【正文】 。 感謝 這四年所有 老師 對(duì) 我的教導(dǎo) ，這四年當(dāng)中我學(xué)到了很多知識(shí)和道理，使我受益非淺。s several traditions and the emerging marginal check method, the result which studied finally is the accurate examination image edge, through in the insect pest leaf blade39。 在做這次畢業(yè)設(shè)計(jì)過程中使我學(xué)到了很多，我感到不論做什么事都要真真正正用心去做，才會(huì)使自己更加的成長(zhǎng)，沒有學(xué)習(xí)就不可能有實(shí)踐的能力，沒有自己的實(shí)踐就不會(huì)有所突破，希望這次的經(jīng)歷能讓我們?cè)谝院蟮膶W(xué)習(xí)生活中不斷成長(zhǎng)與進(jìn)步。本設(shè)計(jì)能順利的完成也歸功與各位老師的認(rèn)真負(fù)責(zé)，使我們能夠很好的掌握和運(yùn)用專業(yè)知識(shí)，并在設(shè)計(jì)中得一體現(xiàn)。衷心感謝指導(dǎo)老師 李艷梅 ，本畢業(yè)設(shè)計(jì) 以及論文 是在 她 的悉心關(guān)懷和精心指導(dǎo)下完成的。 鄧曉勇：數(shù)字圖像邊緣檢測(cè)算法研究 24 第五章 結(jié)束語(yǔ) 我們的畢業(yè) 論文 終于完 稿 了。 結(jié)論 通過以上各個(gè)算子對(duì)圖像的處理，可以看出每個(gè)算子都有各自的優(yōu)劣，對(duì)不同的圖片分析以后選擇相適應(yīng)的算法，比如在蟲害葉片中，要得到的是比較精確的邊緣參數(shù)，因此對(duì)圖像邊緣的連續(xù)性要求就比較高，可以更準(zhǔn)確的估算出受害面積以及蟲害數(shù)量。 Canny 處理的邊緣比較完整、連續(xù)、細(xì)銳，但與其它方法比邊緣信息丟失比較嚴(yán)重。該算子對(duì)灰度漸變和具 有噪聲的圖像處理的較好。同時(shí)由于沒有經(jīng)過圖像平滑計(jì)算，不能抵制噪聲，但是該計(jì)算對(duì)具有陡峭的低噪聲圖像響應(yīng)最好， Sobel算子邊緣定位準(zhǔn)確完整，有一定的抗噪能力，提取的信息也較 Robert 算子豐富，獲得了汽車的頭部、頂部等細(xì)節(jié)信息。由于上述算法對(duì)噪聲的慮不足，因此這里沒有對(duì)噪聲圖像進(jìn)行檢測(cè)。Prewitt、 Roberts 算子能檢測(cè)出較多的邊緣，但邊緣的連續(xù)性不好。 Prewitt算子 Roberts算子 鄧曉勇：數(shù)字圖像邊緣檢測(cè)算法研究 22 Log 算子 Canny 算子 圖 (e) Prewitt、 Roberts、 Log、 Canny 算子的檢測(cè)結(jié)果見圖 (e)。由圖 的中 (d)可以看出，差分算子檢測(cè)出的邊緣連續(xù)性很差，而且檢測(cè)出的偽邊緣也較多。如圖 (b)所示，這樣在進(jìn)行處理時(shí)可以減少顏色對(duì)圖像分析的影響。 通過計(jì)算機(jī)視覺，對(duì)蟲害葉片的邊緣分析，得到相應(yīng)的蟲害參數(shù)，不僅能及時(shí)防治蟲害，還能預(yù)測(cè)蘋果產(chǎn)量。 蟲 害葉片邊緣檢測(cè)的意義 隨著物質(zhì)生活得不斷提高，人們對(duì)水果的需求也日益增長(zhǎng)，同時(shí)對(duì)水果的質(zhì)量和營(yíng)養(yǎng)也要求甚高。噪聲不僅會(huì)影響圖像的質(zhì)量，最主要的是它使分割后的葉片圖像產(chǎn)生誤差。 