圖像邊緣檢測(cè)方法研究

1、圖像最基本的特征是邊緣。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像素的集合。邊緣廣泛存在于物體與背景、物體與物體、基元與基元之間,因此它是圖像分割所依賴的重要特征。Poggio等指出“邊緣或許對(duì)應(yīng)著圖像中物體(的邊界,或許并沒有對(duì)應(yīng)著圖像中物體(的邊界,但是邊緣具有十分令人滿意的性質(zhì),它能大大減少所要處理的信息,但是又保留了圖像中物體的形狀信息”1。常見的邊緣有三種。第一種是階梯形邊緣(Step-edge,即從一個(gè)灰度到比它高好多的另一個(gè)灰度。第二種是屋頂形邊緣(Roof-edge,它的灰度是慢慢增加到一定程度然后慢慢減小。還有一種是線性邊緣(Line-edge,它的灰度從一個(gè)級(jí)

2、別跳到另一個(gè)灰度級(jí)別之后然后回來。邊緣檢測(cè)是圖像處理與識(shí)別中最基礎(chǔ)的內(nèi)容之一,一幅圖像就是一個(gè)信息系統(tǒng),其大量信息是由它的輪廓邊緣提供的。因此,邊緣提取與檢測(cè)在圖像處理中占有很重要的地位,其算法的優(yōu)劣直接影響著所研制系統(tǒng)的性能。傳統(tǒng)的邊緣檢測(cè)方法基于空間運(yùn)算,借助空域微分算子進(jìn)行,通過將算子模板與圖像進(jìn)行卷積合成,根據(jù)模板的大小和元素值的不同有不同的微分算子,如Robert算子、Sobel算子、Prewitt算子、LOG算子、Canny算子等,這些空域邊緣算子對(duì)噪聲都比較敏感,且常常會(huì)在檢測(cè)邊緣的同時(shí)加強(qiáng)噪聲。近年來出現(xiàn)了一些新的邊緣檢測(cè)的方法,對(duì)噪聲有很好的抑制作用,且能更好地檢測(cè)邊緣細(xì)節(jié)信

3、息。像小波、形態(tài)學(xué)、分形理論、模糊學(xué)、人工智能、遺傳算法等方法,本文將對(duì)這些方法作一一介紹。1傳統(tǒng)的邊緣檢測(cè)方法導(dǎo)數(shù)算子具有突出灰度變化的作用,對(duì)圖像運(yùn)用導(dǎo)數(shù)算子,灰度變化較大的點(diǎn)處算得的值較高,因此我們將圖像的導(dǎo)數(shù)算子運(yùn)算值作為相應(yīng)的邊界強(qiáng)度,所以可通過這些導(dǎo)數(shù)值設(shè)置閾值,提取邊界的點(diǎn)集。一階導(dǎo)數(shù)是最簡(jiǎn)單的導(dǎo)數(shù)算子。已知在點(diǎn)f(x,y處,梯度grad(f(x,y的幅度為:grad(f(x,y=!f!x"#2+!f!y"$2%&12為進(jìn)一步簡(jiǎn)化計(jì)算,可以取:|grad(f(x,y|=|x f|+|y f|或者:|grad(f(x,y|=max(|x f|+|y f|

4、式中:x f=f(x,y-f(x+1,yy f=f(x,y-f(x,y+1它們分別求出了灰度在x和y方向上的變化率,但是要對(duì)圖像邊緣檢測(cè)方法研究魏偉波芮筱亭(南京理工大學(xué)動(dòng)力工程學(xué)院,南京210094摘要邊緣檢測(cè)是圖像處理和模式識(shí)別領(lǐng)域的基本課題。闡述了傳統(tǒng)的邊緣檢測(cè)方法微分算子法和現(xiàn)代的一些邊緣檢測(cè)方法小波分析、形態(tài)學(xué)、分形、模糊學(xué)、人工智能、遺傳算法等,分析了以上各種算法在圖像邊緣檢測(cè)中的發(fā)展?fàn)顩r及其優(yōu)缺點(diǎn)。為了直觀地看出各種算法的效果,給出了用一些常用算法對(duì)同一幅目標(biāo)圖像進(jìn)行邊緣提取的結(jié)果。最后提出在實(shí)踐中應(yīng)根據(jù)待解決問題的特點(diǎn)和要求決定采用何種方法。關(guān)鍵詞邊緣檢測(cè)導(dǎo)數(shù)算子現(xiàn)代方法比較文

