【正文】 case TYPE2: if(grad=T) (*pImg)=grad。 switch (modeB) { case TYPE1: (*pImg)=grad。 if ( grad255 ) grad=255。 default: break。x|+|f39。 case PLUS: fy=fx+fy。x|,|f39。 fy=fx。 //|f39。 //|f39。 x4=(*pImg2)。minWidth。 pImg2++。 pImg1++。pImg0++。inHeight。 pImg2=pImg1+IMAGEWIDTH。 //初始化第一行 (*pImg)=0。iIMAGEWIDTH。 pImg0=dbImage。void Grads(unsigned int modeA,unsigned int modeB,int nWidth,int nHeight){ static int i。static unsigned char *pImg1,*pImg2,*pImg,*pImg0。extern unsigned char dbTargetImage[IMAGEWIDTH*IMAGEHEIGHT]。 } } pImg=pImg+mwidth1。 u=i。 if (sum1000) break。nmwidth。 pImg1=pImg0+IMAGEWIDTH。mmheight。 sum=0。i++,pImg++) { pImg1=pImg。j++) { for (i=0。 for (j=0。 static unsigned char *pI,*pImg,*pImg0,*pImg1。extern unsigned char dbImage[IMAGEWIDTH*IMAGEHEIGHT]。 }/**050442422 宋登亮模板匹配程序*/include include include include define IMAGEWIDTH 160define IMAGEHEIGHT 146define mwidth 62define mheight 18 extern int u,v。 t=i。i256。 } MAX=。j++) { H2+=(float)p[j]/(1pt)*logf(p[j]/(1pt))。 } for(j=i+1。j=i。j++) { pt+=p[j]。 for(j=0。i++) { H1=H2=。 } //對(duì)每一個(gè)灰度級(jí)進(jìn)行比較； for(i=0。i256。 } } //統(tǒng)計(jì)各個(gè)灰度級(jí)出現(xiàn)的概率； uWork=nWidth*nHeight。j++,pWork++ ) { uWork=(unsigned int)(*pWork)。i++ ) { for ( j=0。 for ( i=0。i++) p[i]=。 for(i=0。 static float p[256],H1,H2,pt,num[256],MAX。 } }/**050442422 宋登亮一維最大熵閾值獲取程序*/ include unsigned char GetMaxHtoThrod(unsigned char *pImage,int nWidth,int nHeight) { static int i,j,t。 } (*pImg)=0。 x7=x8。 x4=x5。 //替換中心像素 x1=x2。 else if ( grad0 ) grad=0。 //空域模版 grad=(int)((H[1]*x1+H[2]*x2+H[3]*x3+H[4]*x4+H[5]*x5+ H[6]*x6+H[7]*x7+H[8]*x8+H[9]*x9)/8)。 x6=(*pImg2)。minWidth。 pImg3++。 pImg3++。 pImg2++。 pImg2++。 pImg1++。 pImg1++。mj++ ) { pImg++。 for ( mj=2。 pImg2=pImg1+IMAGEWIDTH。 //初始化第一行 (*pImg)=0。iIMAGEWIDTH。 pImg=dbTargetImage。static unsigned int H[10]={0,0,1,0,1,4,1,0,1,0}。static unsigned char *pImg1,*pImg2,*pImg3,*pImg。extern unsigned char dbTargetImage[IMAGEWIDTH*IMAGEHEIGHT]。 fclose(fp)。inHeight。 pWork=pImage+(nHeight1)*nWidth。fp = fopen(cFileName, rb)。 unsigned char *pWork。最后，衷心地感謝樊志遠(yuǎn)老師的辛勤指導(dǎo)和幫助；感謝所有幫助過(guò)我的老師、同學(xué)、朋友和家人。通過(guò)這次畢設(shè)，我懂得了論文的寫作方法和技巧，擴(kuò)展了視野，得到了鍛煉，學(xué)會(huì)了很多東西。在這方面樊老師給了我很大的幫助和提示。在接下來(lái)的畢設(shè)過(guò)程中，主要就是編寫程序了。