【正文】 附錄2 英文參考資料Digital Image Processing and Edge DetectionDigital Image ProcessingInterest in digital image processing methods stems from two principal applica tion areas: improvement of pictorial information for human interpretation。應注意，這些定義并不能保證在一幅圖像中成功地找到邊緣，它們只是給了我們一個尋找邊緣的形式體系。如果我們選擇使用二階導數(shù)，則另一個可用的定義是將圖像中的邊緣點定義為它的二階導數(shù)的零交叉點。術語“邊緣線段”一般在邊緣與圖像的尺寸比起來很短時才使用。由于我們用局部計算進行處理，決定一個值是否有效的選擇方法就是使用門限。為了找到這些邊線，我們可以在圖像亮度梯度的二階導數(shù)中尋找過零點。如上所述，邊線是雙重邊緣，這樣我們就可以在邊線的一邊看到一個亮度梯度，而在另一邊看到相反的梯度。在理想的連續(xù)變化情況下，在二階導數(shù)中檢測過零點將得到梯度中的局部最大值。其它一些邊緣檢測操作是基于亮度的二階導數(shù)。這種方法假設邊緣是連續(xù)的界線，并且我們能夠跟蹤前面所看到的邊緣的模糊部分，而不會將圖像中的噪聲點標記為邊緣。首先使用一個閾值上限去尋找邊線開始的地方。一個常用的這種方法是帶有滯后作用的閾值選擇。然而非最大抑制的邊緣檢測，邊緣曲線的定義十分模糊，邊緣像素可能成為邊緣多邊形通過一個邊緣連接（邊緣跟蹤）的過程。與此相反，一個高的閾值將會遺失細的或者短的線段。已發(fā)表的邊緣檢測方法應用計算邊界強度的度量， 這與平滑濾波有本質的不同. 正如許多邊緣檢測方法依賴于圖像梯度的計算， 他們用不同種類的濾波器來估計x方向和y方向的梯度.一旦我們計算出導數(shù)之后，下一步要做的就是給出一個閾值來確定哪里是邊緣位置。基于零交叉的方法找到由圖像得到的二階導數(shù)的零交叉點來定位邊緣。實際上，這也是為什么邊緣檢測不是一個簡單問題的原因之一。而且，甚至可以認為這個例子中存在多個邊緣。1491481524675在這個例子中，我們的數(shù)據(jù)是一行不同點亮度的數(shù)據(jù)。如果將邊緣認為是一定數(shù)量點亮度發(fā)生變化的地方，那么邊緣檢測大體上就是計算這個亮度變化的導數(shù)。在邊線的每一邊都有一個邊緣。相反，它們通常受到一個或多個下面所列因素的影響：；；；。盡管在任何關于分割的討論中，點和線檢測都是很重要的，但是邊緣檢測對于灰度級間斷的檢測是最為普遍的檢測方法。相反單頭箭頭連接處理模塊。除了引導每一個處理模塊的操作，知識庫還要控制模塊間的交互。這一知識可能如圖像細節(jié)區(qū)域那樣簡單，在這里，感興趣的信息被定位，這樣，限制性的搜索就被引導到尋找的信息處。到目前為止，還沒有談到上面圖2中關于先驗知識及知識庫與處理模塊之間的交互這部分內容。識別是基于目標的描述給目標賦以符號的過程。為了描述數(shù)據(jù)以使感興趣的特征更明顯，還必須確定一種方法。則某些應用中，這些表示方法是互補的。當注意的焦點是外部形狀特性（如拐角和曲線）時，則邊界表示是合適的。無論哪種情況，把數(shù)據(jù)轉換成適合計算機處理的形式都是必要的。通常，分割越準確，識別越成功。復雜的分割過程導致成功解決要求物體被分別識別出來的成像問題需要大量處理工作。