【正文】 像 G1[i,j]和 G2[i,j]。雙閾值算法在 G2[i,j]中把邊緣連接成輪 廓，當(dāng)?shù)竭_(dá)輪廓的端點(diǎn)時(shí)，該算法就在 G1[i,j]的 8 鄰點(diǎn)位置尋找可以接到輪廓上的邊緣。 所以，歸納上述過程， Canny 邊緣算子可概括如下： 用高斯濾波平滑圖像。 對(duì)梯度幅值進(jìn)行非極大值抑制。 0 0 0 2 0 0 0 0 0 0 0 *****本科畢業(yè)論文（設(shè)計(jì)） 第 14頁 共 28頁 (7) SUSAN(Smallest UnivalueSegment Assimilating Nucleus)算子 經(jīng)典的邊緣檢測方法如 :Roberts,Sobel,Prewitt, ,Laplace 等方法 ,基本都是對(duì)原始圖像中象素的小鄰域構(gòu)造邊緣檢測算子 ,進(jìn)行一階微分或二階微分運(yùn)算 ,求得梯度最大值或二階導(dǎo)數(shù)的過零點(diǎn) ,最后選取適當(dāng)?shù)拈y值提取邊界。在實(shí)踐中 ,發(fā)現(xiàn) SUSAN 算法只基于對(duì)周邊象素的灰度比較 ,完全不涉及梯度的運(yùn)算 ,因此其抗噪聲能力很強(qiáng) ,運(yùn)算量也比較小。 圖 (4) SUSAN 特征檢測原理 SUSAN 特征檢測原理：如圖上圖所示 ,用一個(gè)圓形模板在圖像上移動(dòng) ,若模板內(nèi)象素的灰度與模板中心象素 (稱為 :核 Nucleus) 灰度的差值小于一定閥值 ,則認(rèn)為該點(diǎn)與核具有相同 (或相近 ) 的灰度 ,由滿足這樣條件的象素組成的區(qū)域稱為 USAN(Univalue Segment Assimilating Nucleus) 。當(dāng)模板移向圖像邊緣時(shí) ,USAN 區(qū)域逐漸變小 (如圖 1 中 c) 。 當(dāng)模板中心處于角點(diǎn)時(shí) ,USAN 區(qū)域最小 (如圖中的 e) 。因此 ,計(jì)算圖像中每一個(gè)象素的 USAN 值 ,通過設(shè)定一個(gè) USAN 閥值 ,查找小于閥值的象素點(diǎn) ,即可確定為邊緣點(diǎn)。 I(r0)是模板中心象素 (核 ) 的灰度值 。t 是灰度差門限。得到每個(gè)象素的 USAN 值 n(r0)以后 ,再與預(yù)先設(shè)定得門限 g 進(jìn)行比較 ,當(dāng) n(r0)g 時(shí) ,所檢測到象素位置 r0 可以認(rèn)為是一個(gè)邊緣點(diǎn)。但是模板較小時(shí) ,如果門限選取不恰當(dāng) ,可能會(huì)發(fā)生邊緣點(diǎn)漏檢的情況。 g 過大時(shí) , 邊緣點(diǎn)附近的象素可能作為邊緣被提取出來 ,過小則 會(huì)漏檢部分邊緣點(diǎn)。如果要達(dá)到單象素的精度 ,還需進(jìn)一步剔除多余象素。 t 越小 ,可從對(duì)比度越低的圖像中提取特征。 SUSAN 算子與其他算子的比較： ① 邊緣檢測效果好： 邊緣檢測效果好無論對(duì)直線 ,還是曲線邊緣 ,SUSAN 算法基本上可以檢測出所有的邊緣 ,檢測結(jié)果較好。而 Robert 算子和 Prewitt 算子對(duì)部分直線邊緣不能檢測出來 ,圓的邊緣也有部分漏檢情況 。 ② 抗噪聲能力好 由于 USAN 的求和相當(dāng)于求積分 ,所以這種算法對(duì)噪聲不敏感 ,而且 SUSAN 算法不涉及梯度的計(jì)算 ,所以該算法抗噪聲的性能很好。對(duì)局部突變的孤立噪聲 ,即使噪聲的灰度與核相似 ,只要局部 USAN 值小于門限 g ,也不會(huì)對(duì)邊緣檢測造成影響。而其他的邊緣檢測算法 , Robert 算子、Prewitt 算子、 34( 0 )( 0 ) ( , 0 )r D rn r c r r?? ?*****本科畢業(yè)論文（設(shè)計(jì)） 第 16頁 共 28頁 GaussLaplace 算子 ,以及應(yīng)用廣泛的 Canny 算子 ,由于這些算法都涉及一階梯度 ,甚至二階梯度的計(jì)算 ,所以他們的抗噪聲能力較差 。比如圖像的對(duì)比度較大 , 則可選取較大的 t 值 , 而圖像的對(duì)比度較小 ,則可選取較小的 t 值。 ④ 運(yùn)算量小 速度快對(duì) 1 幅 256 256 的圖像 ,應(yīng)用 SUSAN 算法進(jìn)行計(jì)算 ,對(duì)每一點(diǎn)只需做 8 次加法運(yùn)算 ,共需要做 256 256 8 次加法。對(duì) Gauss2Laplace 算子、 Priwitt 算子以及 Canny 算子計(jì)算量就更大。具體算法是 ,對(duì)每一個(gè)檢測點(diǎn)計(jì)算模板內(nèi)與該點(diǎn)灰度相似的象素集合的重心 ,檢測點(diǎn)與該重心的連線的矢量垂直與這條邊緣。 mycanvas類 ：主要用于對(duì)經(jīng)過邊緣處理的圖像進(jìn)行顯示 。以下是 Canny檢測邊緣的效果圖 原始圖像 效果圖 圖（ 5） Canny 算法實(shí)現(xiàn)對(duì)比 0 0 0 0 0 0 0 0 0 0 *****本科畢業(yè)論文（設(shè)計(jì)） 第 18頁 共 28頁 結(jié)果比較： Prewitt算子和 Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權(quán)平均濾波且檢測的圖象邊緣可能大于 2個(gè)像素。 