【正文】 ,)。 end %======================================================================== if chos==11 clc。 figure, imshow(BW2)。 FS=sqrt(max(abs(FX^2FW^2)))。 B = BB.*BB。 level = graythresh(grad)。 dd = max(dd,abs(d6))。 dd = max(abs(d1),abs(d2))。 d5 = imfilter(I, mask5)。 d1 = imfilter(I, mask1)。 mask8=[0 1 2。0 1 2]。0 0 0。 mask4=[0 1 2。0 1 2]。0 0 0。) end %========================================================================== if chos==10 clc。 title(39。 grad = mat2gray(dd)。 dd = max(dd,abs(d5))。 d8 = imfilter(I, mask8)。 d4 = imfilter(I, mask4)。 I = im2double(A)。1 0 1]。1 0 1。 mask5=[1 2 1。1 0 1]。1 0 1。 mask1=[1 2 1。sobel39。 level = graythresh(grad)。 dx = imfilter(I, x_mask)。0 0 0。) end %========================================================================= if chos==8 clc。)。 close all。 figure, imshow(BW)。 I = im2double(A)。0,1,2,1,0。) end %========================================================================== if chos==6 clc。 BW = im2bw(grad,)。0,1,0]。 close all。 figure, imshow(BW)。 dd = max(dd,abs(d8))。 dd = max(dd,abs(d4))。 d7 = imfilter(I, mask7)。 d3 = imfilter(I, mask3)。3,3,3]。5,0,3。 mask6=[3,3,3。5,5,5]。3,0,5。 mask2=[3,3,5。 A = img。 title(39。 grad = mat2gray(grad)。 I = im2double(A)。 y_mask = [1 1 1。Roberts39。 level = graythresh(grad)。 dx = imfilter(I, x_mask)。 x_mask = [1 0。) graylevmax=2^321。uint1639。 if isa(img,39。,39。)。 end if (any(namefile~=0) amp。 selezionato=1。},39。*.png。*.tif。 close all。,39。, 39。,39。,39。,39。邊緣檢測(cè),39。 possibility=12。同樣該算子也將一些高頻邊緣平滑掉,造成邊緣丟失,采用了雙閾 值算法檢測(cè)和連接邊緣,邊緣的連續(xù)性較好. Sobel 算子: 產(chǎn)生的邊緣效果較好, 對(duì)噪聲具有平滑作用. 但存在偽邊緣, 邊緣比較粗且定位精度低八方向 Sobel 算子: 可以得到更完整的邊緣信息, 但是和 Sobel 算子一樣, 它們的抗噪聲能力都較差,即對(duì)于疊加噪聲圖像的邊緣檢測(cè)效果很不理想. 最佳 Sobel 算子:在圖像進(jìn)行八方向 Sobel 算子檢測(cè)后的梯度圖像使用最 佳閾值分割圖像,解決了八方向 Sobel 算子抗噪能力差的特點(diǎn),在去噪的同時(shí) 有效地保留了圖像的真實(shí)邊緣, 對(duì)于部分灰度圖像的檢測(cè)結(jié)果并不理想, 待進(jìn)一步的研究.