分割過程將一幅圖像劃分為組成部分或目標物。形態(tài)學處理設計提取圖像元素的工具，它在表現(xiàn)和描述形狀方面非常有用。雖然存儲技術在過去的十年內有了很大改進，但對傳輸能力我們還不能這樣說，尤其在互聯(lián)網上更是如此，互聯(lián)網是以大量的圖片內容為特征的。在這里，圖像被成功地細分為較小的區(qū)域。小波是在各種分辨率下描述圖像的基礎。就使得在彩色模型、數(shù)字域的彩色處理方面涵蓋了大量基本概念。另一方面，增強以怎樣構成好的增強效果這種人的主觀偏愛為基礎。然而，不像增強，圖像增強是主觀的，而圖像復原是客觀的。應記住，增強是圖像處理中非常主觀的領域，這一點很重要?；旧希鰪娂夹g后面的思路是顯現(xiàn)那些被模糊了的細節(jié)，或簡單地突出一幅圖像中感興趣的特征。通常，圖像獲取包括如設置比例尺等預處理。 （重新畫）圖像獲取是第一步處理。如果光譜波段根據(jù)光譜能量進行分組，我們會得到下圖1所示的伽馬射線（最高能量）到無線電波（最低能量）的光譜。建立在電磁波譜輻射基礎上的圖像是最熟悉的，特別是X射線和可見光譜圖像。在今天的應用中，最主要的圖像源是電磁能譜，其他主要的能源包括聲波、超聲波和電子（以用于電子顯微鏡方法的電子束形式）。數(shù)字圖像處理的應用領域多種多樣，所以文本在內容組織上盡量達到該技術應用領域的廣度。理解一頁的內容可能要根據(jù)理解的復雜度從圖像分析或計算機視覺領域考慮問題。舉一個簡單的文本自動分析方面的例子來具體說明這一概念。根據(jù)上述討論，我們看到，圖像處理和圖像分析兩個領域合乎邏輯的重疊區(qū)域是圖像中特定區(qū)域或物體的識別這一領域。中級圖像處理是以輸入為圖像，但輸出是從這些圖像中提取的特征（如邊緣、輪廓及不同物體的標識等）為特點的。低級處理是以輸入、輸出都是圖像為特點的處理。然而，在這個連續(xù)的統(tǒng)一體中可以考慮三種典型的計算處理（即低級、中級和高級處理）來區(qū)分其中的各個學科。人工智能領域處在其發(fā)展過程中的初期階段，它的發(fā)展比預期的要慢的多，圖像分析（也稱為圖像理解）領域則處在圖像處理和計算機視覺兩個學科之間。另一方面，有些領域（如計算機視覺）研究的最高目標是用計算機去模擬人類視覺，包括理解和推理并根據(jù)視覺輸入采取行動等。我們認為這一定義僅是人為界定和限制。圖像處理涉及的范疇或其他相關領域（例如，圖像分析和計算機視覺）的界定在初創(chuàng)人之間并沒有一致的看法。它們可以對非人類習慣的那些圖像源進行加工，這些圖像源包括超聲波、電子顯微鏡及計算機產生的圖像。視覺是人類最高級的感知器官，所以，毫無疑問圖像在人類感知中扮演著最重要的角色。數(shù)字圖像處理是指借用數(shù)字計算機處理數(shù)字圖像，值得提及的是數(shù)字圖像是由有限的元素組成的，每一個元素都有一個特定的位置和幅值，這些元素稱為圖像元素、畫面元素或像素。一幅圖像可定義為一個二維函數(shù)f(x,y)，這里x和y是空間坐標，而在任何一對空間坐標（x,y）上的幅值f 稱為該點圖像的強度或灰度。感謝在整個畢業(yè)設計期間和我密切合作的同學，和曾經在各個方面給予過我?guī)椭幕锇閭?，在此，我再一次真誠地向幫助過我的老師和同學表示感謝！最后，祝母校蒸蒸日上，永創(chuàng)輝煌！我的導師王研瑋老師工作順利、身體健康。