由于采集葉片的條件是在普通的光照條件下，故在采集過程中必然會(huì)出現(xiàn)除葉片以外的很多背景。根據(jù)圖像的特點(diǎn)，對(duì)不同的圖像，有 不同的處理方法。 (3)類似與 Marr（ LoG）邊緣檢測(cè)方法，也屬于先平滑后求導(dǎo)數(shù)的方法。 (2)根據(jù)對(duì)信噪比與定位乘積進(jìn)行測(cè)度，得到最優(yōu)化逼近算子。 Canny邊緣檢測(cè)法利用高斯函數(shù)的一階微分，它能在噪聲抑制和邊緣檢測(cè)之間取得較好的平衡。 log 算子 正如上面所提到的，利用圖像強(qiáng)度二階導(dǎo)數(shù)的零交叉點(diǎn)來求邊緣點(diǎn)的算法對(duì)噪聲十分敏感，所以，希望在邊緣增強(qiáng)前濾除噪聲．為此， Marr 和 Hildreth[146]將高斯濾波和拉普拉斯邊緣檢測(cè)結(jié)合在一起，形成 LoG（ Laplacian of Gaussian, LoG）算法，也稱之為拉普拉斯高斯算法． LoG 邊緣檢測(cè)器的基本特征是： 1． 平滑濾波器是高斯濾波器． 2． 增強(qiáng)步驟采用二階導(dǎo)數(shù) (二維拉普拉斯函數(shù) )． 3． 邊緣檢測(cè)判據(jù)是二階導(dǎo)數(shù)零交叉點(diǎn)并對(duì)應(yīng)一階導(dǎo)數(shù)的較大峰值． 4． 使用線性內(nèi)插方法在子像素分辨率水平上估計(jì)邊緣的位置． 這種方法的特點(diǎn)是圖像首先與高斯濾波器進(jìn)行卷積 (高斯濾波器在 6． 6 節(jié)中將詳細(xì)討論 )，這一步既平滑了圖像又降低了噪聲，孤立的噪聲點(diǎn)和較小的結(jié)構(gòu)組織將被濾除．由于平滑會(huì)導(dǎo)致邊緣的延展，因此邊緣檢測(cè)器只考慮那些具有局部梯度最大值的點(diǎn)為邊緣點(diǎn)．這一點(diǎn)可以用二階導(dǎo)數(shù)的零交叉點(diǎn)來實(shí)現(xiàn)．拉普拉斯函數(shù)用作二維二階導(dǎo)數(shù)的近似，是因?yàn)樗且环N無方向算子．為了避免檢測(cè)出非顯著邊緣，應(yīng)選擇一階導(dǎo)數(shù)大于某一閾值的零交鄧曉勇：數(shù)字圖像邊緣檢測(cè)算法研究 18 叉點(diǎn)作為邊緣點(diǎn)． LoG 算子的輸出 hxy( , ) 是通過卷積運(yùn)算得到的： h x y g x y f x y( , ) [ ( , ) ( , )]? ? ?2 根據(jù)卷積求導(dǎo)法有 h x y g x y f x y( , ) [ ( , )] ( , )? ? ?2 其中： ? ? ? ???? ??? ? ?2 2 2 24 22 2 22g x y x y e x y( , ) ?? ? 濾波 (通常是平滑 )、增強(qiáng)、檢測(cè)這三個(gè)邊緣檢測(cè)步驟對(duì)使用 LoG 邊緣檢測(cè)仍然成立，其中平滑是用高斯濾波器來完成的；增強(qiáng)是將邊緣轉(zhuǎn)換成零交叉點(diǎn)來實(shí)現(xiàn)的；邊緣檢測(cè)則是通過檢測(cè)零交叉點(diǎn)來進(jìn)行的． 可以看到，零交叉點(diǎn)的斜率依賴于圖像強(qiáng)度在穿過邊緣時(shí)的變化對(duì)比度．剩下的問題是把那些由不同尺度算子檢測(cè)到的 邊緣組合起來．在上述方法中，邊緣是在特定的分辨下得到的．為了從圖像中得到真正的邊緣，有必要把那些通過不同尺度算子得到的信息組合起來． 00100012101216210121000100???????????? 圖 55? 