【正文】 return ((1/)*(rgb1))。(pixle8)))。 } public int getPixels(int x,int y) { return imagepix[y*imageW+x]。j5。i++) { for (int j=0。 return (r1*r1+r2*r2)range?true:false。iimageW2。 Canny_pix[j*imageW+i]=Canny_operator(i,j,Gx,Gy,125)?0xffffffff:0xff000000。i++) { for (int j=0。 try { ()。 imageH=。 double[] Gx={,0, ,0, ,0, ,0, ,0, }。 int imageW。 try { (0)。 MediaTracker tracker。 } //重畫函數(shù) public void paint(Graphics g) { (imagtest,0,0,this)。 mycanvas(String url) { pc=new PixelContrl(new MyImage(url))。 add(jsp)。 String pic_url=()+\\。 import .*。 }//CannyPicFrame class Handlewin extends WindowAdapter { public void windowClosing(WindowEvent e) { (0)。 setTitle(基于邊緣檢測(cè)的圖像分割 Canny 算子實(shí)現(xiàn) )。 } } CanedyPicFrame 類： import .*。 另外，我要感謝我系的各位領(lǐng)導(dǎo)為我們提供了良好的學(xué)習(xí)和生活條件。 **老師平日里工作繁忙，但在我們做畢業(yè)設(shè)計(jì)時(shí)的每個(gè)階段，他都悉心指導(dǎo)我們。 LOG算子是在拉普拉斯算子的基礎(chǔ)上實(shí)現(xiàn)的 具有一定的抗噪聲能力 ， Canny算子則以一階導(dǎo)數(shù)為基礎(chǔ)來判斷邊緣點(diǎn)。 結(jié) 論 ： 討論和比較了幾種常用的邊緣檢測(cè)算子。它比 Sobel算子和 Prewitt算子極小值算法的去噪能力都要強(qiáng)，但它也容易平滑掉一些邊緣信息。所以在邊緣定位精度和消除噪聲級(jí)間存在著矛盾，應(yīng)該根據(jù)具體問題對(duì)噪聲水平和邊緣點(diǎn)定位精度要求適當(dāng)選取 ? 。以下是 Canny檢測(cè)邊緣的效果圖 原始圖像 效果圖 圖（ 5） Canny 算法實(shí)現(xiàn)對(duì)比 0 0 0 0 0 0 0 0 0 0 *****本科畢業(yè)論文（設(shè)計(jì)） 第 18頁 共 28頁 結(jié)果比較： Prewitt算子和 Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權(quán)平均濾波且檢測(cè)的圖象邊緣可能大于 2個(gè)像素。具體算法是 ,對(duì)每一個(gè)檢測(cè)點(diǎn)計(jì)算模板內(nèi)與該點(diǎn)灰度相似的象素集合的重心 ,檢測(cè)點(diǎn)與該重心的連線的矢量垂直與這條邊緣。 ④ 運(yùn)算量小 速度快對(duì) 1 幅 256 256 的圖像 ,應(yīng)用 SUSAN 算法進(jìn)行計(jì)算 ,對(duì)每一點(diǎn)只需做 8 次加法運(yùn)算 ,共需要做 256 256 8 次加法。而其他的邊緣檢測(cè)算法 , Robert 算子、Prewitt 算子、 34( 0 )( 0 ) ( , 0 )r D rn r c r r?? ?*****本科畢業(yè)論文（設(shè)計(jì)） 第 16頁 共 28頁 GaussLaplace 算子 ,以及應(yīng)用廣泛的 Canny 算子 ,由于這些算法都涉及一階梯度 ,甚至二階梯度的計(jì)算 ,所以他們的抗噪聲能力較差 。 ② 抗噪聲能力好 由于 USAN 的求和相當(dāng)于求積分 ,所以這種算法對(duì)噪聲不敏感 ,而且 SUSAN 算法不涉及梯度的計(jì)算 ,所以該算法抗噪聲的性能很好。 SUSAN 算子與其他算子的比較： ① 邊緣檢測(cè)效果好： 邊緣檢測(cè)效果好無論對(duì)直線 ,還是曲線邊緣 ,SUSAN 算法基本上可以檢測(cè)出所有的邊緣 ,檢測(cè)結(jié)果較好。如果要達(dá)到單象素的精度 ,還需進(jìn)一步剔除多余象素。但是模板較小時(shí) ,如果門限選取不恰當(dāng) ,可能會(huì)發(fā)生邊緣點(diǎn)漏檢的情況。t 是灰度差門限。因此 ,計(jì)算圖像中每一個(gè)象素的 USAN 值 ,通過設(shè)定一個(gè) USAN 閥值 ,查找小于閥值的象素點(diǎn) ,即可確定為邊緣點(diǎn)。當(dāng)模板移向圖像邊緣時(shí) ,USAN 區(qū)域逐漸變小 (如圖 1 中 c) 。在實(shí)踐中 ,發(fā)現(xiàn) SUSAN 算法只基于對(duì)周邊象素的灰度比較 ,完全不涉及梯度的運(yùn)算 ,因此其抗噪聲能力很強(qiáng) ,運(yùn)算量也比較小。 對(duì)梯度幅值進(jìn)行非極大值抑制。雙閾值算法在 G2[i,j]中把邊緣連接成輪 廓，當(dāng)?shù)竭_(dá)輪廓的端點(diǎn)時(shí)，該算法就在 G1[i,j]的 8 鄰點(diǎn)位置尋找可以接到輪廓上的邊緣。 這種方法是在垂直于邊緣的方向上互相比較鄰接像素的梯度幅值，并出去具有比領(lǐng)域處小的梯度幅值。