【正文】 狀物體。不同形狀的窗口產(chǎn)生不同的濾波效果，使用中必須根據(jù)圖像的內(nèi)容和不同要求加以選擇。對二維序列進行中值濾波時，濾波窗口也是二維的，將窗口內(nèi)像素排序，生成單調(diào)數(shù)據(jù)序列，二維中值濾波結(jié)果為 (24))(ijijxMedg?一般來說，二維中值濾波比一維中值濾波更能抑制噪聲。例如，由一個序列（20,10,30,15,25） ，??從大到小排列后序列為（10,15,20,25,30） ，中值濾波的輸出結(jié)果為 度值為 30 的像素是噪聲點，則經(jīng)過中值濾波后噪聲被消除。nff,21?取窗口長度為 m(m 為奇數(shù))，對此序列進行中值濾波，就是從輸入序列中相繼抽出 m 個數(shù) 其中， ；i 為窗口的viiiivi ffff ???? ,11?? ??m中心位置。傳統(tǒng)的中值濾波是采用一個含有奇數(shù)個點的滑動窗口，用窗口中各點灰度值的中值來代替窗口中心點像素的灰度值。在一定條件下，中值濾波可以克服線性濾波器帶來的圖像細節(jié)模糊，而且對濾除脈沖干擾及顆粒噪聲最為有效。由于它在實際運算過程中并不需要圖像的統(tǒng)計特性，所以使用比較方便。在實際應(yīng)用中，可以根據(jù)具體的局部圖像結(jié)構(gòu)來確定卷積模板，使加權(quán)值東華理工大學(xué)長江學(xué)院畢業(yè)設(shè)計（論文） 圖像濾波成為自由調(diào)節(jié)參數(shù)，應(yīng)用比較靈活，但模板不能分解，計算效率不高。用卷積模板 H 進行的歸一化卷積將圖像 F 和圖像 W 變換為一幅新圖像 G。一種常用的加權(quán)平均方法是根據(jù)系數(shù)與模板中心的距離反比例地確定其他內(nèi)部系數(shù)的值，常用的模板為 、???????120等；還有一種常用的方法是根據(jù)二維高斯分布來確定各系數(shù)值，???????015常稱為高斯模板，模板為 。一般認為離對應(yīng)模板中心像素近的像素對濾波結(jié)果有較大貢獻，所以接近模板中心的系數(shù)可較大，而模板邊界附近的系數(shù)應(yīng)較小。由圖 21 所示的結(jié)果可以看出，超限像素算法對抑制椒鹽噪聲比較有效，能夠保護僅有微小灰度差的細節(jié)及紋理細節(jié)。這里把信噪比定義為含噪圖像的灰度均值與噪聲方差之比。圖 21 是對加入椒鹽噪聲的 avril 圖像進行超限像素平滑的結(jié)果。這樣平滑后的圖像比直接采用公式(21)的模糊程度減少。 (22)式中，T 是一個規(guī)定的非負閾值，可以根據(jù)圖像總體特性或局部特征確定。半徑越大，平滑圖像的模糊程度越大，鄰域平均法的優(yōu)點在于算法簡單，計算速度快，主要缺點是在降低噪聲的同時使圖像產(chǎn)生模糊，特別是在邊緣和細節(jié)處，鄰域越大，模糊越厲害。在實際應(yīng)用中，也可以根據(jù)不同的需要選擇使用不同的模板尺寸，如 ， ， ， 等。對于位置(i,j)處的像素，其灰度值為 f(i,j)，平滑后的灰度值為 g(i,j)，則g(i,j)由包含(i,j)鄰域的若干個像素的灰度平均值所決定，即由公式(21)得到平滑的像素灰度值 x,y=0,1,2,…,N1 (21)???AyxfMjig),(),1),(式中，A 表示以(i,j)為中心的領(lǐng)域的集合，M 是 A 中像素點的總數(shù)。本節(jié)內(nèi)容中，主要介紹基于空域的鄰域平均法、加權(quán)平均法、中值濾波以及空域低通濾波。由于是有選擇地濾波，避免了不必要的濾波操作和圖像的模糊，濾波效果得到了進一步的提高。無條件地對每個像素進行濾波處理必然會造成損失圖像的某些原始信息。這些方法在濾波性能上都比傳統(tǒng)的中值濾波方法有所改善，但都是無條件地對所有的輸入樣本進行濾波處理。隨著濾波窗口的長度增加和噪聲污染的加重，中值濾波效果明顯變壞。