致謝首先衷心感謝我的導(dǎo)師王忠石老師,我的成長(zhǎng)與王老師的教導(dǎo),培養(yǎng)息 ,在論文的寫作過(guò)程中一直得到 ,嚴(yán)謹(jǐn)求實(shí)的工作作風(fēng)和勤 奮敬業(yè)的工作精神以及誨人不倦, 工作學(xué)習(xí)中,我也將以王老師為榜樣來(lái)追求一名科技工作者應(yīng)具備的素質(zhì)和 品質(zhì). 感謝王老師帶領(lǐng)下的同組同學(xué)李春輝,程小青,張吉,王國(guó)峰,李春, 馬悅,各位同學(xué)為我提供了一個(gè)積極,和 諧的學(xué)習(xí)氛圍和研究環(huán)境, 我們相互交流, 討論共同面對(duì)課題中的各個(gè)難題, , ,我要深深感謝各位同學(xué)給予我的幫助. 我的成長(zhǎng), 經(jīng)給予我知識(shí)和幫助的各位老師以及與我以起學(xué)習(xí)成長(zhǎng)的各位同學(xué)們. 最后,深深地感謝我的家人和朋友,我將永遠(yuǎn)感謝他們的鼓勵(lì)和無(wú)微不 至的關(guān)懷,正是他們的理解,支持和關(guān)心,使得我能夠順利完成學(xué)業(yè) 參考文獻(xiàn)[1] 陳宇云. 灰度圖像的邊緣檢測(cè)研究[D]. 電子科技大學(xué)碩士學(xué)位論文. 2009 [2] 朱虹. 數(shù)字圖像處理基礎(chǔ)[M]. 北京: 科學(xué)出版社. :217220 [3] 余成波. 數(shù)字圖像處理及 MATLAB 實(shí)現(xiàn)[M]. 重慶: 重慶大學(xué)出版社. :356359 [4] 陳書(shū)海,傅錄祥. 實(shí)用數(shù)字圖像處理[M].北京: 科學(xué)出版社. 2005:280290 [5] 張晶. 圖像邊緣檢測(cè)算法的研究[D]. 山東大學(xué)碩士學(xué)位論文. 2006 [6] 韓 磊 .MATLAB 在 數(shù) 字 圖 象 處 理 中 的 應(yīng) 用 [J]. 電 腦 知 識(shí) 與 技 術(shù) . 2008,1(1):2931 [7] 盧 洋 , 張 旭 秀 . 圖 像 邊 緣 檢 測(cè) 算 法 的 對(duì) 比 分 析 與 研 究 [J]. 太 原 科 技 . 2009,(3):1718 [8] 熊秋菊,楊慕生. 圖像處理中邊緣檢測(cè)算法的對(duì)比研究[J]. 機(jī)械工程與自 動(dòng)化. 2009,(2)2123[9] 尹建媛. 圖像處理中邊緣檢測(cè)算法的研究[J]. 科技信息. 2008,(4):3032 [10] 李雪. 灰度圖像邊緣檢測(cè)算法的性能評(píng)價(jià)[D]. 沈陽(yáng)工業(yè)大學(xué)碩士論 文 .2007 [11] 范立南, 韓曉微, 王忠石等. 基于多結(jié)構(gòu)元的噪聲污染灰度圖像邊緣檢 測(cè)研究[J]. 武漢大學(xué)學(xué)報(bào)(工學(xué)版), 2003,49(3):4549 [12] XU Xianling,LIN of MatLab in Dingital Image Processing[J]. MODERN COMPUTER. 2008,(5):3537 [13] LV Yuqin,ZENG Algorithm of Picture Edge[J]. TAIYUAN SCIENCE amp。改進(jìn)的sobel39。 % 計(jì)算最佳閾值 grad = mat2gray(BB)。 B = sum(B(:))。八方向Sobel39。 % 將灰度變化矩陣轉(zhuǎn)化為灰度圖像 level = graythresh(grad)。 dd = max(dd,abs(d6))。 dd = max(abs(d1),abs(d2))。 d5 = imfilter(I, mask5)。 % 將數(shù)據(jù)圖像轉(zhuǎn)化為雙精度 d1 = imfilter(I, mask1)。 mask8=[0 1 2。0 1 2]。0 0 0。 mask4=[0 1 2。0 1 2]。0 0 0。title(39。) 改進(jìn)的 Sobel 算子程序: clc clear all close all A = imread(39。 % 計(jì)算灰度閾值 BW = im2bw(grad,level)。 % 計(jì)算X方向的梯度分量 dy = imfilter(I, y_mask)。1 2 1]。原圖39。39。 % 顯示分割后的圖像,即梯度圖像 title(39。) BW1 = edge(I,39。)。 % 顯示分割后的圖像,即梯度圖像 title(39。 % 將數(shù)據(jù)圖像轉(zhuǎn)化為雙精度 dx = imfilter(I, mask)。1,2,16,2,1。原圖39。39。 % 用閾值分割梯度圖像 figure, imshow(BW)。 % 建立模板 I = im2double(A)。)。)。) 實(shí)驗(yàn)結(jié)果 以 cameraman 圖片為例,分別用 Roberts,Prewitt 和 Kirsch 三種算法,在 無(wú)噪聲(圖 11)和有高斯白噪聲(圖 12)的環(huán)境下,分別給檢測(cè)結(jié)果. 圖 11 對(duì)未加噪聲圖片的檢測(cè)結(jié)果 圖 12 對(duì)加入高斯白噪聲圖片的檢測(cè)結(jié)果 實(shí)驗(yàn)結(jié)果分析 通過(guò)圖 11 和圖 12 知,在圖像沒(méi)有噪聲的情況下,Roberts 算子,Prewitt 算子,Kirsch 算子, 后,三種邊緣檢測(cè)算子的邊緣檢測(cè)效果都多少受到噪聲的干擾,檢測(cè)出大量 的噪聲點(diǎn)和偽邊緣, 算子受噪聲的影響最大, Kirsch 算子,Prewitt 算子受噪聲影響比 Roberts 算子小. 由于各種原因,圖像總是受到隨機(jī)噪聲的干擾,可以說(shuō)噪聲無(wú)處不在經(jīng)典的邊緣檢測(cè)方法由于引入了各種形式的微分運(yùn)算,從而必然引起對(duì)噪聲 的極度敏感,邊緣檢測(cè)的結(jié)果常常是把噪聲當(dāng)作邊緣點(diǎn)檢測(cè)出來(lái),而真正的 ,一種好的 邊緣檢測(cè)方法應(yīng)該具有良好的噪聲抑制能力,同時(shí)又有完備的邊緣保持特性. 基于一階微分的邊緣檢測(cè)算子具有實(shí)現(xiàn)簡(jiǎn)單,運(yùn)算速度快等特點(diǎn),但其 檢測(cè)受噪聲的影響很大,檢測(cè)結(jié)果不可靠,不能準(zhǔn)確判定邊緣的存在及邊緣 的準(zhǔn)確位置,造成這種情況的原因:(1)實(shí)際邊緣灰度與理想邊緣灰度值間存 在差異,這類算子可能檢測(cè)出多個(gè)邊緣。 % 計(jì)算灰度閾值 BW = im2bw(grad,level)。 dd = max(dd,abs(d7))。 % 取差值變化最大的元素組成灰度變化矩陣 dd = max(dd,abs(d3))。 d6 = imfilter(I, mask6)。 % 計(jì)算8個(gè)領(lǐng)域的灰度變化 d2 = imfilter(I, mask2)。5,0,3。 mask7=[5,3,3。3,3,3]。3,0,3。 mask3=[3,5,5。3,5,5]。原圖39。39。 % 用閾值分割梯度圖像 figure, imshow(BW)。 % 計(jì)算Y方向的梯度分量 grad = sqrt(dx.*dx + dy.*dy)。 % 建立Y方向的模板 x_mask = y_mask39。)。)。 % 顯示分割后的圖像即邊緣圖像 title(39。 % 計(jì)算梯度 grad = mat2gray(grad)。 % 建立Y方向的模板 I = im2double(A)。)。)。,315176。,135176。