癌細胞邊緣檢測基于迭代算法和腐蝕算法的輪廓提取畢業(yè)論文

癌細胞邊緣檢測（基于迭代算法和腐蝕算法的輪廓提?。┱崞鸢┌Y很多人都會感到恐懼，癌癥是當今世界上最常見的致命疾病之一，世界上每年都有很多人死于癌癥，并且發(fā)病率仍在逐年上升。癌癥的治療取決于對他早期的診斷，早期是治療癌癥的最佳時期?，F(xiàn)在大多數(shù)癌癥病例確診的時候已經屬于晚期，失去了治愈的最佳時機，因此進行準確的早期診斷和治療已成為迫切需要解決的問題。因為癌細胞和非癌細胞對于病理專家在傳統(tǒng)的顯微鏡下觀察切片或涂片的方法下很難進行區(qū)分，借助現(xiàn)代計算機技術結合病理專家實踐經驗，采用圖像處理技術對醫(yī)學圖像進行處理，可以提高判斷的有效性和圖像信息的使用效率，從而對癌細胞進行更加準確的識別。這對醫(yī)學科研與教學，以與臨床診斷方面有著現(xiàn)實的意義和廣闊的前景。數(shù)字圖像處理技術已被廣泛應用到生物醫(yī)學領域，運用計算機對圖像進行處理和分析，并進一步完成癌細胞的檢測與識別，能有效的協(xié)助醫(yī)生對腫瘤癌癥做出診斷。在識別癌細胞時，需要做出定量的結果，人眼很難準確的完成這類工作，而利用計算機圖像處理完成顯微圖像的分析和識別已經取得了很大的進展。近年來國外醫(yī)學圖像研究者對癌細胞的檢測識別提出了很多理論和方法，對癌細胞的診斷具有十分重要的意義和實踐價值。細胞邊緣的檢測是進行細胞面積圓度個數(shù)和顏色等形態(tài)與色度學的計算和分析的基礎，其檢測結果直接影響病情的分析和診斷結果。經典的邊緣檢測算子如Sobel算子，Laplacian算子等利用圖像的每個像素鄰域灰度的變化來檢測邊緣。雖然這些算子計算簡單、速度較快，但存在對噪聲干擾敏感，得到孤立或分小段連續(xù)邊緣像素，重疊相鄰細胞邊緣等缺陷，而利用最佳閥值分割和輪廓提取相結合的方法進行邊緣檢測，通過迭代算法求得圖像分割的最佳閾值，再利用輪廓提取算法，挖去細胞部像素點，最后剩余部分圖像就是細胞的邊緣，改變了傳統(tǒng)邊緣檢測算法的處理順序，通過MATLAB編程實現(xiàn)后，實驗結果表明能有效抑制噪聲干擾影響，同時能夠客觀地、正確地選取邊緣檢測的門限值，從而進行精確的細胞邊緣檢測。關鍵詞：癌細胞，邊緣檢測，最佳閾值，輪廓提取，數(shù)字圖像處理

CANCERCELLEDGEDETECTION(BASEDONITERATIVEALGORITHMANDCORROSIONALGORITHM,CONTOUREXTRACTION)ABSTRACTManypeoplewillmentioncancerfear,cancerisoneofthemostcommonfataldiseasesintheworldtodaytheworldeveryyearmanypeopledieofcancer,andincidencerateisstillincreasingeveryyear.Thetreatmentofcancerdependsonthediagnosisofhisearly,earlyisthebestperiodofthetreatmentofcancer.Thetimeofdiagnosisofmostcasesofcancerarenowbelongtothelate,lostthebesttimetocure,sotheaccurateearlydiagnosisandtreatmenthasbecomeanurgentneedtoaddresstheproblem.Cancercellsandnon-cancerpathologyexpertsinatraditionalmicroscopetoobservethebiopsyorsmeardifficulttodistinguish,withthehelpofmoderncomputertechnology,combinedwithpracticalexperienceofthepathologist,medicalimageprocessingusingimageprocessingtechnology,canimprovetojudgetheeffectivenessandefficiencyintheuseoftheimageinformationandthusmoreaccurateidentificationofcancercells.Thishaspracticalsignificanceandbroadprospectsformedicalresearchandteaching,andclinicaldiagnosis.Digitalimageprocessingtechniquehasbeenwidelyappliedtothebiomedicalfield,theuseofcomputerimageprocessingandanalysis,andcompletedetectionandrecognitionofcancercellscanhelpdoctorsmakeadiagnosisoftumorcancers.Needtobemadeintheidentificationofcancercells,thequantitativeresults,thehumaneyeisdifficulttoaccuratelycompletesuchwork,andtheuseofcomputerimageprocessingtocompletetheanalysisandidentificationofthemicroscopicimageshavemadegreatprogress.Inrecentyears,domesticandforeignmedicalimagesofcancercellstestingtoidentifytheresearchersputforwardalotoftheoryandmethodforthediagnosisofcancercellshasveryimportantmeaningandpracticalvalue.Celledgedetectionisthecellareaof??thenumberofroundnessandcolor,shapeandchromaticitycalculationandthebasisoftheanalysistheirtestresultsdirectlyaffecttheanalysisanddiagnosisofthedisease.ClassicaledgedetectionoperatorssuchasSobeloperator,Laplacianoperator,eachpixelneighborhoodoftheimagegrayscalechangestodetecttheedge.Althoughtheseoperatorsissimple,fast,buttherearesensitivetonoise,getisolatedorinshortsectionsofacontinuousedgepixels,overlappingtheadjacentcelledgedefects,whiletheoptimalthresholdsegmentationandcontourextractionmethodofcombiningedgedetection,obtainedbytheiterativealgorithmfortheoptimalthresholdforimagesegmentation,contourextractionalgorithm,digginginsidethecellpixels,thelastremainingpartoftheimageistheedgeofthecell,changetheprocessingorderofthetraditionaledgedetectionalgorithm,byMATLABprogramming,theexperimentalresultsthatcaneffectivelysuppressthenoiseimpactatthesametimebeabletoobjectivelyandcorrectlyselecttheedgedetectionthreshold,precisioncelledgedetection.KEYWORDS：Thecancercells,edgedetection,andoptimalthreshold,contourextraction,digitalimageprocessing畢業(yè)論文（設計）原創(chuàng)性聲明本人所呈交的畢業(yè)論文（設計）是我在導師的指導下進行的研究工作與取得的研究成果。據(jù)我所知，除文中已經注明引用的容外，本論文（設計）不包含其他個人已經發(fā)表或撰寫過的研究成果。對本論文（設計）的研究做出重要貢獻的個人和集體，均已在文中作了明確說明并表示意。作者簽名：日期：畢業(yè)論文（設計）授權使用說明本論文（設計）作者完全了解**學院有關保留、使用畢業(yè)論文（設計）的規(guī)定，學校有權保留論文（設計）并向相關部門送交論文（設計）的電子版和紙質版。有權將論文（設計）用于非贏利目的的少量復制并允許論文（設計）進入學校圖書館被查閱。學?？梢怨颊撐模ㄔO計）的全部或部分容。的論文（設計）在解密后適用本規(guī)定。