5、章編號(hào)1002-8331(200630-0088-04文獻(xiàn)標(biāo)識(shí)碼A中圖分類號(hào)TP301Study on Edge Detection MethodWEI Wei-bo RUI Xiao-ting(Institute of Power Engineering,Nanjing University of Science&Technology,Nanjing210094 Abstract:The edge detection is one of the fundamental topics in the image analyses and the pattern recognition.T

6、his paper introduces traditional methods and modern methods of edge detection,such as wavelet and morphology.Development and characters of these methods applied in image edge detection are analyzed.In order to have an intuitional look at the effect of each algorithm,we give the results of the experi

7、ments in which the common algorithm are used to detect image edge of the same image.Finally,we point out that choosing which algorithm largely depends on the nature of the investigation problem.Keywords:edge detection,derivative operator,modern method,comparison基金項(xiàng)目:國(guó)家部委預(yù)研項(xiàng)目作者簡(jiǎn)介:魏偉波(1981-,男,主要研究領(lǐng)域?yàn)槟?/p>

8、標(biāo)識(shí)別、圖像處理。芮筱亭(1956-,男,教授,博士生導(dǎo)師,主要研究領(lǐng)域?yàn)槟繕?biāo)識(shí)別、圖像處理等。10 0-101 -10圖1Robert算子模板121 000 -1-2-110-1 20-2 10-1圖2Sobel算子模板10-1 10-1 10-1111 000 -1-1-1圖3Prewitt算子模板0-10-14-10-10-1-1-1-18-1-1-1-1圖4LOG算子模板每一個(gè)像素進(jìn)行以上的運(yùn)算,運(yùn)算量較大。所以在實(shí)際中采用小型模板利用卷積來做近似計(jì)算,對(duì)x方向和y方向分別使用一個(gè)模板。1.1Roberts算子Robert算子是一種最簡(jiǎn)單的算子,是一種利用局部差分算子尋找邊緣的算子,它

9、采用對(duì)角線方向相鄰兩像素之差近似梯度幅值檢測(cè)邊緣。檢測(cè)垂直邊緣的效果好于斜向邊緣,定位精度高,對(duì)噪聲敏感。Roberts算子的模板如圖1所示。1.2Sobel算子Sobel算子是濾波算子的形式,用于提取邊緣。圖像中的每個(gè)點(diǎn)都用圖2所示的兩個(gè)模板做卷積,第一個(gè)模板對(duì)垂直邊緣的影響最大;第二個(gè)模板對(duì)水平邊緣影響最大。兩個(gè)卷積的最大值做為該點(diǎn)的輸出,運(yùn)算結(jié)果是一幅邊緣幅度圖像。Sobel算子對(duì)噪聲具有平滑作用,可以提供較為精確的邊緣信息,但它同時(shí)也會(huì)檢測(cè)出許多的偽邊緣,邊緣定位精度不夠高。當(dāng)對(duì)精度要求不是很高時(shí),是一種較為常用的邊緣檢測(cè)方法。1.3Prewitt算子與Sobel算子相同,圖像中的每個(gè)