LOG濾波器方法通過檢測二階導(dǎo)數(shù)過零點(diǎn)來判斷邊緣點(diǎn)。所以在邊緣定位精度和消除噪聲級(jí)間存在著矛盾，應(yīng)該根據(jù)具體問題對(duì)噪聲水平和邊緣點(diǎn)定位精度要求適當(dāng)選取 ? 。 Canny方法則以一階導(dǎo)數(shù)為基礎(chǔ)來判斷邊緣點(diǎn)。它比 Sobel算子和 Prewitt算子極小值算法的去噪能力都要強(qiáng)，但它也容易平滑掉一些邊緣信息。因此 ,非常適于含噪圖像或低對(duì)比度灰度圖像的邊緣檢測。 結(jié) 論 ： 討論和比較了幾種常用的邊緣檢測算子。 拉普拉斯算子的特點(diǎn)是：各向同性、線性和位移不變的；對(duì)細(xì)線和孤立點(diǎn)檢測效果好。 LOG算子是在拉普拉斯算子的基礎(chǔ)上實(shí)現(xiàn)的 具有一定的抗噪聲能力 ， Canny算子則以一階導(dǎo)數(shù)為基礎(chǔ)來判斷邊緣點(diǎn)。 SUSAN算子與其他算子比較具有邊緣檢測效果好、抗噪聲能力好、算法使用靈活、運(yùn)算量小、可以檢測邊緣的方向信息 ， 不同的系統(tǒng)，針對(duì)不同的環(huán)境 條件和要求，選擇合適的算子來對(duì)圖象進(jìn)行邊緣檢測。 **老師平日里工作繁忙，但在我們做畢業(yè)設(shè)計(jì)時(shí)的每個(gè)階段，他都悉心指導(dǎo)我們?？桌蠋煹闹螌W(xué)態(tài)度和務(wù)實(shí)的工作作風(fēng)深深的感染了我。 另外，我要感謝我系的各位領(lǐng)導(dǎo)為我們提供了良好的學(xué)習(xí)和生活條件。相信自己，明天會(huì)更加美好 ！ 參考文獻(xiàn) : [1] 高月紅 .灰度圖像分割算法的研究 .科技信息 .2020, (27) [2]羅希平 ,田捷 ,諸葛嬰 ,王靖 ,戴汝為 .圖像分割方法述 .PRamp。 } } CanedyPicFrame 類： import .*。 class CannyPicFrame extends JFrame *****本科畢業(yè)論文（設(shè)計(jì)） 第 21頁 共 28頁 { CannyPicPanel wpp=new CannyPicPanel()。 setTitle(基于邊緣檢測的圖像分割 Canny 算子實(shí)現(xiàn) )。 setVisible(true)。 }//CannyPicFrame class Handlewin extends WindowAdapter { public void windowClosing(WindowEvent e) { (0)。 import .*。 import .*。 import .*。 String pic_url=()+\\。//D:\\圖片轉(zhuǎn)換成 word\\ JScrollPane jsp=new JScrollPane(canvas)。 add(jsp)。 } } mycanvas 類 ： class mycanvas extends Canvas { PixelContrl pc。 mycanvas(String url) { pc=new PixelContrl(new MyImage(url))。 setSize(,)。 } //重畫函數(shù) public void paint(Graphics g) { (imagtest,0,0,this)。 int Height。 MediaTracker tracker。 myimage=().getImage(url)。 try { (0)。 =(this)。 int imageW。 int[] imagepix。 double[] Gx={,0, ,0, ,0, ,0, ,0, }。 PixelContrl(MyImage myimage) { =myimage。 imageH=。 Canny_pix=new int[imageW*imageH]。 try { ()。 for(int i=0。i++) { for (int j=0。j++) { if(i2||j2||iimageW3||jimageH3) Canny_pix[j*imageW+i]=0xff000000。 Canny_pix[j*imageW+i]=Canny_operator(i,j,Gx,Gy,125)?0xffffffff:0xff000000。jimageH2。iimageW2。 *****本科畢業(yè)論文（設(shè)計(jì)） 第 25頁 共 28頁 r1=Convolution(x,y,Cx)。 return (r1*r1+r2*r2)range?true:false。 for(int i=0。i++) { for (int j=0。j++) { r+=getGray(getPixels(x(2i),y(2i)))*C[j*5+i]。j5。i5。 } public int getPixels(int x,int y) { return imagepix[y*imageW+x]。(pixle16)))。(pixle8)))。(pixle)))。 return ((1/)*(rg