作者簽名：指導教師簽名：日期：日期：注意事項1.設計（論文）的容包括：1）封面（按教務處制定的標準封面格式制作）2）原創(chuàng)性聲明3）中文摘要（300字左右）、關鍵詞4）外文摘要、關鍵詞5）目次頁（附件不統(tǒng)一編入）6）論文主體部分：引言（或緒論）、正文、結論7）參考文獻8）致9）附錄（對論文支持必要時）2.論文字數(shù)要求：理工類設計（論文）正文字數(shù)不少于1萬字（不包括圖紙、程序清單等），文科類論文正文字數(shù)不少于1.2萬字。3.附件包括：任務書、開題報告、外文譯文、譯文原文（復印件）。4.文字、圖表要求：1）文字通順，語言流暢，書寫字跡工整，打印字體與大小符合要求，無錯別字，不準請他人代寫2）工程設計類題目的圖紙，要求部分用尺規(guī)繪制，部分用計算機繪制，所有圖紙應符合國家技術標準規(guī)。圖表整潔，布局合理，文字注釋必須使用工程字書寫，不準用徒手畫3）畢業(yè)論文須用A4單面打印，論文50頁以上的雙面打印4）圖表應繪制于無格子的頁面上5）軟件工程類課題應有程序清單，并提供電子文檔5.裝訂順序1）設計（論文）2）附件：按照任務書、開題報告、外文譯文、譯文原文（復印件）次序裝訂3）其它目錄TOC\o"1-3"\h\z前言1第1章圖像處理基礎3§1.1數(shù)字圖像處理基本知識3§1.2圖像灰度化5§1.3圖像平滑濾波6§1.3.1鄰域平均濾波6§1.3.2中值濾波7第2章邊緣檢測9§2.1邊緣檢測概述9§2.2經典邊緣檢測算子9§2.2.1Robert算子10§2.2.2Sobel算子和Prewitt算子10§2.2.3Krisch算子10§2.2.4Laplacian算子11§2.2.5Canny算子11§2.2.6LoG(LaplacianofGaussian)算子11第3章基于迭代算法和腐蝕算法的輪廓提取13§3.1迭代算法概述133.1.1應用舉例13§3.2最佳閾值分割迭代法14§3.3腐蝕算法153.3.1集合論方法的理論基礎153.3.2圖像的腐蝕16§3.4輪廓提取16第4章程序分析18§4.1邊緣檢測的MATLAB實現(xiàn)18§4.2程序與分析18§4.3實例結果22結論25參考文獻26致28前言隨著計算機技術的不斷發(fā)展，對顯微鏡下細胞形態(tài)的自動圖像識別、細胞形態(tài)的檢測與細胞的邊緣檢測是醫(yī)學檢測中的一個重要部分，很多疾病的診治主要依靠醫(yī)學專家觀察標本中細胞的形態(tài)、色度對細胞進行識別和分類。目前最普遍和主要的方法是使用光學顯微鏡，觀察經過染色的標本，根據(jù)每種細胞形態(tài)、色度的不同進行分類。這種傳統(tǒng)的人工分類的工作重復而簡單、效率低下、精確度不高。隨著計算機模式識別技術和人工智能研究的不斷發(fā)展，人們把目光投向了對細胞圖像的自動識別上，這樣大大的提高了檢查的效率和精確度。國外都有一些利用邊緣檢測診斷癌細胞如肺中的癌細胞的研究，在腫瘤細胞識別方面較成功的是Autpap和Papnet,但這種技術目前只能局限于宮頸等圖片。此外，ThiranJP等介紹了一種從顯微鏡圖像中識別癌細胞組織的方法，該方法利用數(shù)學形態(tài)學等理論，基于細胞的形狀和大小，提取了惡性腫瘤四個診斷標準的客觀數(shù)值。對于其它一些可制作病理涂片的腫瘤，國外都有一些腫瘤細胞檢測發(fā)現(xiàn)與分析進行了研究。例如，KraefSK對血液病理圖像和骨髓腫瘤病理圖像中的癌細胞的發(fā)現(xiàn)和檢測分析進行了研究。WeynB采用小波變換描述細胞核結構，對乳腺癌細胞的檢測診斷與分級進行了研究。長期以來，圖像處理技術已經被廣泛應用到各種醫(yī)學應用領域中，其中許多是應用在微觀醫(yī)學與生物學中。醫(yī)學癌細胞的智能診斷研究是國際的難題和前沿課題。國從20世紀50年代起，至少已投入了4000個人/年，其完成的效果為：可以去除樣本中50%的涂片、剩余50%還需人工檢測。因此研究這樣的圖像檢測系統(tǒng)有著重要的理論和實用價值。