【正文】 種行為（如違章超速，停車，超車等等）的實時檢測，實現(xiàn)自動統(tǒng)計交通路段上行駛的機(jī)動車的數(shù)量、計算行駛車輛的速度以及識別劃分行駛車輛的類別等各種有關(guān)交通參數(shù)，達(dá)到監(jiān)測道路交通狀況信息的作用。計算機(jī)圖像邊緣檢測主要由圖像輸入,圖像存儲和刷新顯示,圖像輸出和計算機(jī)接口等幾大部分組成,這些部分的總體構(gòu)成方案及各部分的性能優(yōu)劣直接影響處理系統(tǒng)的質(zhì)量。，再將這些捕捉到的序列圖像送入計算機(jī)進(jìn)行圖像邊緣檢測、圖像分析和圖像理解，從而得到交通流數(shù)據(jù)和交通狀況等交通信息，這是系統(tǒng)的基本工作流程:初 始 設(shè) 置圖像采集 預(yù) 處 理 圖像識別 圖像邊緣檢測圖像分割 圖 系統(tǒng)的基本工作流程對于車牌識別技術(shù)的研究現(xiàn)狀，車牌的自動識別是計算機(jī)視覺、圖像邊緣檢測與模式識別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一，是實現(xiàn)交通管理智能化的重要環(huán)節(jié)，主要包括車牌定位、字符車牌分割和車牌字符識別三個關(guān)鍵環(huán)節(jié)。 圖像邊緣檢測算法的發(fā)展前景自從計算機(jī)問世以來，數(shù)字圖像邊緣檢測和分析的方法不斷發(fā)展，與早期相比已不可同日而語。千兆字節(jié)磁盤的問世使早期計算機(jī)認(rèn)為復(fù)雜的難以實現(xiàn)的方法重顯生機(jī)，并可付諸應(yīng)用。早期應(yīng)用多在單個圖像的分析上，現(xiàn)今多模圖像的分析變得越來越重要。甚至三維分析（如序列圖像或隨時間的圖像變化）以及四維分析（如隨時間變化的序列斷面圖像），現(xiàn)在已成為可實現(xiàn)的目標(biāo)。當(dāng)自上而下（topdown direction）應(yīng)用這些方法時，研究對象（如肝臟）計算機(jī)模型引導(dǎo)圖像邊緣檢測操作集中到圖像（如肝掃描圖像）中我們感興趣的部位；而當(dāng)自下而上（buttonup direction）應(yīng)用這些方法時，圖像邊緣檢測所獲得有關(guān)細(xì)節(jié)的信息可參照該模型加以核查，以確定相互之間的關(guān)系。一旦圖像已被采集并且已對獲取過程中產(chǎn)生的失真進(jìn)行了校正，那么所有可用圖像邊緣檢測技術(shù)本質(zhì)上是通用的。圖像邊緣檢測已應(yīng)用于現(xiàn)代社會的許多領(lǐng)域。攝像機(jī) 結(jié)果輸出從 70 年代中期開始，隨著計算機(jī)技術(shù)和人工智能、思維科學(xué)研究的迅速發(fā)展，數(shù)字圖像邊緣檢測向更高、更深層次發(fā)展。很多國家，特別是發(fā)達(dá)國家投入更多的人力、物力到這項研究，取得了不少重要的研究成果。圖像理解雖然在理論方法研究上已取得不小的進(jìn)展，但它本身是一個比較難的研究領(lǐng)域，存在不少困難，因人類本身對自己的視覺過程還了解甚少，因此計算機(jī)視覺是一個有待人們進(jìn)一步探索的新領(lǐng)域。從本質(zhì)上說，邊緣常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始。圖像邊緣檢測和計算機(jī)視覺都是新興學(xué)科分支，近幾十年來，取得了許多重大的成果。