【正文】 9。)。title( 39。,) 。BW21= edge(I,39。閾值為 的 Canny 算子邊緣檢測圖像39。 %edge 調用 Canny 為檢測算子判別閾值為 figure,imshow(BW20)。Canny39。)。title( 39。,) 。BW2= edge(I,39。閾值為 的 Canny 算子邊緣檢測圖像 39。 %edge 調用 Canny 為檢測算子判別閾值為 figure,imshow(BW11)。Canny39。)。title( 39。,) 。BW1= edge(I,39。原始圖像39。 imshow(I)。39。)。title( 39。,) 。BW22= edge(I,39。閾值為 的 Canny 算子邊緣檢測圖像 39。 %edge 調用 Canny 為檢測算子判別閾值為 figure,imshow(BW21)。Canny39。)。title( 39。,) 。BW20= edge(I,39。閾值為 的 Canny 算子邊緣檢測圖像39。 %edge 調用 Canny 為檢測算子判別閾值為 figure,imshow(BW2)。Canny39。)。title( 39。,) 。BW1= edge(I,39。原始圖像39。 imshow(I)。39。而 canny算子邊緣檢測算法則是既能濾去噪聲又保持邊緣特性的邊緣檢測的一階微分算法中的最佳選擇方法。 因此，在這一章中，我們將選取兩種經典、具有代表性的圖像邊緣檢測與提取算法：一階微分算子——Canny 算子算法和二階微分算子 ——高斯拉普拉斯算子算法，用Matlab 語言分別進行編程實現效果。它以眾多的學科領域為理論基礎，其成果又滲透到眾多的學科中，成為理論實踐并重，在高新技術領域中占有重要地位的新興學科。同時這也是算子的局限性，對于一般的問題或者情況未知的問題，預定義邊緣的方法可能不會達到最佳效果。這些經典的邊緣提取算子，雖然各自不同，有不同的長處，但是它們也有共同的特點:每種算子對應的預定義的邊緣是它們最適合使用的情形，也就是說它們有針對性。在模板運算中，首先定義一個模板，模板的大小以 3*3 的較常見，也有 2*2, 5*5 或更大尺寸的。Canny 算子檢測方法的優(yōu)點：①低誤碼率，很少把邊緣點誤認為非邊緣點；②高定位精度，即精確地把邊緣點定位在灰度變化最大的像素上；③抑制虛假邊緣。若某個像素的灰度值與其梯度方向上前后兩個像素的灰度值相比并不是最大的，那么將該像素置為零，即不是邊緣。實際上，還有多種邊緣點判別方法，如：將邊緣的梯度分為四種：水平、豎直、45度方向、135 度方向。由于 G2(x,y)使用高閾值得到，因而含有很少的假邊緣，但有間斷(不閉合)。①首先是邊緣判別： 凡是邊緣強度大于高閾值的一定是邊緣點；凡是邊緣強度小于低閾值的一定不是邊緣點；如果邊緣強度大于低閾值又小于高閾值，則看這個像素的鄰接像素中有沒有超過高閾值的邊緣點，如果有，它就是邊緣點，如果沒有，它就不是邊緣點。將低于閾值的所有值賦零值。如果 M 的梯度值不比沿梯度線的兩個相鄰像素梯度值大，則令 M=0。圖示非極大值抑制四個扇區(qū)的標號為 0 到 3，對應 3*3 鄰域的四種可能組合。,xstep3:僅僅得到全局的梯度并不足以確定邊緣，因此為確定邊緣，必須保留局部梯度最大的點，而抑制非極大值。G將圖像 與 作卷積，同時改變 n 的方向， * 取得最大值時的 n 就是),(yxfn nG),(yxf正交于檢測邊緣的方向。 邊緣檢測算法：step1:用高斯濾波器平滑圖象；step2:用一階偏導的有限差分來計算梯度的幅值和方向；step3:對梯度幅值進行非極大值抑制；step4:用雙閾值算法檢測和連接邊緣。這就是 Canny 邊緣檢測算子。采用二維高斯函數的任意方向上的一階方向導數為噪聲濾波器，通過與圖像卷積進行濾波；然后對濾波后的圖像尋找圖像梯度的局部最大值，以此來確定圖像邊緣。既要提高邊緣檢測算子對邊緣的敏感性，同時也提高了對噪聲的敏感。 Canny 邊緣算子 檢測階躍邊緣的基本思想是在圖像中找出具有局部最大梯度幅值的像素點。而且它常產生雙像素寬的邊緣，也不能提供邊緣方向的信息。