拉普拉斯高斯模板 Canny 算子 邊緣提取的基本問題是解決增強(qiáng)邊緣與抗噪能力間的矛盾，由于圖像邊緣和噪聲在頻率域中同是高頻分量，簡(jiǎn)單的微分提取運(yùn)算同樣會(huì)增加圖像中的噪聲，所以一般在微分運(yùn)算之前應(yīng)采取適當(dāng)?shù)钠交瑸V波，減少噪聲的影響。定義 Prewitt 邊緣檢 測(cè)算子模板如下 : 鄧曉勇：數(shù)字圖像邊緣檢測(cè)算法研究 17 ??????????????111121111 ??????????????111121111 ?????????????111121111 ??????????????111121111 （ a）方向 1 （ b） 方向 2 （ c） 方向 3 (d)方向 4 ??????????????111121111 ??????????????111121111 ??????????????111121111 ??????????????111121111 （ e） 方向 5 （ f） 方向 6 （ g） 方向 7 （ h） 方向 8 8個(gè)算子樣板對(duì)應(yīng)的邊緣方向如下圖所示 : 適當(dāng)取門限 TH，作如下判斷 : ? （ i,j） TH, (i, j)為階躍狀邊緣點(diǎn)。依次用邊緣樣板去檢測(cè)圖像，與被檢測(cè)區(qū)域最為相似的樣板給出最大值。 Prewitt 算子 Prewitt 算子是一種邊緣樣板算子。 Sobel 算子對(duì)噪聲具有平滑作用，提供較為精確的邊緣方向信息，但它同時(shí)也會(huì)檢測(cè)出許多的偽邊緣，邊緣定位精度不夠高。當(dāng)使用大的領(lǐng)域時(shí)，抗噪聲特性會(huì)更好，但這樣做會(huì)增加計(jì)算量，并且得出的邊緣也較粗。 M=sqrt(sx*sx+sy*sy） 其中 sx 與 sy 是用下面的卷積模板來計(jì)算的： 其卷積算子 sx=?????????????101202101 ， sy=?????????? ???121000121 （ 3）根據(jù)閥值和像素的灰度作取舍，即對(duì)圖像中的每個(gè)像素，如果其梯度小于閥值，則將梯度設(shè)為零。它利用像素鄰近區(qū)域的梯度值來計(jì)算一個(gè)像素的梯度，然后根據(jù)一定的閥值來取舍，得到圖像中的邊緣。所以 { R (i , j )}為邊緣圖像。 Robert 算子 Roberts 算子采用對(duì)角線方向相鄰兩元素之差近似梯度幅值檢測(cè)邊緣，是一種局部差分算子。根據(jù)灰度迅速變化處一階導(dǎo)數(shù)達(dá)到最大（階梯狀邊緣情況）原理，利用導(dǎo)數(shù)算子檢測(cè)邊緣。但用差分檢測(cè)邊緣必須使差分的方向與邊緣方向垂直，這就需要對(duì)圖像的不同方向都進(jìn)行差分運(yùn)算，增加了實(shí)際運(yùn)算的繁瑣性。 差分邊緣檢測(cè)算子 差分算法利用像素灰度的一階導(dǎo)數(shù)算子在灰度迅速變化處得到高值來進(jìn)行奇異點(diǎn)的檢測(cè)。 性質(zhì) 2：如果用 E ( x, y )來表示二維函數(shù) grad[ f ( x, y) ]的幅度 (模 )，那么E(x,y)=max{gard[f(x,y)]}= ( 2/122 )),(),( yxfyxf yx ? 為了在圖像邊緣檢測(cè)中統(tǒng)一地使用符號(hào)標(biāo)記，我們將圖像灰度函數(shù)的梯度記作：鄧曉勇：數(shù)字圖像邊緣檢測(cè)算法研究 15 jyfixfyxf ??????? ),( 其中包含圖像局部 灰度變化的信息。 首先對(duì)微分技術(shù)中的有關(guān)定義和定理作一下介紹： 差分和圖像灰度定義 定義 y = f (x)，在小區(qū)間 [ 1, ?kk xx ]上的改變量 kk yy ??1 稱為在 kx 上的一階向前差