10、點(diǎn)都用圖3所示的兩個(gè)模板作卷積,并且取最大值作為輸出,結(jié)果是一幅邊緣幅度的圖像。1.4Canny算子Canny邊緣檢測(cè)的算法是通過尋找圖像梯度的局部極大值,梯度是用高斯函數(shù)的一階微分來計(jì)算的。其算法的實(shí)質(zhì)是用一個(gè)準(zhǔn)高斯函數(shù)作平滑運(yùn)算,然后以帶方向的一階微分定位導(dǎo)數(shù)最大值。在Canny方法中,通過兩個(gè)閾值來分別檢測(cè)強(qiáng)邊緣和弱邊緣;當(dāng)且僅當(dāng)弱邊緣與強(qiáng)邊緣連接時(shí),弱邊緣才被輸出。Canny算子比Roberts算子、Sobel算子和Prewitt算子極小值算法的去噪能力都要強(qiáng),能夠在噪聲和邊緣檢測(cè)間取得較好的平衡,能夠檢測(cè)到真正的弱邊緣。但它也容易平滑掉一些邊緣信息。1.5拉普拉斯高斯算子拉普拉斯高斯

11、(LOG算子是一種二階導(dǎo)數(shù)算子。它通過尋找圖像灰度值中二階微分中的過零點(diǎn)來檢測(cè)邊緣點(diǎn)。其原理是:灰度緩變形成的邊緣經(jīng)過微分算子形成一個(gè)單峰函數(shù),峰值位置對(duì)應(yīng)邊緣點(diǎn);對(duì)單峰函數(shù)進(jìn)行微分,則峰值處的微分值為0,峰值兩側(cè)符號(hào)相反,而原先的極值點(diǎn)對(duì)應(yīng)二階微分中的過零點(diǎn),通過檢測(cè)過零點(diǎn)即可將圖像的邊緣提取出來。在實(shí)際中,為了去除噪聲影響,首先要用高斯函數(shù)對(duì)圖像進(jìn)行濾波,然后對(duì)濾波后的圖像求二階導(dǎo)數(shù)。!2G(x,y*f(x,y=!2G(x,y*f(x,y式中,!2G(x,y為拉普拉斯高斯算子,即:!2G(x,y=12!4x2+y2!2-2exp-x2+y22!2邊緣檢測(cè)實(shí)際上就是求!2G(x,y的過零點(diǎn)。

12、為了運(yùn)算方便,函數(shù)的LOG算子也是借助模板來實(shí)現(xiàn)的。常用的模板如圖4所示。LOG算法被認(rèn)為是微分法中利用平滑二階微分檢測(cè)圖像邊緣最成功的一種算子。2現(xiàn)代的邊緣檢測(cè)方法2.1基于小波的邊緣檢測(cè)小波變換是傳統(tǒng)的Fourier變換的繼承和發(fā)展,具有一定的分析非平穩(wěn)信號(hào)的能力,主要表現(xiàn)在高頻處的時(shí)間分辨率高,低頻處的頻率分辨率高,即具有變焦特性,因此特別適合于圖像這一類非平穩(wěn)信號(hào)的處理。經(jīng)典的邊緣檢測(cè)算子都沒有自動(dòng)變焦的思想。通過小波多尺度提取圖像邊緣是一種非常有效的方法。由于小波變換具有的多尺度特性,圖像的每個(gè)尺度的小波變換都提供了一定的邊緣信息。當(dāng)尺度小時(shí),圖像的邊緣細(xì)節(jié)信息較為豐富,邊緣定位精度

13、較高,但易受到噪聲的干擾;大尺度時(shí),圖像的邊緣穩(wěn)定,抗噪性好,但定位精度差。將各尺度的邊緣圖像的結(jié)果綜合起來,發(fā)揮大小尺度的優(yōu)勢(shì),就能得到精確的圖像。多尺度邊緣檢測(cè)的基本思想就是沿梯度方向,分別用幾個(gè)不同尺度的邊緣檢測(cè)算子在相應(yīng)點(diǎn)上檢測(cè)模極大值的變換情況,并通過對(duì)閾值的選取,再在不同尺度上進(jìn)行綜合,得到最終邊緣圖像,可以較好的解決噪聲和定位精度之間的矛盾。2.2基于形態(tài)學(xué)的邊緣檢測(cè)數(shù)學(xué)形態(tài)學(xué)是一種非線性濾波方法,在圖像處理中已獲得了廣泛的應(yīng)用。形態(tài)學(xué)運(yùn)算是物體形狀集合與結(jié)構(gòu)元素之間的相互作用,對(duì)邊緣方向不敏感,并能在很大程度上抑制噪聲和探測(cè)真正的邊緣。同時(shí)數(shù)學(xué)形態(tài)學(xué)在圖像處理方面還具有直觀上的

