【正文】 //初始化新圖像為原圖像memcpy(temp,m_pdata,wide*height)。 //像素值計算結(jié)果for(j=tempMY。j++)for(j=tempMX。i++){//計算像素值fResult=0。ktempH。ltempW。//乘上系數(shù)fResult*=fCoef。//判斷是否超過255if(fResult255)//若超過255，直接賦值為255temp[j*wide+i]=255。}memcpy(m_pdata,temp,wide*height)。}sobel水平和垂直邊緣檢測函數(shù)名稱：Sobel()函數(shù)類型：void功能：用Sobel算子對圖像進(jìn)行水平和垂直邊緣檢測void BianYuanJianCedib::Sobel{ LPBYTE p_data。 //原圖高、寬 int i,j。 //模板高度int tempW。 //模板系數(shù)int tempMY。 //模板中心元素X坐標(biāo)float template[9]。wide=thisGetWidth()。LPBYTE temp1=new BYTE[wide*height]。 //新圖像緩沖區(qū)//復(fù)制原圖像到緩沖圖像memcpy(temp1,p_data, wide*height)。//設(shè)置Sobel模板參數(shù)tempW=3。tempC=。tempMX=1。Template[1]= 。Template[3]=。Template[5]= 。Template[7]= 。//調(diào)用Templat()函數(shù)Templat( temp1,wide,height,tempH,tempW,tempMX,tempMY,Template,tempC)。Template[1]= 。Template[3]=。Template[5]= 。Template[7]= 。//調(diào)用Templat()函數(shù)Templat( temp1,wide,height,tempH,tempW,tempMX,tempMY,Template,tempC)。jheight。iwide。memcpy(p_data,temp1,wide*height)。delete temp2。 CDibNew1Sobel()。}實現(xiàn)結(jié)果： Sobel算子實現(xiàn)結(jié)果 Prewitt算子程序及結(jié)果實現(xiàn)步驟（1）取得原圖像的數(shù)據(jù)區(qū)指針（2）開辟兩個和原圖相同大小的圖像緩沖區(qū)，（3）分別設(shè)置Prewitt邊緣檢測算子的兩個模板，調(diào)用Templat（）模板函數(shù)分別對兩個緩沖區(qū)的圖像進(jìn)行卷積運算；（4）兩個緩沖圖像每個像素依次循環(huán)，取兩個緩沖中各個像素灰度值較大者（5）將緩沖區(qū)的圖像復(fù)制到原圖數(shù)據(jù)區(qū)編程實現(xiàn)：函數(shù)名稱：Prewitt（）函數(shù)類型：void功能：用Prewitt算子對圖像進(jìn)行邊緣檢測void BianYuanJianCedib:: prewitt{LPBYTE p_data。 //原圖高、寬 int i,j。 //模板高度int tempW。 //模板系數(shù)int tempMY。 //模板中心元素X坐標(biāo)float template[9]。wide=thisGetWidth()。LPBYTE temp1=new BYTE[wide*height]。 //新圖像緩沖區(qū)//復(fù)制原圖像到緩沖圖像memcpy(temp1,p_data, wide*height)。//設(shè)置prewitt模板1參數(shù)tempW=3。tempC=。tempMX=1。Template[1]= 。Template[3]=。Template[5]= 。Template[7]= 。//調(diào)用Templat（）函數(shù)Templat( temp1,wide,height,tempH,tempW,tempMX,tempMY,Template,tempC)。Template[1]= 。Template[3]=。Template[5]= 。Template[7]= 。//調(diào)用Templat（）函數(shù)Templat( temp2,wide,height,tempH,tempW,tempMX,tempMY,Template,tempC)。jheight。iwide。memcpy(p_data,temp1,wide*height)。delete temp2。 CDibNew1PreWitt()。}實現(xiàn)結(jié)果： Prewitt算子實現(xiàn)結(jié)果(a)原圖 (b)Robert算子(c)Sobel算子 (d)Prewitt算子 算子實現(xiàn)結(jié)果比較在數(shù)字圖像處理中，對邊緣檢測主要要求就是運算速度快，邊緣定位準(zhǔn)確，噪聲抑制能力強，我們利用VC++編程分別對上面幾種算法進(jìn)行分析，各個算法的實驗結(jié)果如圖所示。