目前的圖像診斷系統(tǒng)，大多數(shù)已使用了邊緣檢測、形態(tài)學、灰度特征和色度學，并結合專家系統(tǒng)，對癌細胞進行分析和診斷。近年來，我國實現(xiàn)了一套肺癌早期識別和分類系統(tǒng)。該系統(tǒng)將人工作智能技術、圖像處理技術、形態(tài)學和色度學技術、神經網絡以與軟件技術等高新技術綜合應用與肺癌早期細胞病理診斷，解決了肺癌早期細胞病理診斷中的智能化和自動化的若干關鍵問題，并且進行了創(chuàng)新研究。對于胃腸道腫瘤組織細胞的自動識別也有相關報道。目前，肺癌診斷的手段主要有：X光片、CT、MRT、同位素、纖維支氣管鏡（BF）、經皮穿刺活檢等，臨床最可靠的還是病理性診斷，但病理性診斷的先進手段還相當匱乏。由于普查的工作最大，而傳統(tǒng)的肺癌診斷手段主要是依靠人工，受到多種因素的制約，影響診斷的準確性與效率。因此，利用計算機圖像處理技術，減輕人的工作負擔，提高診斷的準確性和效率，研制目標是在癌細胞識別率最高的前提下，假陽性率最小。由于所使用的涂片樣本來自被檢查者的痰液，然后加以染色，和人體活檢涂片相比，痰液中有較多的雜質和菌團，并且肺癌細胞種類不單一。主要有以下三種：磷癌細胞、腺癌細胞和小細胞癌細胞，因而，所處理的問題更加復雜，難度更大。針對這些情況，如果能設計一套切實可行的算法，通過對細胞的邊緣檢測，這里主要采用基于迭代算法和腐蝕算法的邊緣檢測，然后把細胞的形態(tài)學特征，以與色度特征同時用于癌細胞的識別，提高癌細胞診斷的準確性，將對癌細胞的前期診斷和治療起到很大的幫助。細胞邊緣的檢測是進行細胞面積圓度個數(shù)和顏色等形態(tài)與色度學的計算和分析的基礎，其檢測結果直接影響病情的分析和診斷結果。經典的邊緣檢測算子如Sobel算子，Laplacian算子等利用圖像的每個像素鄰域灰度的變化來檢測邊緣。雖然這些算子計算簡單、速度較快，但存在對噪聲干擾敏感，得到孤立或分小段連續(xù)邊緣像素，重疊相鄰細胞邊緣等缺陷，而利用最佳閥值分割和輪廓提取相結合的方法進行邊緣檢測，通過迭代算法求得圖像分割的最佳閾值，再利用輪廓提取算法，挖去細胞部像素點，最后剩余部分圖像就是細胞的邊緣，改變了傳統(tǒng)邊緣檢測算法的處理順序，通過MATLAB編程實現(xiàn)后，實驗結果表明能有效抑制噪聲干擾影響，同時能夠客觀地、正確地選取邊緣檢測的門限值，從而進行精確的細胞邊緣檢測。圖像處理基礎數(shù)字圖像處理基本知識數(shù)字圖像處理又稱計算機圖像處理，就是用計算機處理數(shù)字圖像。而在自然情況下，計算機是不能直接處理圖像的。因為計算機只能對數(shù)字進行處理，所以圖像必須先轉換為數(shù)字形式后才能被計算機處理。任意一幅圖像A可以定義為一個二維函數(shù)f(x,y)，其中x和y是空間坐標，而f在任意一對坐標(x,y)處的幅度稱為該點處圖像的亮度或灰度。圖像A的x和y坐標與幅度均是連續(xù)的，為了把它們轉換成數(shù)字形式，必須對坐標和幅度進行取樣。坐標值數(shù)字化稱為采樣，幅度值數(shù)字化稱為量化。取樣后f和x，y的幅值都是有限的離散值，這樣圖像A則轉換為了數(shù)字圖像，產生的數(shù)字坐標有M行N列。我們慣用一個M×N的矩陣來表示完整的數(shù)字圖像A。經過數(shù)字化處理后，得到的數(shù)字矩陣就作為計算機處理的對象了。廣義地講，數(shù)字圖像處理主要研究的容有以下幾個方面：圖像變換、圖像增強、圖像復原、圖像壓縮編碼、圖像分割、圖像識別等容。（1）圖像變換：圖像數(shù)字化時采樣點是很多的，直接影響就是圖像矩陣陣列很大，如果直接在空間域中進行處理，計算量十分龐大。因此，往往采用各種圖像變換的方法，如傅立葉變換、離散余弦變換、小波變換等。利用這些變換的性質和特點，將圖像轉換到頻域中進行處理。不僅可減少計算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進行數(shù)字濾波處理）。目前新興研究的小波變換在時域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛而有效的應用。（2）圖像增強和復原：為了提高圖像的質量，如去噪，增強圖像的清晰度等，就需要進行圖像增強和復原。圖像增強即突出圖像中感興趣的部分（如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節(jié)明顯；如強化低頻分量可減少圖像中噪聲影響）。