14、簡(jiǎn)單性和數(shù)學(xué)上的嚴(yán)謹(jǐn)性,在描述圖像中物體形狀特征上具有獨(dú)特的優(yōu)勢(shì)。因此,將數(shù)學(xué)形態(tài)學(xué)用于邊緣檢測(cè),既能有效地濾除噪聲,又可保留圖像中的原有細(xì)節(jié)信息,具有較好的邊緣檢測(cè)效果。數(shù)學(xué)形態(tài)學(xué)的主要內(nèi)容是設(shè)計(jì)一整套變換,來描述圖像的基本特征或基本結(jié)構(gòu)。最常用的有7種基本變換,分別是膨脹、腐蝕、開、閉、擊中、薄化、厚化。其中膨脹和腐蝕是兩種最基本最重要的變換,其它變換由這兩種變換的組合來定義。如:先腐蝕后膨脹的過程稱為“開”運(yùn)算,它具有消除細(xì)小物體,在纖細(xì)處分離物體和平滑較大物體邊界的作用;先膨脹后腐蝕的過程稱為“閉”運(yùn)算,具有填充物體內(nèi)細(xì)小空洞,連接鄰近物體和平滑邊界的作用。該算法簡(jiǎn)單,適于并行處理,且

15、易于硬件實(shí)現(xiàn),適于對(duì)二值圖像進(jìn)行邊緣提取。用數(shù)學(xué)形態(tài)學(xué)運(yùn)算進(jìn)行邊緣檢測(cè)也存在著一定的不足,比如結(jié)構(gòu)元素單一的問題。它對(duì)與結(jié)構(gòu)元素同方向的邊緣敏感,而與其不同方向的邊緣或噪聲會(huì)被平滑掉,即邊緣的方向可以由結(jié)構(gòu)元素的形狀確定。但如果采用對(duì)稱的結(jié)構(gòu)元素,又會(huì)減弱對(duì)圖像邊緣的方向敏感性。所以在邊緣檢測(cè)中,可以考慮用多方位的形態(tài)結(jié)構(gòu)元素,運(yùn)用不同的結(jié)構(gòu)元素的邏輯組合檢測(cè)出不同方向的邊緣。梁勇7等人構(gòu)造的8個(gè)方向的多方位形態(tài)學(xué)結(jié)構(gòu)元素,應(yīng)用基本形態(tài)運(yùn)算,得到8個(gè)方向的邊緣檢測(cè)結(jié)果,再把這些結(jié)果進(jìn)行歸一化運(yùn)算、加權(quán)求和,得到最終的圖像邊緣。該算法在保持圖像細(xì)節(jié)特征和平滑邊緣等方面,取得了很好的效果。將模糊集

16、合理論用于數(shù)學(xué)形態(tài)學(xué)就形成了模糊形態(tài)學(xué)。模糊形態(tài)學(xué)是傳統(tǒng)形態(tài)學(xué)從二值邏輯向模糊邏輯的推廣,與傳統(tǒng)數(shù)學(xué)形態(tài)學(xué)有相似的計(jì)算結(jié)果和相似的代數(shù)特性。Todd和Hirohisa將模糊形態(tài)學(xué)推廣到了邊緣檢測(cè)領(lǐng)域。目前,數(shù)學(xué)形態(tài)學(xué)在理論上已趨于完備,與實(shí)際應(yīng)用相結(jié)合,使之能用于實(shí)時(shí)處理將是今后發(fā)展的一個(gè)重要方向。2.3基于分形理論的邊緣檢測(cè)任意一幅圖像都是有灰度的、非嚴(yán)格自相似的,不具有整體與局部的自相似,但卻存在局部之間的自相似,即從局部上存在一定程度近似的分形結(jié)構(gòu)。正是由于存在局部之間的相似性,就可以構(gòu)造圖像的迭代函數(shù)。分形幾何中的壓縮映射定理,可以保證局部迭代函數(shù)的收斂,而分形幾何中的拼貼定理,就允許

