (unsigned char)*(lpSrc + 1)。pixel[2] = (unsigned char)*(lpSrc lWidth)。pixel[3] = (unsigned char)*(lpSrc lWidth + 1)。//計算目標圖像中的當前點result = sqrt(( pixel[0] pixel[3] )*( pixel[0] pixel[3] ) + ( pixel[1] pixel[2] )*( pixel[1] pixel[2] ))。*lpDst = (unsigned char)result。 ｝