不論怎樣，最終還是經(jīng)過(guò)不懈地努力收集整理，讓我對(duì)論文有了一個(gè)清晰、明確的整體結(jié)構(gòu)思路。所以，在畢設(shè)的開(kāi)始階段，就有一種舉步維艱的感覺(jué)。于是，我就開(kāi)始收集資料。經(jīng)過(guò)大學(xué)四年的學(xué)習(xí)和積累，我相信我能把這個(gè)題目做出來(lái)并且做好。既有勞動(dòng)時(shí)的艱辛，也有收獲時(shí)的喜悅；既有對(duì)校園的眷戀，也有對(duì)以后的憧憬；既有對(duì)新知識(shí)的好奇，又有著對(duì)專業(yè)知識(shí)的汲取和渴望。這四個(gè)月的經(jīng)歷，是對(duì)整個(gè)大學(xué)四年的總結(jié)和升華。后記自從今年2月開(kāi)始，我便在樊志遠(yuǎn)老師的指導(dǎo)和幫助下，進(jìn)行了我在大學(xué)里的最后的也是最重要的一課畢業(yè)設(shè)計(jì)。[9] Kenneth ：DIGITAL IMAGE PROCESSING，影印本，北京，清華大學(xué)出版社，2003年。[7] Texas Instruments：TMS320VC5509A FixedPoint Digital Signal Processor Data Manual，Literature Number: SPRS205K，November 2002 ? Revised January 2008。[5] 劉穎東：揭秘?cái)?shù)據(jù)解密的關(guān)鍵技術(shù)，北京，人民郵電出版社，2009年。[3] 涂曉昱：基于DSP的通用實(shí)時(shí)圖像處理系統(tǒng)設(shè)計(jì)與研究，浙江大學(xué)，2004年。參考文獻(xiàn)[1] ，Edge focusing：IEEE Transactions on Pattern Analysis and MachineIntelligence，1987，9(6)：726一741。本文的創(chuàng)新點(diǎn)是把圖像的邊緣檢測(cè)與DSP結(jié)合起來(lái)，充分利用DSP特有的穩(wěn)定性、可重復(fù)性、高速性以及可編程性和易于實(shí)現(xiàn)自適應(yīng)處理等特點(diǎn)，解決圖像處理中的數(shù)據(jù)量大，計(jì)算復(fù)雜，數(shù)據(jù)處理相關(guān)性高等疑難問(wèn)題，以使其達(dá)到實(shí)際應(yīng)用的價(jià)值。通過(guò)仿真實(shí)驗(yàn)，文章從邊緣檢測(cè)圖像的寬度、連續(xù)性、光滑性這三個(gè)方面對(duì)各算法進(jìn)行了比較說(shuō)明。邊緣檢測(cè)是圖像處理中的重要內(nèi)容，是圖像的最基本特征，并在圖像分割、圖像檢索、模式識(shí)別、機(jī)器視覺(jué)等領(lǐng)域中有著重要的應(yīng)用。結(jié)論本文實(shí)現(xiàn)了基于DSP器件軟件仿真的圖像邊緣檢測(cè)，并在邊緣圖像的基礎(chǔ)上，通過(guò)模板匹配識(shí)別出了特定的字符CAUC，從而證明了本文給出的算法的有效性。： 模版匹配實(shí)驗(yàn)結(jié)果在本文圖像（b）的邊緣圖像的基礎(chǔ)上，分別對(duì)字符“CAUC”出現(xiàn)在圖像的不同位置進(jìn)行檢查。然后，讀入圖像數(shù)據(jù)到數(shù)值dbImage；18的字符“CAUC”模板到數(shù)值modImage；，并計(jì)算其非相似度；，找出最小值，并輸出目標(biāo)像素的坐標(biāo)。具體實(shí)驗(yàn)步驟如下（具體算法見(jiàn)附錄A）：，先對(duì)邊緣圖像進(jìn)行處理。實(shí)驗(yàn)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。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。這樣，即使模板匹配時(shí)從圖像對(duì)象物的真實(shí)位置稍微離開(kāi)一點(diǎn)，也表現(xiàn)出相當(dāng)高的相似度。由于計(jì)算m(i,j)只是加減運(yùn)算，而且這一計(jì)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(jì)算時(shí)間，提高匹配速度。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(duì)應(yīng)的像素的差的絕對(duì)值依次增加下去，其和就會(huì)急劇增大。式中(i,j)表示重合部分左上角像素的坐標(biāo)。SSDA法計(jì)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。為從大幅面圖像中尋找與模板最一致的地方，計(jì)算量大，需花費(fèi)相當(dāng)多的時(shí)間。