而作為圖像邊緣檢測和計算機(jī)視覺最基本的技術(shù)——圖像邊緣提取技術(shù)，也突破了其狹義的概念，成為一個內(nèi)容豐富的領(lǐng)域。利用計算機(jī)進(jìn)行圖像邊緣檢測有兩個目的：一是產(chǎn)生更適合人觀察和識別的圖像；二是希望能由計算機(jī)自動識別和理解圖像。圖像的邊緣是圖像的最基本特征。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。由于圖像邊緣是圖像最基本的特征之一，往往攜帶著一幅圖像的大部分信息。而邊緣提取算法則是圖像邊緣檢測問題中經(jīng)典技術(shù)難題之一，它的解決對于我們進(jìn)行高層次的特征描述、識別和理解等有著重大的影響；又由于邊緣檢測在許多方面都有著非常重要的使用價值，所以人們一直在致力于研究和解決如何構(gòu)造出具有良好性質(zhì)及好的效果的邊緣檢測算子的問題。根據(jù)這一特點，提出了多種邊緣檢測算子：如 Robert 算子、Sobel 算子、Prewitt 算子、Laplacian 算子，Canny 算子等。邊緣提取是圖像邊緣檢測和計算機(jī)視覺等領(lǐng)域最基本的技術(shù)，如何準(zhǔn)確、快速的提取圖像中的邊緣信息一直是這些領(lǐng)域的研究熱點，隨著此項技術(shù)研究的深入和整個領(lǐng)域的不斷發(fā)展，邊緣提取技術(shù)已經(jīng)成為圖像分割、目標(biāo)識別、圖像壓縮等技術(shù)的基礎(chǔ)。邊緣提取算法的提出通常是面向具體問題的，普遍實用性較差。經(jīng)典的邊緣提取方法是考察圖像的每個像素在某個鄰域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律，用簡單的方法檢測邊緣，即邊緣檢測局部算子法。圖像的邊緣是待識別類型之間的界線，它是指圖像中像素單元灰度有階躍變化或屋頂狀變化的那些像素單元的集合。圖像邊緣對圖像識別和計算機(jī)分析十分有用。邊緣蘊(yùn)含了豐富的內(nèi)在信息，是圖像識別中抽取圖像特征的重要屬性。邊緣提取首先檢出圖像局部特性的不連續(xù)性，然后再將這些不連續(xù)的邊緣像素連成完備的邊界。邊緣提取就是既要檢測出強(qiáng)度的非連續(xù)性，又能確定它們在圖像中的精確位置。在圖像中邊緣有方向和幅度兩個特性。在邊緣上灰度的一階導(dǎo)數(shù)幅度較大，而二階導(dǎo)數(shù)在邊緣上的值 階躍型 房頂型 突圓型 圖 邊緣灰度變化為零，其左右分別為一正一負(fù)兩個峰。 邊緣檢測與提取過程邊緣是圖像最基本的特征，所謂邊緣就是指周圍灰度強(qiáng)度有反差變化的那些像素的集合，是圖像分割所依賴的重要基礎(chǔ)，也是紋理分析和圖像識別的重要基礎(chǔ)。要做好邊緣檢測初步準(zhǔn)備條件如下：第一，清楚待檢測的圖像特性變化的形式，從而使用適應(yīng)這種變化的檢測方法。當(dāng)需要提取多空間范圍內(nèi)的變化特性時，要考慮多算子的綜合應(yīng)用。再就是考慮信號加噪聲的條件檢測，利用統(tǒng)計信號分析，或通過對圖像區(qū)域的建模，而進(jìn)一步使檢測參數(shù)化。第五，在正確檢測邊緣的基礎(chǔ)上，要考慮精確定位的問題。從人的直觀感受來說，邊緣對應(yīng)于物體的幾何邊界。但在遇到包含紋理的圖像上，這有點問題，比如說，圖像中的人穿了黑白格子的衣服，我們往往不希望提取出來的邊緣包括衣服上的方格。