17、一個(gè)完整圖像分成若干個(gè)分形結(jié)構(gòu),即構(gòu)成一個(gè)迭代函數(shù)系統(tǒng)。有了這個(gè)迭代函數(shù)系統(tǒng),就必然決定了唯一的分形圖形。這個(gè)圖形被稱為迭代函數(shù)系統(tǒng)的吸引子。因此,壓縮映射定理和拼貼定理,構(gòu)成了分形在圖像處理中的核心部分。對(duì)于給定的一幅圖像,尋找一個(gè)迭代函數(shù)系統(tǒng),使它的吸引子與原圖像盡量地吻合,因?yàn)榈瘮?shù)系統(tǒng)的吸引子與原圖像間必然存在著差異,圖像中的每個(gè)子圖分形結(jié)構(gòu)也不同程度上存在差異,因此,子圖的分形失真度大小不一,處在邊緣區(qū)的子圖的分形失真度比較大,而處在平坦區(qū)或紋理區(qū)子圖的分形失真度相對(duì)比較小。因此,就可以利用圖像邊緣在分形中的這一性質(zhì)來提取圖像的邊緣。在檢測(cè)圖像邊緣時(shí),采用某種度量方法(如最小二乘法

18、測(cè)量子塊與最佳匹配父塊的失真度,當(dāng)計(jì)算的失真度值越大時(shí),對(duì)應(yīng)的邊緣塊越強(qiáng),否則,對(duì)應(yīng)的邊緣塊越弱。設(shè)定某一閾值,作為區(qū)分邊緣塊的界限,與最佳匹配父塊的失真度大于閾值的子塊,就被劃為邊緣塊。2.4基于模糊學(xué)的邊緣檢測(cè)為了用不精確的知識(shí)表達(dá)事件,人們提出了模糊集合的概念。模糊集合理論能較好地描述人類視覺中的模糊性和隨機(jī)性。在模式識(shí)別的各個(gè)層次都可以使用模糊集合理論,如在特征層,可將輸入模式表達(dá)成隸屬度值的矩陣:在分類層,可表達(dá)模糊模式的多類隸屬度值,并提供損失信息的估計(jì)。模糊集合理論主要可解決在模式識(shí)別的不同層次中,由于信息不全面、不準(zhǔn)確、含糊、矛盾等造成的不確定性問題。80年代中期,Pal 和K

19、ing等人提出了一種圖像邊緣檢測(cè)模糊算法16,首次將模糊集理論引入到圖像的邊緣檢測(cè)算法中,能有效地將物體從背景中分離出來,并在模式識(shí)別和醫(yī)療圖像處理中獲得了良好的應(yīng)用。該算法的思想是首先用隸屬度函數(shù)G將圖像映射成一個(gè)模糊隸屬度矩陣,然后對(duì)該矩陣進(jìn)行多次非線性變換,以增強(qiáng)邊緣信息,削弱非邊緣信息,再對(duì)模糊隸屬度矩陣進(jìn)行G-1變換,易得到經(jīng)過增強(qiáng)的圖像,最后用“min”和“max”算子17提取邊緣。該算法也存在一些缺陷,比如損失了一些低灰度值邊緣信息,并且運(yùn)算復(fù)雜。文獻(xiàn)18對(duì)Pal算法進(jìn)行了改進(jìn),提高了抗噪性能;文獻(xiàn)19則主要針對(duì)Pal算法速度慢的問題,提出了一種快速算法,提高了檢測(cè)速度。2.5基