反過(guò)來(lái),若 提高邊緣檢測(cè)算子對(duì)邊緣的敏感性, 線性算子可以在抗噪聲干擾和精確定位之間提供最佳折衷方案,它就是高斯 函數(shù)的一階導(dǎo)數(shù). Canny 根據(jù)檢測(cè)的要求,定義了下面三個(gè)最優(yōu)準(zhǔn)則: (1),非邊緣點(diǎn)不錯(cuò)檢,即要求輸出信噪比 最大. (2). (3) 是一一對(duì)應(yīng)的關(guān)系. Canny 首次將上述判據(jù)用是數(shù)學(xué)的形式表示出來(lái), 然后采用最優(yōu)化數(shù)值方 法,需要使用若干方向的模板分別 對(duì)圖像進(jìn)行卷積處理, Canny 邊緣檢測(cè)器作 f[i,j],得到的結(jié)果是一個(gè)已平滑數(shù)據(jù)陣列. S [i , j ] = G [i , j。如 果這一表面具有鏡面反射特性且兩平面形成的棱角比較圓滑,則當(dāng)棱角圓滑 表面的法線經(jīng)過(guò)鏡面反射角時(shí),由于鏡面反射分量,在棱角圓滑表面上會(huì)產(chǎn) 生明亮光條, 邊緣可能與場(chǎng)景中物體的重要特征對(duì)應(yīng), 所以它是很重要的圖像特征. 比如, 一個(gè)物體的輪廓通常產(chǎn)生階躍邊緣,因?yàn)槲矬w的圖像強(qiáng)度不同于背景的圖像 強(qiáng)度. 論文選題來(lái)源于在圖像工程中占有重要的地位和作用的實(shí)際應(yīng)用課題. 所謂圖像工程學(xué)科是指將數(shù)學(xué),光學(xué)等基礎(chǔ)學(xué)科的原理,結(jié)合在圖像應(yīng)用中 ,根據(jù)抽象程 度和研究方法等的不同分為三個(gè)層次:圖像處理, 圖 2 所示,在圖中,圖像分割處于圖像分析與圖像處理之間,其含義是,圖像分割是從圖像處理進(jìn)到圖像分析的關(guān)鍵步驟,也是進(jìn)一步理解圖像的基礎(chǔ). 圖像工程 圖像處理 圖像分割 圖像分析 圖像理解 圖2 圖像分割在圖像工程中的地位和作用 ,特征提取和 參數(shù)測(cè)量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式,使得更高層的圖像分析 ,所以邊緣檢測(cè)在圖像 熱點(diǎn)和焦點(diǎn),而且人們對(duì)其的關(guān)注和投入不斷提高. 本文的主要工作如下: (1)本文對(duì)圖像邊緣檢測(cè)作了一個(gè)概要的說(shuō)明,并說(shuō)明了進(jìn)行圖像邊緣檢 測(cè)的重要意義. (2)系統(tǒng)的介紹了比較經(jīng)典的基于一階微分的圖像邊緣檢測(cè)算子及其具體 的實(shí)現(xiàn)原理,為介紹基于二階微分的圖像邊緣檢測(cè)算子做鋪墊,以便于大家的理解. (3)系統(tǒng)介紹了比較經(jīng)典的基于二階微分的圖像邊緣檢測(cè)算子及其具體的 實(shí)現(xiàn)原理. (4)介紹了一種基于 Sobel 算子的改進(jìn)型算法,此方法的最大優(yōu)點(diǎn)是:在 去噪的同時(shí)有效地保留了圖像的真實(shí)邊緣,即給出了邊緣檢測(cè)的最佳結(jié)果. (5)對(duì)上述的算法用 Matlab 為工具進(jìn)行仿真,并對(duì)其仿真結(jié)果進(jìn)行分析, 分析各種算法的特點(diǎn). 1 基于一階微分的邊緣檢測(cè)算法 Roberts 算子 由 Roberts 提出的算子是一種利用局部差分算子尋找邊緣的算子,對(duì)于邊 界陡峭且噪比較小的圖像檢測(cè)效果比較好,它在 22 鄰域上計(jì)算對(duì)角導(dǎo)數(shù), G [i , j ] = ( f [i, j ] f [i + 1, j + 1]) + ( f [i + 1, j ] f [i, j + 1]) 2 2 (11) G[i,j]又稱為 Roberts ,為簡(jiǎn)化運(yùn)算,用