但一般認(rèn)為邊緣提取是要保留圖像的灰度變化劇烈的區(qū)域，這從數(shù)學(xué)上，最直觀的方法就是微分(對于數(shù)字圖像來說就是差分)，在信號處理的角度來看，也可以說是用高通濾波器，即保留高頻信號。此外，還需要把邊緣細(xì)化成只有一個像素的寬度。邊緣檢測主要基于導(dǎo)數(shù)計算，但受噪聲影響。（2）增強(qiáng)。一般通過計算梯度幅值完成。但在有些圖像中梯度幅值較大的并不是邊緣點。（4）定位。總的說來傳統(tǒng)邊緣檢測的流程圖如下:圖 邊緣檢測的流程圖特征提取作為圖像邊緣檢測的一個重要內(nèi)容，發(fā)展了眾多的方法。經(jīng)典的邊緣檢測算子包括:Roberts 算子，Prewitt 算子，Sobel 算子，Log (Laplacian of Gaussian)算子等。 邊緣檢測與提取主要算法邊緣檢測的實質(zhì)是采用某種算法來提取出圖像中對象與背景間的交界線。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。首先通過平滑來濾除圖像中的噪聲，然后進(jìn)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)拈撝祦硖崛∵吔?。Roberts 算子邊緣定位準(zhǔn)，但是對噪聲敏感。 Sobel 邊緣算子Sobel 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。運算結(jié)果是一幅邊緣幅度圖像。一般來說，距離越大，產(chǎn)生的影響越小。 Prewitt 算子在一個方向求微分，而在另一個方向求平均，因而對噪聲相對不敏感，有抑制噪聲作用。1 2 10 0 01 2 11 0 12 0 21 0 1圖 Sobel 邊緣算子1 1 10 0 01 1 1 圖 Prewitt 邊緣算子1 0 11 0 11 0 1 Laplacian 邊緣算子拉普拉斯算子一種二階邊緣檢測算子，它是一個線性的、移不變算子。使得圖像經(jīng)過二階微分后，在邊緣處產(chǎn)生一個陡峭的零交叉點，根據(jù)這個對零交叉點判斷邊緣。 圖 鄰域 Laplacian 算子 圖 鄰域 Laplacian 算子通常使用的拉普拉斯算子 33 模板如圖 所示： 圖 拉普拉斯算子Laplacian 算子對噪聲比較敏感， Laplacian 算子有一個缺點是它對圖像中的某些邊緣產(chǎn)生雙重響應(yīng)。 Log 邊緣算子現(xiàn)在介紹一種利用圖像強(qiáng)度二階導(dǎo)數(shù)的零交叉點來求邊緣點的算法對噪聲十分敏感，所以在邊緣增強(qiáng)前濾除噪聲。也稱之為拉普拉斯高斯算法。將圖像?與 進(jìn)行卷積，可以得到一個平滑的圖像，即：),(),(f ),(*),(),(yxGfyxg?（2）增強(qiáng)：對平滑圖像 進(jìn)行拉普拉斯運算，即：,??),(),()(2yxfyxh?（3）檢測：邊緣檢測判據(jù)是二階導(dǎo)數(shù)的零交叉點（即 的點）并對應(yīng)一階0),(?yxh導(dǎo)數(shù)的較大峰值。但是由于平滑會造成圖像邊緣的延伸，因此邊緣檢測器只考慮那些具有局部梯度最大值的點為邊緣點。拉普拉斯函數(shù)用二維二階導(dǎo)數(shù)的近似，是因為它是一種無方向算子。由于對平滑圖像 進(jìn)行拉普拉斯運算可等效為 的拉普拉斯運算與),(yxg ),(yxG的卷積，故上式變?yōu)椋?,(yxf = ),(yxh),(*),(2yxf?式中 稱為 LOG 濾波器，其為：),(2yxG?= + = ,22x?2yG????????1124??yx?????????22expy?