20、于人工智能的邊緣檢測(cè)人工神經(jīng)網(wǎng)絡(luò)(ANN是用大量的、非常簡(jiǎn)單的計(jì)算處理單元(神經(jīng)元構(gòu)成的非線性系統(tǒng)。它在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理、存儲(chǔ)和檢索功能,具有學(xué)習(xí)、記憶、計(jì)算等各種能力。它的特點(diǎn)是使用多個(gè)基本的非線性計(jì)算元素,并將它們組成網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是進(jìn)行模式識(shí)別的一種重要工具和方法。它需要的輸入知識(shí)較少,也比較適合于并行實(shí)現(xiàn)。近年來,人工神經(jīng)網(wǎng)絡(luò)正廣泛地被用于模式識(shí)別、信號(hào)與圖像處理、人工智能及自動(dòng)控制等領(lǐng)域。神經(jīng)網(wǎng)絡(luò)的主要問題是輸入與輸出層的設(shè)計(jì)問題、網(wǎng)絡(luò)數(shù)據(jù)的準(zhǔn)備問題、網(wǎng)絡(luò)權(quán)值的準(zhǔn)備及確定問題、隱層數(shù)及結(jié)點(diǎn)的問題、網(wǎng)絡(luò)的訓(xùn)練問題。在各種神經(jīng)網(wǎng)絡(luò)模型中,應(yīng)用最廣泛的一類是前

21、饋神經(jīng)網(wǎng)絡(luò),用于訓(xùn)練前饋網(wǎng)絡(luò)的最常用的學(xué)習(xí)方法是BP算法。目前已有了很多基于BP網(wǎng)絡(luò)的邊緣檢測(cè)算法,但是BP網(wǎng)絡(luò)收斂速度很慢,容易收斂于局部極小點(diǎn),且數(shù)值穩(wěn)定性差,參數(shù)難以調(diào)整,很難滿足實(shí)際應(yīng)用的要求。Chua和Yang20提出用細(xì)胞神經(jīng)網(wǎng)絡(luò)來檢測(cè)圖像邊緣,這種方法與傳統(tǒng)方法完全不同,首先將圖像映射為一個(gè)神經(jīng)網(wǎng)絡(luò),每個(gè)像素點(diǎn)是一個(gè)神經(jīng)元,然后通過動(dòng)態(tài)方程引導(dǎo)神經(jīng)元的狀態(tài)向神經(jīng)網(wǎng)絡(luò)所定義的最低能量方向變化,來實(shí)現(xiàn)邊緣提取。2.6基于遺傳算法的邊緣檢測(cè)遺傳算法是一種新發(fā)展起來的優(yōu)化算法,是基于自然選擇和基因遺傳學(xué)原理的搜索算法,具有計(jì)算簡(jiǎn)單、功能強(qiáng)等特點(diǎn),已應(yīng)用于邊緣檢測(cè)算法中。對(duì)于圖像的邊緣提取

22、,采用二階的邊緣檢測(cè)算子處理后要進(jìn)行過零點(diǎn)檢測(cè),其計(jì)算量很大、硬件實(shí)時(shí)資源占用大且速度慢,所以學(xué)術(shù)界提出了一種二次搜索尋優(yōu)的閾值選取策略。通過遺傳算法進(jìn)行邊緣提取閾值的自動(dòng)提取,能夠顯著地提高閾值選取的速度,可以對(duì)視覺系統(tǒng)所產(chǎn)生的邊緣圖像進(jìn)行閾值的實(shí)時(shí)自動(dòng)選取,增強(qiáng)了整個(gè)視覺系統(tǒng)的實(shí)時(shí)性和魯棒性。3試驗(yàn)結(jié)果比較及分析對(duì)同一飛機(jī)目標(biāo)圖像分別用Robert算子、Sobel算子、Prewitt算子、LOG算子、Canny算子和形態(tài)學(xué)方法進(jìn)行了邊緣檢測(cè),結(jié)果如圖5圖11所示。經(jīng)典的微分算子,一般首先檢測(cè)出圖像局部特征的不連續(xù)性,然后再將這些不連續(xù)的邊緣像素連成完備的邊界。但由于噪聲也具有灰度變化迅速的

