【導(dǎo)讀】導(dǎo)下進(jìn)行的研究工作及取得的成果。盡我所知，除文中特別加以標(biāo)注和致。含我為獲得及其它教育機構(gòu)的學(xué)位或?qū)W歷而使用過的材料。明并表示了謝意。以贏利為目的前提下，學(xué)?？梢怨颊撐牡牟糠只蛉績?nèi)容。一類問題，也一直是圖像處理與分析技術(shù)領(lǐng)域中的研究熱點。Roberts、Prewitt、Sobel、Kirsch、Laplacian、Marr等算法，同時還給出了一種新型。文中各邊緣檢測算法均在DSP軟件仿真工具CCS中進(jìn)行了仿真實現(xiàn)，本文正是考慮到DSP器件特有的穩(wěn)定性、可重復(fù)。性、高速性，尤其是可編程性和易于實現(xiàn)自適應(yīng)處理等優(yōu)點，才采用這一新穎的方法。

　　

【正文】 灰度突變； (2)是不同區(qū)域的邊界； (3)具有方向性 。 根據(jù)邊緣的這三個特征，可以判定所關(guān)心的區(qū)域其特征是否存在差異來判定是否存在邊緣的可能性。假如特征沒有差異，則認(rèn)為是平滑區(qū)；假如特征有差異，則判定為邊緣點。算法的具體實現(xiàn)步驟如下： 1) 設(shè)置四個 3 3模板如圖 所示 。 顯而易 見，四個模板分別按 0? 、 45? 、 90? 、135? 以（ x,y）點為中心將 3 3的區(qū)域分成兩個部分，按照這四個模板分別對圖像中的每一像素點進(jìn)行卷積求和操作。 2)對圖像中每一像素點求 得 的四個結(jié)果 再 求絕對值，將每個結(jié)果分別與一個閾值比較，假如其中任意一結(jié)果大于或等于閾值 T，則該模板的中心點所對應(yīng)的圖像像素點的灰度值為 255，否則為 0。 對于有噪聲的圖像，由于噪聲是隨機分布的，因此不論 (x,y)是有效邊界點還是處于平坦區(qū)域內(nèi)部，沿邊緣方向劃分的兩個區(qū)域的噪聲分布和噪聲強度，在概率上相同。從四個模板的結(jié)構(gòu)可以看出，噪聲的影響基本上被相應(yīng)的抵消，不會對邊緣提取產(chǎn)生太大的影響，因此該算法具有較好的抗噪能力，克服了傳統(tǒng)的 邊緣檢測 僅考慮灰度突變 的局限。 的具體 實現(xiàn)過程 本文研究是 基于 DSP 器件的圖像邊緣檢測， 這里 主要 考慮的是 各 邊緣檢測 算 法如何在 CCS 中的實現(xiàn)問題。 由于 DSP 的代碼需要絕對定位 ，不像一般的軟件是由系統(tǒng) 定位，所以需要編寫與之對應(yīng) 的 鏈接文件，進(jìn)行準(zhǔn)確定位。又因為要在 watch 窗口中觀察圖像圖 本文算法 模板檢測 中國民航大學(xué)本科畢業(yè)設(shè)計論文 24 邊緣檢測的效果，所以必須設(shè)置固定的數(shù)組用于存取圖像的源數(shù)據(jù)和其處理后的數(shù)據(jù)。本文中的幾個邊緣檢測方法在 CCS中的實現(xiàn)大同小異，有的只是算法的 模板 大小的區(qū)別，下面以 Sobel 算法實現(xiàn)為例 進(jìn)行說明 。（各算法 的 具體程序見附錄 A） 算法 主要分為以下幾個步驟 ： (l)讀入圖像數(shù)據(jù)到 dbImage 數(shù)組。 在這兒需要注意的是：其一， 256 色 BMP 圖像的偏移量為 1078 字節(jié)；其二， BMP 文件存儲數(shù)據(jù)時，圖像的掃描方式是按從左到右、從下到上的 順序。 (2)對 源 圖像數(shù)據(jù)進(jìn)行平 滑濾波，本文采用 低通濾波器 。 (3)制作 Sobel 算法的兩個 3 3 檢測模板。 (4)分別用所制作的兩個檢測模板依次滑過整幅圖像， 并 對每一像素按公式（ 34）計算其梯度 幅值 ， 再根據(jù)實際需要選擇 合適 的圖像增強方式， 得到其增強圖像。 (5)用一維最大熵閾值分割方法， 計算出閾值 （ 也可根據(jù)需要，進(jìn)行人為設(shè)置 ） 。 (6)根據(jù)得到的閾值對 增強圖像進(jìn)行二值化，這樣就得到了一幅 二值的 邊緣圖像。 在此，需要說明的是有的算法濾波和增強在算法的實現(xiàn)過程中是同時進(jìn)行的，例如：Marr 算法。也有的算法是 增強和二值化檢測 是 同時進(jìn)行的，例如：本文的模板檢測算法。上面所述的只是算法 仿真實現(xiàn) 的幾個主要步驟，在實際實現(xiàn)過程中可根據(jù)需要作適當(dāng)調(diào)整。 