這樣就有兩種方法求圖像邊緣：①先求圖像與高斯濾波器的卷積，再求卷積的拉普拉斯的變換，然后再進(jìn)行過零判斷。這兩種方法在數(shù)學(xué)上是等價的。拉普拉斯算子對圖像中的嗓聲相當(dāng)敏感。高斯拉普拉斯算子是效果較好的邊沿檢測器，常用的 55 模板的高斯 拉普拉斯算子如圖 所示：圖 高斯—拉普拉斯算子高斯拉普拉斯算子把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來，先平化掉噪聲，再進(jìn)行邊緣檢測，所以效果更好。圖像邊緣檢測必須滿足兩個條件：一是必須能有效地抑制噪聲；二是必須盡量精確確定邊緣的位置。 邊緣檢測基本原理：(1)具有既能濾去噪聲又保持邊緣特性的邊緣檢測最優(yōu)濾波器，其采用一階微分濾波器。根據(jù)對信噪比與定位乘積進(jìn)行測度，得到最優(yōu)化逼近算子。(2)類似與 Marr（LOG）邊緣檢測方法，也屬于先平滑后求導(dǎo)數(shù)的方法。其數(shù)學(xué)描述如下：step1:二維為高斯函數(shù)為：0 0 1 00 1 2 01 2 16 10 1 2 00 0 1 02 4 4 24 0 8 44 8 2 44 0 8 42 4 4 2= ),(yxG21????????????2exp?y在某一方向 n 上是 的一階方向?qū)?shù)為：,= = n▽n?Gn= =???????sinco????????yx式中：n 式方向矢量，▽ 是梯度矢量。step2: = ， = *XE*xG?),(yfyE?),(yxf= ),(yA22YX????????YXEArctan?反映了圖像(x,y)點處的邊緣強(qiáng)度， 是圖像(x,y)點處的法向矢量。 （nonMaxiMa suppression,NMS）解決方法：利用梯度的方向。在每一點上，鄰域的中心像素 M 與沿著梯度線的兩個像素相比。step4:減少假邊緣段數(shù)量的典型方法是對 G(x,y)使用一個閾值。但問題是如何選取閾值？解決方法：雙閾值算法進(jìn)行邊緣判別和連接邊緣。②其次是連接邊緣： 雙閾值算法對非極大值抑制圖像作用兩個閾值 τ1 和 τ2，且2τ1≈τ2，從而可以得到兩個閾值邊緣圖像 G1(x,y)和 G2(x,y)。雙閾值法要在 G2(x,y)中把邊緣連接成輪廓，當(dāng)?shù)竭_(dá)輪廓的端點時，該算法就在 G1(x,y)的 8 鄰點位置尋找可以連接到輪廓上的邊緣，這樣，算法不斷地在 G1(x,y)中收集邊緣，直到將 G1(x,y)連接起來為止。各個方向用不同的鄰接像素進(jìn)行比較，以決定局部極大值。此外，在實際應(yīng)用中，檢測效果還與濾波模板大小有關(guān)，當(dāng) 時有較好的12???bN檢測效果。在這幾種算法中除 Roberts 算子外都使用了圖像模板，模板運算是圖像的一種處理手段——鄰域處理，有許多圖像增強(qiáng)效果都可以采用模板運算實現(xiàn)，如平滑效果，中值濾波，油畫效果，圖像的凹凸效果等等。運算時，把模板中心對應(yīng)到圖像的每一個像素位置，然后按照模板對應(yīng)的公式對中心像素和它周圍的像素進(jìn)行數(shù)學(xué)運算，算出的結(jié)果作為輸出圖像對應(yīng)像素點的值。這一點在應(yīng)用中是有優(yōu)越性的，它們的針對性可以幫助我們完成特定的任務(wù)。第 3 章 算法的選擇和實現(xiàn)近年來，圖像分析和處理緊緊圍繞理論、實現(xiàn)、應(yīng)用三