23、特點(diǎn),所以用微分算子邊緣檢測(cè)存在“提升噪聲”的缺點(diǎn),如果進(jìn)行減噪,往往連目標(biāo)信息也一同去除,因此檢測(cè)效果不很理想(參見圖6圖8。LOG算子進(jìn)行邊緣檢測(cè)的效果明顯優(yōu)于前三種算子,特別是邊緣比較完整,位置比較準(zhǔn)確(參見圖9。Canny算子提取的邊緣最為完整,而且邊緣的連續(xù)性很好,效果優(yōu)于以上其他算子(參見圖10。數(shù)學(xué)形態(tài)學(xué)則可以有針對(duì)性地選擇結(jié)構(gòu)元素和變換方式,可對(duì)某一類特定目標(biāo)進(jìn)行減弱或加強(qiáng)(參見圖11。不同的系統(tǒng),針對(duì)不同的環(huán)境條件和要求,需選擇適當(dāng)?shù)姆椒▽?duì)圖像進(jìn)行邊緣檢測(cè)。4結(jié)束語綜上所述,在圖像邊緣檢測(cè)領(lǐng)域盡管研究了小波、形態(tài)學(xué)、分形理論、模糊學(xué)、人工智能、遺傳算法等多種方法,但它們都不是

24、一種具有絕對(duì)優(yōu)勢(shì)的方法,有的方法邊緣檢測(cè)精度高,但抗噪聲性能較差;有的方法解決了抗噪聲性能差的問題,而檢測(cè)精度又不夠;還有一些方法盡管在一定程度上較好地解決了上述兩者的協(xié)調(diào)問題,但算法復(fù)雜,運(yùn)算時(shí)間長(zhǎng)?？梢?無論哪一種邊緣檢測(cè)算法在解決一定問題的同時(shí)也存在不同類型的缺陷。實(shí)質(zhì)上,邊緣檢測(cè)作為視覺的初級(jí)階段,通常認(rèn)為是一個(gè)病態(tài)問題,很難從根本上解決。因而,尋求算法較簡(jiǎn)單、能較好解決邊緣檢測(cè)精度與抗噪聲性能協(xié)調(diào)問題的邊緣檢測(cè)算法將一直是圖像處理與分析中研究的主要問題之一。(收稿日期:2006年1月參考文獻(xiàn)1.T Poggio,H Voorhees,A Yuille.A Regularized So

25、lution to Edge De-tectionR.Tech Rep MA,Rep AIM-833,MIT Artificial Intell Lab,19852.馮俊萍,趙轉(zhuǎn)萍,徐濤.基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)技術(shù)J.航空計(jì)算技術(shù),2004;34(3:53563.四維科技,胡小鋒,趙輝.Visual C+/MATLAB圖像處理與識(shí)別實(shí)用案例精選M.北京:人民郵電出版社,20044.董長(zhǎng)虹,賴志國(guó),余嘯海.Matlab圖像處理與應(yīng)用M.北京:國(guó)防工業(yè)出版社,20045.王樹文,閆成新,張?zhí)煨?數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用J.計(jì)算機(jī)工程與應(yīng)用,2004;40(32:89926.季虎,孫即祥,邵曉芳.圖像邊緣提取方法及展望J.計(jì)算機(jī)工程與應(yīng)用,2004;40(14:70738.劉勍,張久文,溫志賢.基于數(shù)學(xué)形態(tài)學(xué)的圖像處理J.天水師范學(xué)院學(xué)報(bào),2004;24(2:29339.姚峰林,詹海英,李元宗.機(jī)器視覺中的邊緣檢測(cè)技術(shù)研究J.機(jī)械工程與自