圖像復原要求對圖像質量降低的原因有一定的了解，一般講應根據(jù)降質過程建立“降質模型”，并采用某種濾波方法，恢復或重建原來的圖像。（3）圖像壓縮編碼:圖像編碼壓縮技術可減少描述圖像的數(shù)據(jù)量（即比特數(shù)），以便節(jié)省圖像傳輸、處理時間和減少所占用的存儲器容量。壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。（4）圖像分割:圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進一步進行圖像識別、分析和理解的基礎。（5）圖像識別:圖像識別屬于模式識別的疇，其主要容是圖像經過某些預處理（增強、復原、壓縮）后，進行圖像分割和特征提取，從而進行判決分類。近年來新發(fā)展起來的模糊模式識別和人工神經網絡模式分類在圖像識別中受到越來越多的重視。數(shù)字圖像處理的工具可分為三大類：第一類包括各種正交變換和圖像濾波等方法，其共同點是將圖像變換到其它域（如頻域）中進行處理后，再變換到原來的域中；第二類方法是直接在空間域中處理圖像，它包括各種統(tǒng)計方法、微分方法與其它數(shù)學方法；第三類是數(shù)學形態(tài)學運算，它不同于常用的頻域和空間域的方法，是建立在積分幾何和隨機集合論的基礎上的運算。圖像采集系統(tǒng)獲取的源圖像常都含有各種各樣的噪聲和畸變，圖像質量受到了極大的影響。圖像采集過程中，圖像質量會受到光照條件的影響，可能會出現(xiàn)模糊、污損、歪斜等現(xiàn)象。因此，在進行圖像識別之前，先要去掉這些不利因素，突出圖像中的有用信息，以便于特征提取和圖像識別。該階段的準備工作在圖像分析和識別常叫做預處理，包括灰度變換和增強、噪聲的去除、幾何畸變的校正等等。在圖像預處理中，輸入和輸出都是圖像，只是經過預處理后，輸出圖像的質量得到一定程度的改善，可達到改善圖像的視覺效果或者更便于計算機對圖像分析、處理、理解和識別等處理的目的。然而，圖像處理的效果評判缺乏統(tǒng)一標準，某些圖像處理方法，既帶有一定的針對性又帶有一定的局限性，對某類圖像效果較好的處理方法，未必適于另一種圖像，因此，在實際中要找到某種有效的圖像處理方法常常需要做大量的實驗，運用多種處理方法，在選擇、比較的過程中，觀察實驗效果，從中找出最適合的處理方法。圖像灰度化圖像處理的主要對象是圖像，所以有必要了解圖像的存儲格式和顏色模型問題。長期以來，由于各種原因，人們提出了數(shù)量眾多的彩色空間模型，主要分為三類：第一類是基于人類視覺系統(tǒng)（HVS）的彩色空間，它包括RGB，HIS，Munsell彩色空間等；第二類是基于特定應用的彩色空間，它包括電視系統(tǒng)中所采納的YUV和YIQ，印刷系統(tǒng)的CMY(K)彩色空間；第三類是CIE彩色空間（包括CIEXYZ，CIELAB和CIELUV等）。圖像處理格式也有很多種，如JPEG、GIF、BMP等。數(shù)碼攝像機等數(shù)字產品中最常使用的就是RGB彩色空間，RGB彩色空間可以用一個正方體來示意，如圖2.1。原點對應黑色，離原點最遠的頂點對應白色。在這個空間模型中，從黑色到白色的灰度值分布在從原點到離原點最遠頂點間的連線上，而正方體其余各點對應不同的顏色，可用從原點到該點的矢量表示。目前常用的數(shù)據(jù)量化精度是把R、G、B三原色分別量化為0~255共256個等級。經過對RGB三個分量的量化，當一幅圖像的每一個像素點都被賦予不同的RGB值，就能形成彩色圖像了。各彩色值用R、G、B三通道值表示，例如紅色是(255,0,0)、綠色是(0,255,0)、藍色是(0,0,255)。圖1-1RGB彩色空間圖像灰度化的算法主要有以下3種：最大值法：使轉化后R、G、B的值等于轉化前3個值中最大的一個，即：R=G=B=max(R,G,B)公式(1-1)這種方法轉換的灰度圖亮度很高。(2)平均值法：使轉化后R、G、B的值為轉化前R、G、B的平均值，即：公式(1-2)這種方法產生的灰度圖像比較柔和。(3)加權平均值法：按照一定的權值，對R、G、B的值加權平均，即：公式(1-3)其中，、、分別為R、G、B的權值。、、取不同的值，將成不同的灰度圖像。由于人眼對綠色最為敏感，紅色次之，對藍色的敏感性最低，因此使>>。一般情況下，當=0.587、=0.299、=0.114時，得到的灰度圖像效果最好。