王老師平日里工作繁多，但我做畢業(yè)設計的每個階段，從選題到查閱資料，論文提綱的確定，中期論文的修改，后期論文格式調整等各個環(huán)節(jié)中都給予了我悉心的指導。這次畢業(yè)論文設計我得到了很多老師和同學的幫助，其中我的論文導師王妍瑋老師對我的關心和支持尤為重要。感謝華德學院的老師和同學們四年來的關心和鼓勵。從開始選課題到論文的順利完成，一直都離不開老師、同學、朋友給我熱情的幫助，在這里請接受我誠摯的謝意！　 在此我想對我的母校，我的父母、親人們，我的老師和同學們表達我由衷的謝意。致 謝時光匆匆如流水，轉眼便是大學畢業(yè)時節(jié)，春夢秋云，聚散真容易。隨著科技的發(fā)展圖像處理技術必將更廣泛的應用到人們的生活中，人們一定能找到一個又一個辦法，來完善圖像處理這座科學的殿堂，使之更燦爛與輝煌。圖像處理的研究，也就是針對某一問題最多也就是某一類型問題的算法的研究。平滑處理的時候經常會使圖像的邊緣變的模糊，圖像銳化處理的作用就是使灰度反差增強，從而使模糊圖像變得更加清晰。直方圖均衡化針對在低值灰度區(qū)間上頻率較大、圖像中較暗區(qū)域中細節(jié)看不清楚的圖像，有較好的增強效果?？偨Y如下：圖像增強的方法有很多種，針對不對圖像的情況運用不同的增強技術，使圖像更容易讓人識別、更清晰，是本課題主要的研究目的。數(shù)字圖像增強技術是數(shù)字圖像處理的基本技術，圖像增強的目的是突出圖像中人或者機器感興趣的特征部分，為后續(xù)的圖像識別、理解、輸出顯示等服務。結 論本次畢業(yè)設計題目是基于MATLAB圖像增強算法研究，雖然設計的時間不是很長，但在這短短的十三周的時間里確實使我學到了很多東西，在王妍瑋老師的細心教導下，我學會許多關于圖像增強方面的知識，對今后的工作學習有很大的幫助。本章小結通過對以上四個常用的增強算法的實現(xiàn)，從實驗結果中可以看出每種算法各有優(yōu)缺點。： （a） （b） （c） (a)為原圖像，（b）拉普拉斯銳化濾波圖像，（c）為拉普拉斯銳化濾波結果比較原始模糊圖像和經過拉氏算子運算的圖像，可以發(fā)現(xiàn)，圖像模糊的部分得到了銳化，特別是模糊的邊緣部分得到了增強，邊界更加明顯。因此，銳化處理可選擇拉普拉斯算子對原圖像進行處理產生描述灰度突變的圖像，再將拉普拉斯圖像與原始圖像疊加而產生銳化圖像。圖像模糊的實質就是圖像受到平均運算或積分運算，因此可以對圖像進行逆運算，如微分運算以突出圖像細節(jié)使圖像變得更為清晰。不足：非線性濾波算法的實現(xiàn)相對線性濾波比較困難。我們在這里先人為的加上一些噪聲，然后在matlab中實現(xiàn)中值濾波的效果圖如下： （a） （b） （c） （d） （e） a為原圖像 b為加入椒鹽噪聲后的圖像 c為經過33窗口二維中值濾波的圖像 d為55窗口二維中值濾波圖像e為77窗口二維中值濾波后的圖像比較經過加入椒鹽噪聲的圖像和經過中值濾波的圖像，可以發(fā)現(xiàn)，圖像的噪聲點被去除；但是比較原始圖像和經過濾波的圖像后會發(fā)現(xiàn)，圖像的邊緣稍微的變得模糊，這是平滑算法不可避免的缺點。給定的圖像f(x,y)中的每一個點（m,n），取其領域s。對椒鹽噪聲有很好的去噪效果。不足：去噪的同時會導致結果圖像邊緣位置的改變和細節(jié)模糊甚至丟失。下面是平滑窗口分別為矩形和圓形的情況。 平滑算法平滑運算主要用于減少噪聲，對圖像進行預處理以便于更高級的圖像處理技術的實現(xiàn)。優(yōu)勢：能夠使得處理后圖像的概率密度函數(shù)近似服從均勻分布，其結果擴張了像素值的動態(tài)范圍，是一種常用的圖像增強算法。