解決這一問題的辦法是先對(duì)信號(hào)進(jìn)行平滑濾波，以濾去噪聲。 圖（ 3） 5*5LoG 模板 (5) Wallis 算子 0 0 1 0 0 0 1 2 1 0 1 2 16 2 1 0 1 2 1 0 0 0 1 0 0 *****本科畢業(yè)論文（設(shè)計(jì)） 第 12頁 共 28頁 該算子是 laplace 算子的改進(jìn)，也是一種采用了自適應(yīng)技術(shù)的算子。 綜上所述， LoG 邊緣算子概括如下： (1) 平滑濾波器是高斯濾波器。正因?yàn)?2 ( , )hx y? 的平滑特性能減少噪聲的影響，所以當(dāng)邊緣模糊或噪聲較大時(shí)，利用 2 ( , )hx y? 檢測(cè)過零點(diǎn)能提供較可靠的邊222222 2421( , ) ( 2 )2 xyxyh x y e ?? ? ? ???? ? ?*****本科畢業(yè)論文（設(shè)計(jì)） 第 11頁 共 28頁 緣位置。 2 ( , )hx y? 也稱為“墨西哥草帽”。 式 ()中的 2 ( , )hx y? 稱為拉普拉斯高斯算子 — LoG 算子。所以平滑函數(shù)應(yīng)反映不同遠(yuǎn)近的周圍點(diǎn)對(duì)給定像素具有的不同作用。 由于梯度算子和 Laplace 算子都對(duì)噪聲敏感，因此一般在用它們檢測(cè)邊緣前要先對(duì)圖像進(jìn)行平滑。該算子對(duì)應(yīng)的模板如下圖所示，它是一個(gè)與方向無關(guān)的各向同性（旋轉(zhuǎn)軸對(duì)稱）邊緣檢測(cè)算子。 (2) Sobel 邊緣算子 Sobel 邊 緣算子和 Prewitt 邊緣算子的偏導(dǎo)數(shù)形式完全一樣，只是 c=2。它是在 3*3 領(lǐng)域內(nèi)計(jì)算梯度值，這樣可以1 1 1 1 1 1 1 1 1 1 1 1 *****本科畢業(yè)論文（設(shè)計(jì)） 第 8頁 共 28頁 避免在像素之間內(nèi)插點(diǎn)上計(jì)算梯度。最簡(jiǎn)單的梯度近似表達(dá)式為 （ 4） 這里 [i,j]表示像素點(diǎn)的列坐標(biāo)和行坐標(biāo)。而對(duì)于二維圖像，其局部特性的顯著變化可以用梯度來檢測(cè)。利用邊緣灰度變化的一階或二階導(dǎo)數(shù)特點(diǎn)，可以將邊緣點(diǎn)檢測(cè)出來。39。近旁呈零交叉。,灰度變化曲線 y = fE(x)的一階導(dǎo)函數(shù)在 P39。左右灰度變化曲線為 y = fR(x)。設(shè)階躍狀邊緣點(diǎn) P39。39。,Q39。階躍狀邊緣位于兩邊的像素灰度值有明 顯不同的地方；屋頂狀邊緣位于灰度值從增加到減少的轉(zhuǎn)折處。 圖像邊緣 邊緣是指圖像中像元灰度有階躍變化或屋頂狀變化的那些像元的集合。為了尋求更好的分割方法，今后主要的研究方向是 1）提取有效的屬性； 2）尋求更好的分割途徑和分割質(zhì)量評(píng)價(jià)體系； 3）分割自動(dòng)化。 2）區(qū)域分割 從圖像出發(fā)，按“有意義”的屬性一致的原則，確定每個(gè)像元 的歸屬區(qū)域，形成一個(gè)區(qū)域圖。 其中 P(Ri)是對(duì)所有在集合 Ri中元素的邏輯謂詞 ,φ代表空集。一方面，它是目標(biāo)表達(dá)的基礎(chǔ)，對(duì)特征測(cè)量有重要的影響。 這里的區(qū)域指相互連通的、有一致屬性的像元的集合 .它是一個(gè)方便的、很 好的圖像中層描述符號(hào)，是對(duì)圖像模型化和進(jìn)行高層理解的基礎(chǔ)。這些部 分常稱為目標(biāo)或?qū)ο?，它們一般?duì)應(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。 本論文的主要內(nèi)容 一、對(duì) Prewitt 算子、 Sobel 算子、高斯 拉普拉斯 (LOG)算子、 Wallis 算子、 Canny 邊緣檢測(cè)方法、 SUSAN（ Smallest Univalue Segment Assimilating Nucleus）邊緣檢測(cè)等進(jìn)行算法分析。因此在檢測(cè)物體邊緣時(shí)，先對(duì)其輪廓點(diǎn)進(jìn)行粗略檢測(cè)，然后通過鏈接規(guī)則把原來檢測(cè)到的輪廓點(diǎn)連接起來，同時(shí)也檢測(cè)和連接遺漏的邊界點(diǎn)及去除虛假的邊界點(diǎn)。因此圖像分割就是指把圖像分成各具特性的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。 detection operator ******本科畢業(yè)論文（設(shè)計(jì)） 第 III頁 共 28頁 目 錄 摘 要 ...................................................................................................... II ABSTRACT.................................................................................................. II 1 緒 論 ....................................................................................................... 1 基于邊緣檢測(cè)的圖像分割算法的背景和意義 ...............