圖像平滑濾波實際獲得的圖像一般都因受到某種干擾而含有噪聲，由于圖像中噪聲和信號往往交織在一起，如果平滑不恰當會使圖像本身的細節(jié)如邊界輪廓、線條等變得模糊不清，從而使圖像降質。所以需要找到既能平滑圖像中的噪聲，又盡量保持圖像細節(jié)的合理算法。所以需要采用一種濾波技術，濾除不需要的噪聲，保留圖像中的邊緣信息。鄰域平均濾波所謂鄰域平均法[13]，就是從圖像中選取一個子區(qū)域，讓被干擾的像素位于其中央，然后求出其鄰域各像素灰度的平均值，最后以該平均值取代被干擾像素的灰度值，從而提高該圖像的質量，稱此法為鄰域平均法。鄰域平均法是一種在空間域上對圖像進行平滑處理的一種方法。令被研究像素的灰度值為F(j,k)，以其為中心，窗口像素組成的點集用A表示，點集A中像素個數(shù)用L表示，經鄰域平均法濾波后，像素F(j,k)的對應的輸出為：公式(1-4)即為窗口像素的平均值，用它代替F(j,k)原來的灰度值。鄰域平均法平滑時，鄰域的選取通常有兩種方式：以單位距離為半徑或單位距離的倍為半徑。以3×3窗口為例，單位距離為半徑時，其鄰域為：公式(1-5)單位距離的倍為半徑時，其鄰域為：公式(1-6)前者稱之為四點鄰域，后者稱之為八點鄰域。四點鄰域時，L=4；八點鄰域時，L=8。中值濾波中值濾波是對一個滑動窗口的諸像素灰度值排序，用其中值代替窗口中心像素的原來灰度值，因此它是一種非線性的圖像平滑濾波法。它對脈沖干擾與椒鹽噪聲的抑制效果好，在抑制隨機噪聲的同時能有效保護邊緣少受模糊。中值濾波首先是被應用在一維信號處理技術（時間序列分析）中，后來被二維圖像信號處理技術所引用，在一定條件下可以克服線性濾波器如最小均方濾波，均值濾波等帶來的圖像細節(jié)模糊，對濾波脈沖干擾與圖像掃描噪聲最為有效。中值濾波原理非常簡單：用一個窗口W在圖像上掃描，把W包含的像素點的灰度值按照升序或降序排列，取灰度值居中的像素灰度值為窗口中心像素的灰度值，便完成了中值濾波。中值濾波的數(shù)學表達式為：公式(1-7)通常窗口像素數(shù)目為奇數(shù)，以便有中間像素值，若窗口像素數(shù)目為偶數(shù)，則中值取中間兩像素灰度的平均值。設有一個一維序列，取窗口長度為x（x為奇數(shù)），對此序列進行中值濾波，就是從輸入序列中相繼取出x個數(shù)，，其中為窗口的中心值，再將這x個點值按其數(shù)值大小排列，取其正中間那兩個數(shù)作為濾波器輸出。邊緣檢測邊緣檢測概述利用計算機進行圖像處理有兩個目的：產生更適合人類觀察和識別的圖像；希望能由計算機自動識別和理解圖像。無論為了哪種目的，圖像處理中關鍵的一步就是對包含有大量各式各樣景物信息的圖像進行分解。分解的最終結果是被分解成一些具有某種特征的最小成分，稱為圖像的基元。相對于整幅圖像來說，這種基元更容易被快速處理。圖像的特征是指圖像場中可用作標志的屬性，它可以分為圖像的統(tǒng)計特征和圖像的視覺特征兩類。圖像的統(tǒng)計特征是指一些人為定義的特征，通過變換才能得到，如圖像的直方圖、矩、頻譜等；圖像的視覺特征是指人的視覺可直接感受到的自然特征，如區(qū)域的亮度、紋理或輪廓等。利用這兩類特征把圖像分解成一系列有意義的目標或區(qū)域的過程稱為圖像的分割。圖像最基本的特征是邊緣，所謂邊緣是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。它存在于目標與背景、目標與目標、區(qū)域與區(qū)域、基元與基元之間，因此，它是圖像分割所依賴的最重要的特征,也是紋理特征的重要信息源和形狀特征的基礎，而圖像的紋理形狀特征的提取又常常要依賴于圖像分割。圖像的邊緣提取也是圖像匹配的基礎，因為它是位置的標志，對灰度的變化不敏感，可作為匹配的特征點。圖像的邊緣是由灰度不連續(xù)性所反映的。經典的邊緣提取方法是考察圖像的每個像素在某個區(qū)域灰度的變化，利用邊緣鄰近一階或二階方向導數(shù)變化規(guī)律，用簡單的方法檢測邊緣，這種方法稱為邊緣檢測局部算子法。經典邊緣檢測算子邊緣的種類可以分為兩種：①階躍性邊緣，它兩邊的像素的灰度值有顯著的不同；②屋頂狀邊緣，它位于灰度值從增加到減少的變化轉折點。對于階躍性邊緣，二階方向導數(shù)在邊緣處呈零交叉；對于屋頂狀邊緣，二階方向導數(shù)在邊緣處取極值。如果一個像素落在圖像中某一個物體的邊界上，那么它的領域將成為一個灰度級的變化帶。對這種變化最有用的兩個特征是灰度的變化率和方向,它們分別以梯度向量的幅度和方向來表示。邊緣檢測算子檢查每個像素的領域并對灰度變化率進行量化，也包括方向的確定，大多數(shù)使用基于方向導數(shù)掩模求卷積的方法。