上式就是馬爾和希爾得勒斯提出的邊緣檢測算子（簡稱 MH 算子）,由于 LOG 濾波器在 空間中的圖形與墨西哥草帽形狀相似，所),(yx以又稱為墨西哥草帽算子。②求高斯濾波器的拉普拉斯的變換，再求與圖像的卷積，然后再進行過零判斷。在實際應用中為了避免檢測出非顯著邊緣，應選擇一階導數大于某一閾值的零交叉點作為邊緣點。這一點可以用二階導數的零交叉點來實現。 這種方法的特點是圖像首先與高斯濾波器進行卷積，這樣既平滑了圖像又降低了噪聲，孤立的噪聲點和較小的結構組織將被濾除。該算法的主要思路和步驟如下：0 1 01 4 10 1 01 1 11 1 8 11 1 11 1 11 8 11 1 11 0 12 4 21 0 11 2 10 0 01 2 1（1）濾波：首先對圖像 f(x,y)進行平滑濾波，其濾波函數根據人類視覺特性選為高斯函數，即： ?????????)(21exp),( 22yxyxG??其中，G（x，y）是一個圓對稱函數，其平滑的作用是可通過 來控制的。為此，馬爾（Marr）和希爾得勒斯（Hildreth）根據人類視覺特性提出了一種邊緣檢測的方法，該方法將高斯濾波和拉普拉斯檢測算子結合在一起進行邊緣檢測的方法，故稱為 Log（Laplacian of Gassian ）算法。所以圖像一般先經過平滑處理，通常把 Laplacian 算子和平滑算子結合起來生成一個新的模板。其 4 鄰域系統(tǒng)和 8 鄰域系統(tǒng)的 Laplacian 算子的模板分別如圖 和圖 所示。是對二維函數進行運算的二階導數算子，對一個連續(xù)函數 f (x, y)它在圖像中的位置(x, y),拉普拉斯值定義為： 22fxy????Laplacian 算子利用二階導數信息，具有各向同性，即與坐標軸方向無關，坐標軸旋轉后梯度結果不變。但是像素平均相當于對圖像的低通濾波，所以 Prewitt 算子對邊緣的定位不如 Roberts 算子。 Prewitt 邊緣算子Prewitt 邊緣算子的卷積和如圖 所示，圖像中的每個像素都用這兩個核做卷積，取最大值作為輸出，也產生一幅邊緣幅度圖像。 Sobel 算子認為鄰域的像素對當前像素產生的影響不是等價的，所以距離不同的像素具有不同的權值，對算子結果產生的影響也不同。這兩個核分別對垂直邊緣和水平邊緣響應最大，兩個卷積的最大值作為該點的輸出位。適用于邊緣明顯而且噪聲較少的圖像分割，在應用中經常用 Roberts 算子來提取道路。 Roberts 邊緣算子Roberts 算子是一種利用局部差分算子尋找邊緣的算子，由下式給出：原始圖像 平滑圖像平滑圖像得出邊緣的二值化圖像既檢出邊緣點閾值分割梯度算子邊緣增強 邊緣檢測邊緣定位圖像濾波g(x,y)={[ ] +[ ] } ，yxf,()1,(?yf2yxf,()1,(?yf21其中 f(x,y)是具有整數像素坐標的輸入圖像，平方根運算使該處理類似于在人類視覺系統(tǒng)中發(fā)生的過程。經典的邊界提取技術大都基于微分運算。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。這些經典的邊緣提取算子在使用時都是使用預定義好的邊緣模型去匹配。這些方法經過實踐的檢驗，成為了經典的內容。精確確定邊緣的位置。最簡單的邊緣檢測是梯度幅值閾值判定。（3）檢測。增強算法將鄰域中灰度有顯著變化的點突出顯示。但濾波器在降低噪聲的同時也導致邊緣強度的損失。圖像邊緣檢測的基本步驟：（1）濾波。用于圖像識別的邊緣提取往往需要輸出的邊緣是二值圖像，即只有黑白兩個灰度的圖像，其中一個灰度代表邊緣，另一個代表背景。這就又涉及到紋理圖像的處理等方法。圖像上灰度變化劇烈的區(qū)域比較符合這個要求，我們一般會以這個特征來提取圖像的邊緣。經典的邊緣檢測方法得到的往往是斷續(xù)的、不完整的結構信息，噪聲也較為敏感，為了有效抑制噪聲，一般都首先對原圖像進行平滑，再進行邊緣檢測就能成功地檢測到真正的邊緣。第四，可以考慮各種方法的組合，如先找出邊緣，然后在其局部利用函數近似，通過內插等獲得高精度定位。第三，要考慮噪聲的影響，其中一個辦法就是濾除噪聲，這有一定的局限性。