函數(shù)調用方法為： ()該命令對灰度圖像I進行變換，返回有N級灰度的圖像J，J中的每個灰度級具有大致相同的像素點，所以圖像J的直方圖較為平坦，當N小于I中灰度級數(shù)時，J的直方圖更為平坦，缺省的N值為64。 直方圖均衡化直方圖均衡化過程如下：（1）計算原圖像的灰度直方圖；（2）計算原圖像的灰度累積分布函數(shù)，進一步求出灰度變換表；（3）根據(jù)灰度變換表，將原圖像各灰度級映射為新的灰度級。即不能有效地抑制噪聲。優(yōu)勢：可以充分利用圖像中的亮度信息，明顯改善圖像質量，是一種常用的圖像增強算法。以下展示了常用對比度擴展法的結果： （a） （b） （c） （b） a為原圖像；b為a的直方圖；c為對比度擴展結果；d為c的直方圖（a）可以看出原始圖像動態(tài)范圍較小，整體較暗，反映在直方圖上像素主要集中在低灰度的一側，如圖（b）所示。 三段線性變換MATLAB軟件中，imadjust函數(shù)可以實現(xiàn)圖像的灰度變換，通過直方圖變換調整圖像的對比度。當kl=k3＝1，c=d=max g時，（c）所示，表示在保留背景的前提下，提升[a,b]間像素的灰度級。當k1=k2=k3=0，但c=d時，（b）所示，表示只對[a,b]間的灰度感興趣，且均為同樣的白色，其余變黑，此時圖像對應變成二值圖。令k1＝c/a ,k2=(dc)/(ba)，k3=(max gd)/(max fb)，即它們分別為對應直線段的斜率。 ()分段線性變換可以根據(jù)用戶的需要，拉伸特征物體的灰度細節(jié)，雖然其他灰度區(qū)間對應的細節(jié)信息有所損失，這對于識別目標來說沒有什么影響。若這兩部分對應的像素數(shù)較少，則損失的信息也相應較少?；叶葏^(qū)間[a,b]為要增強的目標所對應的灰度范圍，變換后灰度范圍擴展至[c,d]。第四章 圖像增強算法與實現(xiàn) 灰度變換為了突出圖像中感興趣的目標或灰度區(qū)間，相對抑制那些不感興趣的灰度區(qū)間，可采用分段線性變換，把0255整個灰度值區(qū)間分為若干線段，每一個直線段都對應一個局部的線性變換關系，常用的是三段線性變換方法。本章小結本章對圖像的增強與原理進行了簡單的概述，對幾種常用的增強算法進行了分析、研究。（3）高通濾波圖像邊緣與高頻分量相對應，高通濾波器可以讓高頻分量暢通無阻，而對低頻分量則充分限制，從而達到圖像銳化的目的。因為梯度一階微分算子會在較大范圍內形成梯度值，差分的結果不適合精確定位。拉普拉斯算子對圖像中的噪聲非常敏感，為了減少噪聲的影響，在做增強處理之前，先將待處理的圖像進行平滑，再做拉普拉斯運算。最簡單的方法就是令（x,y）點上銳化后的圖像函f(x,y)數(shù)值等于原始圖像在該點上的梯度值，即： ()此法的缺點是處理后的圖像僅顯示出輪廓，灰度平緩變化的部分由于梯度值較小而顯得很黑。對圖像函數(shù)F(j,k)，其在點（j,k）上的梯度定義為矢量： ()從梯度的性質可知，梯度的方向確定了圖像F(j,k)的最大變化率的方向，G[F(j,k)]的幅度為下式： ()對于數(shù)字圖像，用差分來近似微分。為了要把圖像中間任何方向伸展的邊緣和輪廓變得清晰，我們希望對圖像的某種運算是各向同性的。圖像銳化處理的目的是為了使圖像的邊緣、輪廓線以及圖像的細節(jié)變得清晰，經過平滑的圖像變得模糊的根本原因是圖像受到了平均或積分運算，因此可以對其進行逆運算（如微分運算）