非線性濾波方法中應(yīng)用最多的是中值濾波，中值濾波可以有效地濾除脈沖噪聲，具有相對好的邊緣保持特性，并易于實現(xiàn)，因此被公認是一種有效的方法。灰度圖像常用的濾波方法主要分為線性和非線性兩大類。經(jīng)典的平滑技術(shù)對噪聲圖像使用局部算子，當(dāng)對某一個像素進行平滑處理時，僅對它的局部小鄰域內(nèi)的一些像素進行處理，其東華理工大學(xué)長江學(xué)院畢業(yè)設(shè)計（論文） 圖像濾波優(yōu)點是計算效率高，而且可以對多個像素并行處理。如電源引入的交流噪聲；偏轉(zhuǎn)系統(tǒng)和箝位電路所引起的噪聲等。隨著材料科學(xué)的發(fā)展，這些噪聲有望不斷減少，但在目前來講，還是不可避免的。(3)器材材料本身引起的噪聲。(2)電器的機械運動產(chǎn)生的噪聲。如電流的產(chǎn)生是由電子或空穴粒子的集合，定向運動所形成。如電氣設(shè)備，天體放電現(xiàn)象等引起的噪聲。在圖像生成和傳輸過程中，經(jīng)常會產(chǎn)生脈沖噪聲，主要表現(xiàn)在成像的短暫停留中，對圖像質(zhì)量有較大的影響，需要采用圖像濾波方法給予濾除。圖像噪聲的種類有多種，主要有高斯噪聲、瑞利噪聲、伽馬以及脈沖噪聲等。在圖像傳輸過程中，所用的傳輸信道受到干擾，也會產(chǎn)生噪聲污染。數(shù)字圖像的噪聲主要來源于圖像獲取的數(shù)字化過程。噪聲對圖像的影響無法避免，因此一個良好的圖像處理系統(tǒng)不論是模擬處理還是計算機處理無不把最前一級的噪聲減少到最低作為主攻目標(biāo)。一般圖像噪聲是不可預(yù)測的隨機信號，它只能用概率統(tǒng)計的方法去認識。2. 圖像濾波本章內(nèi)容中，主要介紹圖像噪聲的一些概念，包括噪聲的定義、來源等，然后詳細的介紹常見的噪聲濾除方法，如鄰域平均法、加權(quán)平均法、中值濾波等，并對它們的濾波效果進行比較。第四章重點分析研究 Canny 算子，MTM(Modified Trimmed Mean)算法及Otsu 算法，并結(jié)合 MTM 算法及 Otsu 算法對 Canny 算法中的濾波方法和雙門限選取方法進行改進，提出 CMO 算法，最后用 編程實現(xiàn)，并將實驗結(jié)果與傳統(tǒng)的 Canny 算法進行分析比較。因此，至今圖像邊緣檢測仍有很多問題尚待解決。(2)由于物理和光照等原因，實際圖像中的邊緣常常發(fā)生在不同的尺度范圍上，并且每一邊緣像元的尺度信息是未知的，利用單一固定尺度的邊緣檢測算子不可能同時最佳地檢測出這些邊緣，這就涉及到了多尺度的提出；而多尺度的確定又引起出了一系列的問題，如尺度范圍的確定、最佳濾波尺度大小、如何有效地利用多個尺度正確地檢測邊緣等等。高定位精度要求把邊緣以等于或小于一個像素的寬度確定在它的實際東華理工大學(xué)長江學(xué)院畢業(yè)設(shè)計（論文） 數(shù)字圖像處理位置上。理想的邊緣檢測應(yīng)當(dāng)正確解決邊緣的有無、真假和定位方向。這些內(nèi)容將在后面的章節(jié)中作詳細介紹。(4)定位：如果某一應(yīng)用場合要求確定邊緣位置，則邊緣的位置可在亞像素分辨率上來估計，邊緣的方位也可以被估計出來。(3)檢測：在圖像中有許多點的梯度幅值比較大，而這些點在特定的應(yīng)用領(lǐng)域中并不都是邊緣，所以應(yīng)該用某種方法來確定哪些點是邊緣點。增強算法可以將鄰域(或局部)灰度有顯著變化的點突顯出來。在濾波中我們希望降低噪聲，但不對邊緣產(chǎn)生副作用，而實際上很難做到這一點，這也是邊緣檢測中的一個難點。(1)濾波：邊緣檢測算法主要是基于圖像灰度的一階或二階導(dǎo)數(shù)，但導(dǎo)數(shù)的計算對噪聲很敏感，因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。其中階躍型邊緣最具代表性，許多邊緣檢測算法都是針對階躍型邊緣的。