其他各算法可參考 Sobel 算法 仿真實現(xiàn)。 仿真結(jié)果 為了驗證 上述各 算法的有效性， 現(xiàn) 采用 本文選用的三幅 圖像進(jìn)行邊緣檢測，從邊緣的細(xì)化程度、邊緣的連續(xù)性和邊緣的光滑性三個方面 對各邊緣檢測算法進(jìn)行算法評價，并 比較 本文 提出的基于 模板 的 邊緣 檢測算法與 各 傳統(tǒng)的 邊緣 檢測算法 的 檢測 效果 。 中國民航大學(xué)本科畢業(yè)設(shè)計論文 25 針對 (a)圖像的算法評價 之 邊緣的細(xì)化程度 邊緣的細(xì)化程度就是檢測到的邊緣的 寬度。算法本身的設(shè)計決定了邊緣的細(xì)化程度。算法檢測出的邊緣寬度是由算法本身的模板特性決定。 此例， 采用的是 一幅 簡單的人工合成圖，只是由一些 簡單的 直線和曲線組成。 從 圖 中， 我們可以看出各個算法的檢測效果不盡相同。但各算法都能較清晰地檢測出目標(biāo)。 其 主要的 不同點是：用 2 2 模板、 3 3 模板、 5 5 模板檢測出的 邊緣的 寬度 不同。其中， 梯度算子、 Roberts 算子檢測出的邊緣寬度最窄； Prewitt 算子、 Sobel 算子、 Kirsch 算子、 Laplacian 算子以及本文 提出的算法次之； Marr 算子檢測出的邊緣寬度則 最 寬。 圖 對 圖像（ a）的各 算法 邊緣檢測效果圖 中國民航大學(xué)本科畢業(yè)設(shè)計論文 26 針對 (b)圖像的算法評 價 之 邊緣的連續(xù)性 邊緣的連續(xù)性要求檢測結(jié)果是連續(xù)的，需要邊緣檢測算法對噪聲的影響要小，圖像中的噪聲會導(dǎo)致邊緣不連續(xù)。不連續(xù)的算法直接會導(dǎo)致圖像邊緣斷裂，甚至錯誤連接其他邊緣，造成分割錯誤。 此例， 采用的是一幅較復(fù)雜的人工合成圖。從 圖 中，我們可以看出各個算法的檢測效果不盡相同。但各算法都能 大概地 檢測出目標(biāo)。 其 主要的 不同點是：用 各算法模板檢測出的邊緣 的連續(xù)性不同 。 其中， 梯度算子檢 測出的邊緣的連續(xù)性最差； Roberts算子較梯度算子稍好； Laplacian 算子 較之 Roberts 算子 好一點，但任存在邊緣斷裂的情況； Marr 算子檢測出的邊緣的連續(xù)性 較好 ； Prewitt 算子、 Sobel 算子、 Kirsch 算子及本文提出的算法 檢測出的邊緣的連續(xù)性則 好。 圖 對 圖像（ b）的各 算法 邊緣檢測效果圖 中國民航大學(xué)本科畢業(yè)設(shè)計論文 27 針對 (c)圖像的算法評 價 之 邊緣的光滑性 邊緣的光滑性直接影響主觀視覺，后續(xù)處理的影響不大。一般的邊緣 的判斷方法都不注重這個性能，邊緣檢測的光滑性度量也使用人眼定性 判斷。 此例， 采用的是一幅 自然的真實圖像。從圖 中，我們可以看出各個算法的檢測效果不盡相同。 其主要的不同點是：用各算法模板檢測出的邊緣的 光滑 性不同。 其中，梯度算子、 Roberts 算子較差； Laplacian 算子、 Marr 算子較好； Prewitt 算子、 Sobel算子、 Kirsch 算子及本文提出的算法檢測出的邊緣的光滑性好。 算法比較 結(jié)果 統(tǒng)計 現(xiàn)在把各算法檢測出的邊緣的寬度、連續(xù)性、光滑性 總結(jié)如 表 31。從表中可以看圖 對 圖像（ c）的各 算法 邊緣檢測效果圖 中國民航大學(xué)本科畢業(yè)設(shè)計論文 28 出， 梯度算子、 Roberts 算子 總體效果較差； Laplacian 算子、 Marr 算子較好 ； Prewitt算子、 Sobel 算子、 Kirsch 算子及本文提出的算法 則 具有良好的檢 測 效果。 算法 寬度 連續(xù)性 光滑性 梯度算子 1 差 較差 Roberts 算子 1 較差 較差 Prewitt 算子 2 好 好 Sobel 算子 2 好 好 Kirsch 算子 2 好 好 Laplacian 算子 2 一般 較好 Marr 算子 4 較好 較好 本文算法 2 好 好 表 31 各算法檢測出的邊緣的寬度、連續(xù)性、光滑性 總結(jié)列表 中國民航大學(xué)本科畢業(yè)設(shè)計論文 29 第 4 章 模板 匹配 數(shù)字圖像處理的最終目的是用計算機代替人去認(rèn)識圖像和找出一幅圖像中人們感興 趣的目標(biāo)。這就是模式識別的問題。