第二，要知道特性變化總是發(fā)生在一定的空間范圍內，不能期望用一種檢測算子就能最佳檢測出發(fā)生在圖像上的所有特性變化。理想的邊緣檢測應當正確解決邊緣的有無、真假、和定向定位，長期以來，人們一直關心這一問題的研究，除了常用的局部算子及以后在此基礎上發(fā)展起來的種種改進方法外，又提出了許多新的技術。因此，利用梯度最大值或二階導數過零點提取邊界點成為一種有利的手段。沿著邊緣走向的灰度變化平緩，而垂直于邊緣方向的像素變化劇烈。在圖像中邊緣區(qū)域的灰度在空間上的變化形式一般可分為三個類型:階躍型、房頂型和凸緣型，如圖 所示。圖像中灰度變化劇烈的區(qū)域即強度的非連續(xù)性對應著邊緣。從本質上說，圖像邊緣是圖像局部特性不連續(xù)性的反應，它標志著一個區(qū)域的終結和另一個區(qū)域的開始。邊緣能勾劃出目標物體，使觀察者一目了然。邊緣檢測在圖像分割、紋理特征提取、形狀特征提取和圖像識別等方面起著重要的作用。眾所周知，邊緣是圖像的基本特征，所謂邊緣就是指周圍灰度強度有變化的那些像素的集合，是圖像分割、紋理分析和圖像識別的重要基礎。物體的邊緣是由灰度不連續(xù)性所反映的。其理論意義深遠，應用背景廣泛，有相當的使用價值和理論難度。這些方法多是以待處理像素為中心的鄰域作為進行灰度分析的基礎，實現對圖像邊緣的提取并已經取得了較好的處理效果。在通常情況下，我們可以將信號中的奇異點和突變點認為是圖像中的邊緣點，其附近灰度的變化情況可從它相鄰像素灰度分布的梯度來反映。而邊緣存在于圖像的不規(guī)則結構和不平穩(wěn)現象中，也即存在于信號的突變點處，這些點給出了圖像輪廓的位置，這些輪廓常常是我們在圖像邊緣檢測時所需要的非常重要的一些特征條件，這就需要我們對一幅圖像檢測并提取出它的邊緣。因此，它是圖像分割所依賴的重要特征。所謂邊緣（或邊沿）是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。無論為了哪種目的，圖像邊緣檢測中關鍵的一步就是對包含有大量各式各樣景物信息的圖像進行分解。本論文工作的目的是探索和研究經典的圖像邊緣提取方法。隨著研究的深入和應用的需要，新概念、新思想、新方法陸續(xù)產生，它們正朝著智能化、系統(tǒng)化的方向發(fā)展。圖像邊緣信息在圖像分布和人的視覺中都是十分重要的，是圖像識別中提取圖像特征的一個重要屬性。第 2 章 圖像的邊緣檢測與提取 引言物體的邊緣是以圖像局部的不連續(xù)性的形式出現的，例如，灰度值的突變，顏色的突變，紋理結構的突變等。其中代表性的成果是 70 年代末 MIT 的 Marr 提出的視覺計算理論，這個理論成為計算機視覺領域其后十多年的主導思想。人們已開始研究如何用計算機系統(tǒng)解釋圖像，實現類似人類視覺系統(tǒng)理解外部世界，這被稱為圖像理解或計算機視覺。在所有這些領域中的使用方法和技術都很相似，故醫(yī)療衛(wèi)生中的圖像邊緣檢測方法大部分借鑒其他科學和工業(yè)領域中的圖像邊緣檢測應用。因此，圖像邊緣檢測是一種超越具體應用的過程：任何為解決某一特殊問題而開發(fā)的圖像邊緣檢測新技術或新方法，幾乎肯定能找到其他完全不同的應用領域。已有許多圖像生成技術問世，但除圖像恢復技術以外，圖像邊緣檢測技術在很大程度上與圖像形成的過程無關。就軟件而言，知識引導方法已變得日趨重要。多譜成像的應用使來自不同成像模式的信息融合成為可能（如在醫(yī)學中 X 線核磁共振成像的融合）。在開發(fā) TV 攝像機和CCD 傳感器等方面也取得很大的進展，現代的傳感器其空間分辨力和強度分辨力比早期系統(tǒng)有很大提高。首先計算機在運算速度和存儲能力兩方面明顯增加。發(fā)達國家 LPR 系統(tǒng)在實際交通系統(tǒng)中已成功應用，而我國的開發(fā)應用進展緩慢，基本停留在實驗室階段。圖像邊緣檢測的目標是代替人去處理和理解圖像,因此實時性,靈活性,精確性是對系統(tǒng)的主要要求。圖像邊緣檢測應用在視頻交通流檢測和車輛識別系統(tǒng)概述：一體的綜合系統(tǒng)。 視頻交通流檢測及車輛識別系統(tǒng)是一種利用圖像邊緣檢測技術來實現對交通目標檢測和識