階躍邊緣中兩邊的灰度值有明顯的變化；而屋頂狀邊緣位于灰度增加與減少的交界處。圖 11 三維物體圖像的大部分主要信息都存在于圖像的邊緣中，主要表現(xiàn)為圖像局部特征的不連續(xù)性，是圖像中灰度變化比較劇烈的地方，即我們通常所說的信號發(fā)生奇異變化的地方。邊緣存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、基元與基元之間。根據(jù) Marr 的視覺計算理論框架，提取二維圖像物體上的邊緣、角點、紋理等基本特征是整個系統(tǒng)框架的第一步，這些特征所組成的圖稱為基元圖。基于微分的圖像銳化算法可以用于圖像的邊緣檢測，也就是說，用各種銳化模板對圖像進行卷積運算便可以檢測出圖像的邊緣。這種局部變化可用一定窗口運算的邊緣檢測算子來檢測。目前，具有對邊緣的描述性定義，即兩個具有不同灰度的均勻圖像區(qū)域的邊界，即邊界反映局部的灰度變化。 數(shù)字圖像邊緣定義及邊緣提取方法概述盡管邊緣在數(shù)字圖像處理和分析中具有重要作用，但是到目前為止，還沒有關(guān)于邊緣被廣泛接受和認可的精確的數(shù)學(xué)定義。(6)文化藝術(shù)方面目前在文化應(yīng)用有電視畫面的數(shù)字編輯，動畫的制作，電子圖像游戲，紡織工藝品設(shè)計，服裝設(shè)計與制作，發(fā)型設(shè)計，文物資料照片的復(fù)制和修復(fù)，運動員動作分析和評分等等，現(xiàn)在已逐漸形成一門新的藝術(shù)計算機美術(shù)。(5)軍事公安方面在軍事方面圖像處理和識別主要用于導(dǎo)彈的精確末制導(dǎo)，各種偵察照片的判讀，具有圖像傳輸、存儲和顯示的軍事自動化指揮系統(tǒng)，飛機、坦克和軍艦?zāi)M訓(xùn)練系統(tǒng)等；公安業(yè)務(wù)圖片的判讀分析，指紋識別，人臉鑒別，不完整圖片的復(fù)原，以及交通監(jiān)控、事故分析等。(4)工業(yè)工程方面在工業(yè)和工程領(lǐng)域中圖像處理技術(shù)有著廣泛的應(yīng)用，如自動裝配線中檢測零件的質(zhì)量、并對零件進行分類，印刷電路板疵病檢查，彈性力學(xué)照片的應(yīng)力分析，流體力學(xué)圖片的阻力和升力分析，郵政信件的自動分揀，在一些有毒、放射性環(huán)境內(nèi)識別工件及物體的形狀和排列狀態(tài)，先進的設(shè)計和制造技術(shù)中采用工業(yè)視覺等等。在一定意義上講，編碼壓縮是這些技術(shù)成敗的關(guān)鍵。其中以圖像通信最為復(fù)雜和困難，因圖像的數(shù)據(jù)量十分巨大，如傳送彩色電視信號的速率達 100Mbit/s 以上。(3)通信工程方面通信的主要發(fā)展方向是聲音、文字、圖像和數(shù)據(jù)結(jié)合的多媒體通信。除了 CT 技術(shù)之外，還有一類是對醫(yī)用顯微技術(shù)的處理分析，如染色體分析、癌細胞識別等。在氣象預(yù)報和對太空其它星球研究方面，數(shù)字圖像處理技術(shù)也發(fā)揮了相當(dāng)大的作用?，F(xiàn)在世界各國都在利用陸地衛(wèi)星所獲取的圖像進行資源調(diào)查（如森林調(diào)查、海洋泥沙和漁業(yè)調(diào)查、水資源調(diào)查等） ，災(zāi)害檢測（如病蟲害檢測、水火檢測、環(huán)境污染檢測等） ，資源勘察（如石油勘查、礦產(chǎn)量探測、大型工程地理位置勘探分析等） ，農(nóng)業(yè)規(guī)劃（如土壤營養(yǎng)、水份和農(nóng)作物生長、產(chǎn)量的估算等） ，城市規(guī)劃（如地質(zhì)結(jié)構(gòu)、水源及環(huán)境分析等） 。數(shù)字圖像處理技術(shù)未來應(yīng)用領(lǐng)域主要有以下七個方面。 數(shù)字圖像處理的應(yīng)用圖像是人類獲取和交換信息的主要來源，因此，圖像處理的應(yīng)用領(lǐng)域必然涉及到人類生活和工作的方方面面。