基于紅外圖像的邊緣特征提取畢業(yè)論文-文庫吧資料
2025-07-03 20:39本頁面
【正文】 了圖像又降低了噪聲，孤立的噪聲點和一些較小的結(jié)構(gòu)組織將被濾除，同時保護了圖像邊緣。2算法描述雙邊濾波既可以較好地去除圖像噪聲，又可以保護圖像的邊緣信息，解決了LOG算子使用高斯濾波后圖像模糊和邊緣丟失問題。它可表示為:其中為灰度域權(quán)值，將空間鄰近度與灰度相似度相結(jié)合進行濾波,就得到雙邊濾波為：在圖像變化較為平緩的區(qū)域,其鄰域內(nèi)像素灰度值相差不大,雙邊濾波轉(zhuǎn)化為高斯低通濾波器；在圖像變化劇烈的區(qū)域,濾波器用邊緣點鄰域內(nèi)灰度相似的像素點的灰度平均值代替原灰度值。雙邊濾波方法可用如下公式表示：其中為去噪后圖像,為空間域權(quán)值,為原圖像,為像素處的鄰域范圍。2）改進的LOG邊緣檢測算法1雙邊濾波Tomasi和Manduchi于1998年提出了雙邊濾波算法[7]。求取的零穿點軌跡即可得到圖像的邊緣。⑷二維高斯濾波器的函數(shù)⑸用與原始圖像進行卷積[6]，得到平滑圖像) 其中*是卷積運算符，再用拉普拉斯算子來獲取平滑圖像的二階方向?qū)?shù)圖像。在小波分析中，LOG算子被稱為墨西哥草帽小波。高斯一拉普拉斯 (Laplacian of Gaussian，LOG)算子利用高斯函數(shù)作 為平滑函數(shù)，然后用拉普拉斯算子提取二階導數(shù)的 過零交叉點進行邊緣檢測。LOG算子來源于Marr視覺理論中提出的邊緣提取思想,即先對原始圖像進行平滑處理[5],從而實現(xiàn)對噪聲最大程度的抑制,再對平滑后的圖像提取邊緣。因此，可以以提高閾值得到的邊緣圖像為基礎(chǔ)，以低閾值得到的圖像為補充來連接圖像的邊緣。經(jīng)過極大值抑制并 且閾值化后的結(jié)果是一個圖像的邊緣陣列，其中仍然有假邊緣的存在。具體步驟如下：①用二維高 斯函數(shù)與圖像進行卷積運算，這樣做的目的是對原 圖像進行平滑濾波；②對第一步中得到的卷積后的 圖像做微分計算，得到每個像素的梯度的大小和方 向；③對梯度進行非極大值抑制（NonMaxima Sup pression，NMS)，細化圖像邊緣。如果M[x,y]的梯度值不比沿梯度線的兩個相鄰象素梯度值大，則令M[x,y]=0.⑸Canny算子無論在定位精度還是抗噪聲方面[4]，、定位準確、 單邊緣響應(yīng)，這是邊緣檢測通用的最優(yōu)準則。對應(yīng)3*3領(lǐng)域的四種可能組合。 12384765 梯度角離散圖 將梯度角離散為圓周的四個扇區(qū)之一，以便用3*3的窗口作抑制運算。但是Sobel算子只能檢測水平和垂直2個方向的邊緣，一般 用于精度要求不高的情況。Sobel算子包含2個 3 * 3模板，l個用于檢測水平邊緣，一個用于檢測，得到每個像素的水平和垂直方向的近似梯度值， 然后結(jié)合2個梯度值得到圖像的梯度值和梯度方向。這種判定是欠合理的，會造成邊緣點的誤判，因為許多噪聲點的灰度值也很大，而且對于幅值較小的邊緣點，其邊緣反而丟失了。對數(shù)字圖像f(x，y)，Prewitt算子的定義如下：G(i)=|[f(i1,j1)+f(i1,j)+f(i1，j+1)][f(i+1,j1)+f(i+1，j)+f(i+1，j+1)]|G(j)=|[f(i1,j+1)+f(i,j+1)+f(i+1，j+1)][f(i1,j1)+f(i,j1)+f(i+1，j1)]|則 P(i,j)=max[G(i),G(j)]或 P(i,j)=G(i)+G(j)經(jīng)典Prewitt算子認為：凡灰度新值大于或等于閾值的像素點都是邊緣點。2）Prewitt算子是一種一階微分算子的邊緣檢
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1