Sobel和Prewitt兩個算子檢測出的邊緣效果幾乎一致，比Roberts 算子的檢測結(jié)果要好，邊緣較為連續(xù)，對噪聲不敏感，但是線條稍粗，出現(xiàn)了一些偽邊緣[6]。對水平和垂直方向檢測定位精度高 ,但對噪聲敏感。它對噪聲具有平滑作用 ,提供較為精確的邊緣方向信息 ,但邊緣定位精度不夠高。它對噪聲也具有平滑作用 ,但定位精度不夠高。對于進(jìn)一步學(xué)習(xí)和尋找更好的數(shù)字圖像邊緣檢測方法具有一定的指導(dǎo)意義。早期經(jīng)典算法包括邊緣算子法、曲面擬合法、模板匹配法、門限化法等。近年來 ,小波分析 成為應(yīng)用數(shù)學(xué)和工程學(xué)科中迅速發(fā)展的一個新領(lǐng)域,小波變換就是時域—頻域的局部變換,因此能夠更有效地從信號中提取有用信息。所以,小波變換非常適合復(fù)雜圖像的邊緣檢測?；谛〔ò倪吘墮z測原理是利用了小波函數(shù)對圖像的分解作用,在小波變換中只對圖像的低頻子帶進(jìn)行分解,并未對圖像的高頻子帶進(jìn)行分解。因此,小波包分解是一種更為精細(xì)的分解方法,可以滿足不同分辨率下對局部細(xì)節(jié)進(jìn)行邊緣提取需要,尤其對于含噪圖像,在提取圖像邊緣時對噪聲的抑制效果更好?；舅枷胧怯镁哂幸欢ㄐ螒B(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別的目的。數(shù)學(xué)形態(tài)學(xué)包括二值形態(tài)學(xué)、灰度形態(tài)學(xué)和彩色形態(tài)學(xué)；基本變換包括膨脹、腐蝕、開啟、閉合四種運算 ,并由這四種運算演化出了開、閉、薄化、厚化等,從而完成復(fù)雜的形態(tài)變換。隨著時代的發(fā)展，邊緣檢測技術(shù)已應(yīng)用到各個領(lǐng)域中并發(fā)揮著重要的作用。并且 ,近年來儲糧害蟲的種類和密度呈上升趨勢, 致使儲糧損失更加嚴(yán)重。傳統(tǒng)的糧蟲檢測方法(常規(guī)抽樣的方法、取樣及誘捕)存在的突出問題是:國內(nèi)糧情測控系統(tǒng)不能測蟲,國外糧蟲聲音檢測技術(shù)無法實現(xiàn)害蟲數(shù)量監(jiān)測。在我們研究的在線糧庫蟲情測報系統(tǒng)中,機器視覺系統(tǒng)采用 CCD照相機攝取糧倉害蟲檢測圖像,并轉(zhuǎn)換為數(shù)字信號,再采用先進(jìn)的計算機硬件與軟件技術(shù),運用數(shù)字信號處理技術(shù)、計算機圖像處理與分析技術(shù)、模式識別等技術(shù),結(jié)合數(shù)學(xué)形態(tài)學(xué)的某些技術(shù)手段和專家系統(tǒng)技術(shù),通過對儲糧糧蟲的圖像采集、圖像數(shù)字轉(zhuǎn)化、性狀識別和分析,使計算機能自動提取糧倉害蟲的形態(tài)性狀、智能識別害蟲種類,并能對害蟲的數(shù)量自動計數(shù),從而可以輸出數(shù)據(jù)、發(fā)出指令,構(gòu)成科學(xué)保糧專家系統(tǒng)的主要部分。,在本系統(tǒng)中,儲糧害蟲圖像邊緣檢測算法是關(guān)鍵,因為邊緣檢測算法的正確性直接關(guān)系著特征參數(shù)提取的有效性,從而決定著分類器決策的正確性和系統(tǒng)決策的正確性。由此可見，邊緣檢測技術(shù)將在糧蟲檢測方面發(fā)揮更大的作用，保障我國的糧食在糧蟲方面的危害降到最低。為了能及時可靠地檢測到爐內(nèi)燃燒工況,防止故障的產(chǎn)生,電廠鍋爐必須配備功能齊全、性能可靠的爐膛安全監(jiān)視系統(tǒng) (FSSS) 。鍋爐圖像火檢技術(shù)是20世紀(jì) 80 年代出現(xiàn)的一種跨學(xué)科技術(shù),是將現(xiàn)代計算機技術(shù)、數(shù)字圖像處理技術(shù)與燃燒學(xué)等相結(jié)合應(yīng)用的結(jié)果?；鹧鎴D像提供了大量的關(guān)于爐內(nèi)運行工況的原始信息。亮度均值用于預(yù)報爐內(nèi)燃燒程度和發(fā)展趨勢,通常采用簡單可靠迅速的滑動平均算法進(jìn)行報警計算。火焰圖像中存在著像素灰度分布最陡,變化最大的位置, 即火焰鋒面,可將其作為火焰的著火判據(jù)。除此之外，邊緣檢測還廣泛應(yīng)用于醫(yī)學(xué)細(xì)胞檢測方面、產(chǎn)品外觀檢測方面等，已滲透到我國的各個行業(yè)當(dāng)中。要根據(jù)不同的系統(tǒng),針對不同的環(huán)境條件和要求,選擇合適的算子來對圖像進(jìn)行邊緣檢測?？梢?無論哪一種邊緣檢測算法在解決一定問題的同時也存在不同類型的缺陷。對于進(jìn)一步學(xué)習(xí)和尋找更好的數(shù)字圖像邊緣檢測方法具有一定的指導(dǎo)意義。論文的成稿凝聚著導(dǎo)師的關(guān)懷和心血。同時，感謝電子信息工程學(xué)院的各位老師四年多來從各方面給予我熱心的幫助和關(guān)懷，感謝我的同學(xué)在論文撰寫過程中給予我