下面介紹幾種常用的邊緣檢測算子。Robert算子它是2×2算子，利用局部差分算子尋找邊緣，計算沿45°方向的一階差分。圖像的梯度為兩個45°方向的梯度向量和，直接計算圖像差分，不包含平滑，故不能抑制噪聲，對具有陡峭的低噪聲圖像響應最好。它是一種利用局部差分算子尋找邊緣的算子：公式（2-1）其中，f(x,y)是具有整數(shù)像素坐標的輸入圖像，平方根運算使該處理類似于在人類視覺系統(tǒng)中發(fā)生的過程。Sobel算子和Prewitt算子為在檢測邊緣的同時減少噪聲的影響，Prewitt從加大邊緣檢測算子的模板大小出發(fā)，由2×2擴大到3×3來計算差分算子，如圖2-1(a)所示。采用Prewitt算子不僅能檢測邊緣點，而且能抑制噪聲的影響。-101-101-101-1-2-1000121-101-202-101-1-1-1000111(a)Prewitt算子(b)Sobel算子圖2-1Sobel算子和Prewitt算子Krisch算子它有八個卷積核，圖像中每個點都用八個卷積核進行卷積，每個卷積核對某個特定邊緣方向做出最大響應，所有八個方向中的最大值作為邊緣圖像的輸出。Laplacian算子它是二階微分算子,對數(shù)字圖像的每個像素計算關于x軸和y軸的二階偏導數(shù)之和。公式（2-2）該算子對應的模板如圖1-2所示，它是一個與方向無關的各向同性(旋轉軸對稱)邊緣檢測算子。其零交叉點也可作為圖像的階躍型邊緣點，而其極小值點可作為圖像的屋頂型邊緣。Laplacian算子極小值算法用于檢測屋頂型邊緣的效果不錯，但對噪聲敏感性較大；而其過零點算法若直接用于檢測階躍型邊緣，則不僅過零點的門限難以選擇，而且檢測精度一般地較低。0101-41010圖2-2Laplacian算子Canny算子它是一階算子，其方法的實質是用一個準高斯函數(shù)做平滑運算，然后以帶方向的一階微分算子定位導數(shù)最大值。它可用高斯函數(shù)的梯度來近似，在理論上很接近k個指數(shù)函數(shù)的線性組合形成的最佳邊緣算子，在實際工作應用中編程較為復雜，且運算偏慢。它是一階傳統(tǒng)微分中檢測階躍性邊緣效果最好的算子之一，它比Prewitt算子、Sobel算子、Laplacian算子極小值算法的去噪能力都要強，但它也容易平滑掉一些邊緣信息。LoG(LaplacianofGaussian)算子Marr-Hildreth首先使用高斯函數(shù)對原始圖像作平滑，這是由于高斯濾波器具有空間平穩(wěn)性，空間位置誤差??；然后采用無方向的Laplacian算子運算后，再用提取零交叉點的算法進行邊緣檢測，其精度明顯提高。它的優(yōu)點是過濾了噪聲，缺點是可能將原有的邊緣也給平滑了,Marr和Hildreth沒有解決如何組合不同尺度濾波器輸出的邊緣圖為單一的、正確的邊緣圖的具體方法?；诘惴ê透g算法的輪廓提取迭代算法概述迭代算法是用計算機解決問題的一種基本方法。它利用計算機運算速度快、適合做重復性操作的特點，讓計算機對一組指令(或一定步驟)進行重復執(zhí)行，在每次執(zhí)行這組指令(或這些步驟)時，都從變量的原值推出它的一個新值。利用迭代算法解決問題，需要做好以下三個方面的工作：一、確定迭代變量。在可以用迭代算法解決的問題中，至少存在一個直接或間接地不斷由舊值遞推出新值的變量，這個變量就是迭代變量。二、建立迭代關系式。所謂迭代關系式，指如何從變量的前一個值推出其下一個值的公式(或關系)。迭代關系式的建立是解決迭代問題的關鍵，通常可以使用遞推或倒推的方法來完成。三、對迭代過程進行控制。在什么時候結束迭代過程?這是編寫迭代程序必須考慮的問題。不能讓迭代過程無休止地重復執(zhí)行下去。迭代過程的控制通?？煞譃閮煞N情況：一種是所需的迭代次數(shù)是個確定的值，可以計算出來;另一種是所需的迭代次數(shù)無法確定。對于前一種情況，可以構建一個固定次數(shù)的循環(huán)來實現(xiàn)對迭代過程的控制;對于后一種情況，需要進一步分析出用來結束迭代過程的條件。應用舉例例：一個飼養(yǎng)場引進一只剛出生的新品種兔子，這種兔子從出生的下一個月開始，每月新生一只兔子，新生的兔子也如此繁殖。如果所有的兔子都不死去，問到第12個月時，該飼養(yǎng)場共有兔子多少只?分析：這是一個典型的遞推問題。我們不妨假設第1個月時兔子的只數(shù)為u1，第2個月時兔子的只數(shù)為u2，第3個月時兔子的只數(shù)為u3，……根據(jù)題意，“這種兔子從出生的下一個月開始，每月新生一只兔子”，則有u1=1，u2=u1+u1×1=2，u3=u2+u2×1=4，……公式（3-1）根據(jù)這個規(guī)律，可以歸納出下面的遞推公式：un=un-1×2(n≥2)公式（3-2）對應un和un-1，定義兩個迭代變量y和x，可將上面的遞推公式轉換成如下迭代關系：