可以預(yù)期，數(shù)字圖像處理技術(shù)將經(jīng)歷一個飛躍發(fā)展的階段，進一步深入人民生活，創(chuàng)造新的文化環(huán)境，成為提高生產(chǎn)的自動化、智能化水平的基礎(chǔ)科學(xué)之一。20 世紀(jì) 70 年代末，隨著人工智能的興起和發(fā)展，開始了計算機視覺的研究，由 2D 圖像獲取 3D 空間信息。20 世紀(jì) 70 年代圖像處理技術(shù)開始用于處理地球衛(wèi)星獲取的遙感圖片，進行地質(zhì)資源探測、農(nóng)作物估產(chǎn)、水文氣象檢測等，圖像增強和圖像識別技術(shù)達到了飛速發(fā)展。1964 年美國噴氣式推進實驗室(JPL)處理衛(wèi)星發(fā)射回來的月球表面的照片使用東華理工大學(xué)長江學(xué)院畢業(yè)設(shè)計（論文） 數(shù)字圖像處理了圖像處理技術(shù)，如幾何校正、灰度變換、去除噪聲等方法進行處理，并考慮了太陽位置和月球環(huán)境的影響，由計算機成功地繪制出月球表面地圖，獲得了巨大的成功。20 世紀(jì) 60 年代中期，隨電子計算機的發(fā)展得到普遍應(yīng)用。1. 數(shù)字圖像處理 數(shù)字圖像處理的發(fā)展數(shù)字圖像處理（digital image processing）是用計算機對圖像信息進行處理的一門技術(shù)，使利用計算機對圖像進行各種處理的技術(shù)和方法。它避免了人工攝影、沖洗、放大、剪切等繁雜的人工配對工作，實現(xiàn)了染色體核型分析的自動化、智能化。此外，在 X 光肺部圖像增晰、超聲波圖像處理、心電圖分析、立體定向放射治療等醫(yī)學(xué)診斷方面都廣泛地應(yīng)用圖像處理技術(shù)。數(shù)字圖像處理在生物醫(yī)學(xué)工程方面的應(yīng)用十分廣泛，而且很有成效。 60年 代 末 ， 圖 像 處 理 技 術(shù) 不 斷 完 善 ， 逐 漸 成 為 一 個 新 興 的 學(xué) 科 。 Filtering。 Edge Detction。最后，用 MATLAB 實現(xiàn)該算法，實驗結(jié)果表明，改進后的算法(CMO 算法)取得比傳統(tǒng)的 Canny 算法更好的邊緣檢測效果。但這些算法均存在對噪聲敏感、不能自適應(yīng)選擇閉值、檢測效果不太理想等缺點。圖像理解和分析的第一步往往就是邊緣檢測，目前它已成為機器視覺研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。江西財經(jīng)大學(xué)自學(xué)考試畢業(yè)論文 題 目圖像邊緣檢測方法研究摘 要數(shù)字圖像邊緣檢測是圖像分割、目標(biāo)區(qū)域識別和區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)，是圖像識別中提取圖像特征的一個重要方法。邊緣中包東華理工大學(xué)長江學(xué)院畢業(yè)設(shè)計（論文） 摘要含圖像物體有價值的邊界信息，這些信息可以用于圖像理解和分析，并且通過邊緣檢測可以極大地降低后續(xù)圖像分析和處理的數(shù)據(jù)量。經(jīng)典的邊緣檢測方法如：Roberts，Sobel，Prewitt，Kirsch，Laplaee 等方法，基本上都是對原始圖像中像素的小鄰域構(gòu)造邊緣檢測算子，進行一階微分或二階微分運算，求得梯度最大值或二階導(dǎo)數(shù)的過零點，最后選取適當(dāng)?shù)拈]值提取邊界。本文對邊緣檢測理論和算法作了深入的研究，在具體分析各類傳統(tǒng)的邊緣檢測算法的基礎(chǔ)上，重點研究了 Canny 算法，并結(jié)合改進的 MTM 算法及 Otsu 算法對 Canny 算法中的濾波方法和雙門限選取方法進行改