本文介紹并實現(xiàn)一種最原始、最基本的模式識別方法 模板 匹配 。 的概念 如圖 ，在（ a）圖像中尋找有無（ b）圖案的存在，以及存在的位置。當(dāng)對象的圖案以圖像的形式表現(xiàn)時根據(jù)該圖案 與一幅圖像的各部分的相似度判斷其是否存在，并求得對象在圖像中位置的操作就叫做 模板 匹配 [10]。 它是圖像處理中的最基本、最常用的匹配方法。匹配的用途很多，例如： 變換中，檢測圖像和地圖之間的對應(yīng)點； 間位置的配準(zhǔn)（圖像配準(zhǔn)） ； ； 物體的跟蹤； 。 模板匹配的方法 基本模板匹配法 圖 模板匹配說明圖 圖 模板匹配 中國民航大學(xué)本科畢業(yè)設(shè)計論文 30 如圖 ，設(shè)檢測對象的模板為 t(x,y)，令其中心與圖像 f(x,y)中的一像素 (i,j)重合，檢測 t(x,y)和圖像重合部分之間的相似度，對圖像中所有的像素都進(jìn)行這樣的操作，根據(jù)相似度為最大或者超過某一閾值來確定對象物是否存在，經(jīng)求得對象物所在的位置。這一過程就是模板匹配。作為匹配的尺度，應(yīng)具有位移不變、尺度不變、旋轉(zhuǎn)不變等性質(zhì)，同時對噪聲不敏 感。 這有兩類表達(dá)方式： 一、 非相似度形式 （ 41） （ 42） （ 43） 式中 S表示 t(x,y)的定 義域。上面式子 中 計算出的是模板和圖像重合部分的非相似度，該值越小，表示匹配程度越好。 二、 相似度形式 （ 44） （ 45） （ 46） 式中， ， 分別表示 f(x+i,y+j),t(x,y)在 S內(nèi)的均值。 由以上三式計算出的是模板和其重合部分的相似度，該值越大，表示匹配程度越好。 高速模板匹配法 與邊緣檢測中使用的 模板 不同， 模板 匹配中使用的 模板 相當(dāng)大（ 8 8～ 32 32 左右）。為從大幅面圖像中尋找與 模板 最一致的地方，計算量大，需花費相當(dāng)多的時間。為使 模板 匹配高速化， Barnea 等人提出了序貫相似性檢測法 SSDA 法（ Sequtial Similiarity Detection Algorithm）。 max | |s ft?||s f t dxdy???2()s f t dxdy???( , ) ( , ) ( , )sm i j t x y f x i y j d x d y? ? ???2( , )( , )( , )sm i jm i jf x i y j d x d y? ?????2 2[ ( , ) ] [ ( , ) ]( , )[ ( , ) ] [ ( , ) ]sssf x i y j f t x y t d x d ym i jf x i y j f d x d y t x y t d x d y? ? ? ? ??? ? ? ????? ??f t中國民航大學(xué)本科畢業(yè)設(shè)計論文 31 SSDA 法計算圖像 f(x,y)在像素 (i,j)的非相似度 m(i,j)作為匹配尺度。 (47) 其中 t(x,y)為檢測 模板 ， 模板 大小為 n m。式中 (i,j)表示重合部分左上角像素的坐標(biāo)。 如果在坐標(biāo) (i,j)處 模板 與圖像一致，則 m(i,j)值很小，相反則較大。特別是在 模板 和圖像重疊部分完全不一致的情況下，如果在 模板 內(nèi)的各像素與圖像重合部分對應(yīng)的像素的差的絕對值 依次增加 下去，其和就會急劇增大。因此，在做加法的過程中，如果差的絕對值部分和超過了某一閾值時，就認(rèn)為這位置上不存在和 模板 一致的圖案，從而轉(zhuǎn)移到下一個位置上計算 m(i,j)。由于計算 m(i,j)只是加減運算，而且這一計算在大多數(shù)位置上中途便停止了，因此能大幅度地縮短計算時間，提高匹配速度。 高精度定位模板匹配法 在一般的圖像中有較強的自相關(guān)性，因此，進(jìn)行模板匹配計算的相似度就在以對象物存在的地方為中心形成平緩的峰。這樣，即使模板匹配時從圖像對象物的真實位置稍微離開一點，也表現(xiàn)出相當(dāng)高的相似度。 為了達(dá)到這 一目的，提出了基于圖案輪廓的特征匹配方法。圖案輪廓匹配法與一般匹配法相比，相似度表現(xiàn)出更尖銳的分布，從而有利于精確定位。 算法 實驗仿真 為了驗證模板匹配算法，現(xiàn)用仿真實驗加以說明。實驗采用高精度定位模板匹配法和高速模板匹配法的結(jié)合算法。對 用本文給出的邊緣檢測算法檢測 得到的（ b）圖像的邊緣