【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++){*****本科畢業(yè)論文（設計） 第 25 頁 共 29 頁for (int j=0。try{()。imageH=。double[] Gx={,0, ,0, ,0, ,0, ,0,}。int imageW。try{(0)。MediaTracker tracker。}//重畫函數*****本科畢業(yè)論文（設計） 第 23 頁 共 29 頁public void paint(Graphics g){(imagtest,0,0,this)。mycanvas(String url){pc=new PixelContrl(new MyImage(url))。add(jsp)。String pic_url=()+\\。import .*。}//CannyPicFrameclass Handlewin extends WindowAdapter{public void windowClosing(WindowEvent e){(0)。setTitle(基于邊緣檢測的圖像分割Canny 算子實現(xiàn))。}}CanedyPicFrame 類：import .*。另外，我要感謝我系的各位領導為我們提供了良好的學習和生活條件。**老師平日里工作繁忙，但在我們做畢業(yè)設計時的每個階段，他都悉心指導我們。LOG算子是在拉普拉斯算子的基礎上實現(xiàn)的具有一定的抗噪聲能力，Canny算子則以一階導數為基礎來判斷邊緣點。結 論：討論和比較了幾種常用的邊緣檢測算子。它比Sobel算子和Prewitt算子極小值算法的去噪能力都要強，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間存在著矛盾，應該根據具體問題對噪聲水平和邊緣點定位精度要求適當選取 。以下是Canny檢測邊緣的效果圖原始圖像 效果圖圖（5） Canny 算法實現(xiàn)對比結果比較：Prewitt算子和Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權平均濾波且檢測的圖象邊緣可能大于2個像素。具體算法是,對每一個檢測點計算模板內與該點灰度相似的象素集合的重心,檢測點與該重心的連線的矢量垂直與這條邊緣。④運算量小速度快對1 幅256 256 的圖像,應用SUSAN 算法進行計算,對每一點只需做8 次加法運算,共需要做256 256 8 次加法。而其他的邊緣檢測算法, Robert 算子、Prewitt 算子、GaussLaplace 算子,以及應用廣泛的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 的求和相當于求積分,所以這種算法對噪聲不敏感,而且SUSAN 算法不涉及梯度的計算,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邊緣檢測效果好：　邊緣檢測效果好無論對直線,還是曲線邊緣,SUSAN 算法基本上可以檢測出所有的邊緣,檢1if| I(r) 0| =t)???34(0)(),rDncr???*****本科畢業(yè)論文（設計） 第 16 頁 共 29 頁測結果較好。如果要達到單象素的精度,還需進一步剔除多余象素。但是模板較小時,如果門限選取不恰當,可能會發(fā)生邊緣點漏檢的情況。t 是灰度差門限。因此,計算圖像中每一個象素的USAN 值,通過設定一個 USAN 閥值,查找小于閥值的象素點,即可確定為邊緣點。當模板移向圖像邊緣時,USAN 區(qū)域逐漸變小(如圖 1 中 c) 。在實踐中,發(fā)現(xiàn) SUSAN 算法只基于對周邊象素的灰度比較,完全不涉及梯度的運算,因此其抗噪聲能力很強,運算量也比較小。對梯度幅值進行非極大值抑制。雙閾值算法在 G2[i,j]中把邊緣連接成輪廓，當到達輪廓的端點時，該算法就在 G1[i,j]的 8 鄰點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，并出去具有比領域處小的梯度幅值。解決這一問題的辦法是先對信號進行平滑濾波，以濾去噪聲。*****本科畢業(yè)論文（設計） 第 12 頁 共 29 頁圖（3） 5*5LoG 模板(5) Wallis 算子該算子是 laplace 算子的改進，也是一種采用了自適應技術的算子。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。正因為 的平滑特2(,)hxy?性能減少噪聲的影響，所以當邊緣模糊或噪聲較大時，利用 檢測過零點能提供較可2(,)hxy靠的邊緣位置。 也稱為 “墨西哥草帽” 。式()中的 稱為拉普拉斯高斯算子—LoG 算子。所以平滑函數應反映不同遠近的周圍點對給定像素具有的不同作用。 由于梯度算子和 Laplace 算子都對噪聲敏感，因此一般在用它們檢測邊緣前要先對圖像進行平滑。該算子對應的模板如下圖所示，它是一個與方向無關的各向同性（旋轉軸對稱）邊緣檢測算子。(2) Sobel 邊緣算子Sobel 邊緣算子和 Prewitt 邊緣算子的偏導數形式完全一樣，只是 c=2。它是在 3*3 領域內計算梯度值，這樣可以避免在像素之間內插點上計算梯度。最簡單的梯度近似表達式為（4）這里[i,j]表示像素點的列坐標和行坐標。而對于二維圖像，其局部特性的顯著變化可以用梯度來檢測。利用邊緣灰度變化的一階或二階導數特點，可以將邊緣點檢測出來。39。近旁呈零交叉。,灰度變化曲線 y = fE(x)的一階導函數在 P39。左右灰度變化曲線為 y = fR(x)。設階躍狀邊緣點 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量評價體系；3）分割自動化。2）區(qū)域分割 從圖像出發(fā)，按“有意義”的屬性一致的原則，確定每個像元的歸屬區(qū)域，形成一個區(qū)域圖。 其中P(Ri)是對所有在集合Ri中元素的邏輯謂詞 ,φ代表空集。一方面，它是目標表達的基礎，對特征測量有重要的影響。 這里的區(qū)域指相互連通的、很好的圖像中層描述符號，是對圖像模型化和進行高層理解的基礎。這些部分常稱為目標或對象，它們一般對應圖像中特定的、具有獨特性質的區(qū)域。 本論文的主要內容一、對 Prewitt 算子、Sobel 算子、高斯拉普拉斯(LOG)算子、Wallis 算子、 Canny 邊緣檢測方法、 SUSAN（Smallest Univalue Segment Assimilating Nucleus）邊緣檢測等進行算法分析。因此在檢測物體邊緣時，先對其輪廓點進行粗略檢測，然后通過鏈接規(guī)則把原來檢測到的輪廓點連接起來，同時也檢測和連接遺漏的邊界點及去除虛假的邊界點。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的技術和過程。 detection operator******本科畢業(yè)論文（設計）第 III 頁 共 29 頁目 錄摘 要 ..........................................................................................................IIABSTRACT .....................................................................................................II1 緒 論 ...........................................................................................................1 基于邊緣檢測的圖像分割算法的背景和意義 .....................................1 基于邊緣檢測的圖像分割算法的主要內容 .........................................1 本論文的結構安排 ..................................................