由以上三式計(jì)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。上面式子中計(jì)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。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(shí)對(duì)噪聲不敏感。 模板匹配的方法 基本模板匹配法，設(shè)檢測(cè)對(duì)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(cè)t(x,y)和圖像重合部分之間的相似度，對(duì)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(guò)某一閾值來(lái)確定對(duì)象物是否存在，經(jīng)求得對(duì)象物所在的位置。它是圖像處理中的最基本、最常用的匹配方法。 模板匹配說(shuō)明圖，在（a）圖像中尋找有無(wú)（b）圖案的存在，以及存在的位置。這就是模式識(shí)別的問(wèn)題。從表中可以看出，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(cè)效果。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(cè)出的邊緣的光滑性好。我們可以看出各個(gè)算法的檢測(cè)效果不盡相同。一般的邊緣的判斷方法都不注重這個(gè)性能，邊緣檢測(cè)的光滑性度量也使用人眼定性判斷。其中，梯度算子檢測(cè)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(diǎn)，但任存在邊緣斷裂的情況；Marr算子檢測(cè)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(cè)出的邊緣的連續(xù)性則好。但各算法都能大概地檢測(cè)出目標(biāo)。 對(duì)圖像（b）的各算法邊緣檢測(cè)效果圖此例，采用的是一幅較復(fù)雜的人工合成圖。 針對(duì)(b)圖像的算法評(píng)價(jià)之邊緣的連續(xù)性邊緣的連續(xù)性要求檢測(cè)結(jié)果是連續(xù)的，需要邊緣檢測(cè)算法對(duì)噪聲的影響要小，圖像中的噪聲會(huì)導(dǎo)致邊緣不連續(xù)。其主要的不同點(diǎn)是：用22模板、33模板、55模板檢測(cè)出的邊緣的寬度不同。我們可以看出各個(gè)算法的檢測(cè)效果不盡相同。算法檢測(cè)出的邊緣寬度是由算法本身的模板特性決定。 針對(duì)(a)圖像的算法評(píng)價(jià)之邊緣的細(xì)化程度邊緣的細(xì)化程度就是檢測(cè)到的邊緣的寬度。其他各算法可參考Sobel算法仿真實(shí)現(xiàn)。也有的算法是增強(qiáng)和二值化檢測(cè)是同時(shí)進(jìn)行的，例如：本文的模板檢測(cè)算法。(6)根據(jù)得到的閾值對(duì)增強(qiáng)圖像進(jìn)行二值化，這樣就得到了一幅二值的邊緣圖像。(4)分別用所制作的兩個(gè)檢測(cè)模板依次滑過(guò)整幅圖像，并對(duì)每一像素按公式（34）計(jì)算其梯度幅值，再根據(jù)實(shí)際需要選擇合適的圖像增強(qiáng)方式，得到其增強(qiáng)圖像。(2)對(duì)源圖像數(shù)據(jù)進(jìn)行平滑濾波，本文采用低通濾波器。（各算法的具體程序見(jiàn)附錄A）算法主要分為以下幾個(gè)步驟：(l)讀入圖像數(shù)據(jù)到dbImage數(shù)組。又因?yàn)橐趙atch窗口中觀察圖像邊緣檢測(cè)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)。本文研究是基于DSP器件的圖像邊緣檢測(cè)，這里主要考慮的是各邊緣檢測(cè)算法如何在CCS中的實(shí)現(xiàn)問(wèn)題。 本文算法模板檢測(cè)對(duì)于有噪聲的圖像，由于噪聲是隨機(jī)分布的，因此不論(x,y)是有效邊界點(diǎn)還是處于平坦區(qū)域內(nèi)部，沿邊緣方向劃分的兩個(gè)區(qū)域的噪聲分布和噪聲強(qiáng)度，在概率上相同。顯而易見(jiàn)，四個(gè)模板分別按、以（x,y）點(diǎn)為中心將33的區(qū)域分成兩個(gè)部分，按照這四個(gè)模板分別對(duì)圖像中的每一像素點(diǎn)進(jìn)行卷積求和操作。假如特征沒(méi)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(diǎn)。其實(shí)，邊緣往往具有以下特征：　　(1)灰度突變；　　(2)是不同區(qū)域的邊界；　　(3)具有方向性。但這些方法絕大多數(shù)沒(méi)有經(jīng)典的算法精簡(jiǎn)，要么難以獲得合理的計(jì)算復(fù)雜度，要么需要人