y=x*2x=y讓計算機對這個迭代關系重復執(zhí)行11次，就可以算出第12個月時的兔子數(shù)。參考程序如下：

clsx=1fori=2to12y=x*2x=ynextiprintyend最佳閾值分割迭代法閾值分割方法是把圖像的灰度分成不同的等級，然后用設置灰度門限的方法確定欲分割物體的邊界。當用閾值來分割目標與背景時，不妨假設小于閾值的灰度點將構成目標，而大于閾值的灰度點就構成背景。選擇閾值的一般準則應該是按這個閾值劃分目標和背景的錯誤分割圖像像素點數(shù)最少。迭代法選取閾值的思想是首先選擇一個近似閾值作為估計值的初始值，然后進行分割，產生子圖像，并根據(jù)子圖像的特性來選取新的閾值，再用新的閾值分割圖像，經過一定次數(shù)循環(huán)，使錯誤分割的圖像像素點降到最少。一般情況下圖像灰度值取256級，Tk表示閾值，算法步驟如下：(1)令初始閾值To=(Zmax+Zmin)/2；式中，Zmax，Zmin分別表示圖像中的最大和最小灰度值；(2)根據(jù)閾值Tk將圖像分割為前景和背景，分別求出兩者的平均灰度值Zo和Zb；公式（3-3）公式（3-4）式中：——圖像上點的灰度值，——點的權重系數(shù)，一般取1.0。(3)求出新閾值Tk+1=(Zo+Zb)/2；(4)若Tk=Tk+1，則所得即為閾值；否則轉(2)，迭代計算。腐蝕算法集合論方法的理論基礎將目標圖像X和結構元素S看做兩個像素點集合，可以看到圖3-1所示的兩種基本關系。S包含于X（includedin）對于S中所有元素，都有，則稱S包含于X,與。S擊中X(hit)集合S、X滿足，則稱S擊中X，與。(a)(b)圖3-1集合論中的兩種基本關系圖像的腐蝕將結構元素S的原點移到點時，結構元素變?yōu)?，若此時包含于X，則滿足這種情況的點的集合為被腐蝕的結果。其表達式如下：公式（3-5）可以將算法具體總結為三點：(1)用33的結構元素，掃描圖像的每一個像素；(2)用結構元素與其覆蓋的二值圖像做“與”操作；(3)如果都為1，結果圖像的該像素為1，否則為0。膨脹可以看做是腐蝕的對偶運算，其算法為：若擊中或包含于X，則滿足上述條件的點組成的集合稱作X被S膨脹的結果。其表達式如下：公式（3-6）同樣將算法具體總結為：(1)用33的結構元素，掃描圖像的每一個像素；(2)用結構元素與其覆蓋的二值圖像做“與”操作；(3)如果都為0，結果圖像的該像素為0，否則為1以33結構元素S、77的目標圖像X為例，算法如圖2-2（像素點集合以矩形代替）：圖3-2腐蝕和膨脹的運算示意圖輪廓提取經過圖像分割后，原圖像變成二值圖像，圖像輪廓提取算法就變得非常簡單。二值圖像輪廓提取算法就是掏空部點。如果原圖中有一點為黑，且它的8個相鄰點都是黑色時，判定該點是圖像的部點，將該點置刪除標記。經過這樣的算法處理后，最后一幅圖像留下的點即是圖像的輪廓，也就實現(xiàn)了圖像的邊緣檢測。數(shù)學形態(tài)學是一種非線性濾波方法，基本變換包括膨脹、腐蝕、開啟、閉合。其中，腐蝕具有消除物體邊界點的作用。結構元素取3×3的黑點塊，腐蝕將使物體的邊界沿周邊減少一個像素。那么邊緣檢測實際上相當于用3×3的9個點的結構元素對原圖進行腐蝕，再用原圖像減去腐蝕后的圖像。令X為圖像，B為結構元素，Bz表示結構元素B平移Z后的結果，Bs代表結構元素B關于原點的對稱集合。其數(shù)學表示如下公式（3-7）則腐蝕的運算定義公式（3-8）數(shù)學形態(tài)學提取邊界的算子如下公式（3-9）式中：E：33的結構元素；——圖像X的邊界。該方法檢測到的物體邊緣寬度僅為一個像素，具有較高的定位精度。程序分析邊緣檢測的MATLAB實現(xiàn)MATLAB圖像處理工具包定義了edge()函數(shù)用于檢測灰度圖像的邊緣。(1)BW=edge(I,‘method’），返回與I大小一樣的二進制圖像BW，其中元素1表示的是邊緣上的點，0表示非邊緣點。1)soble：缺省值,用導數(shù)的Sobel近似值檢測邊緣,梯度最大點返回邊緣;2)prewitt：用導數(shù)的Prewitt近似值檢測邊緣，梯度最大點返回邊緣；3)roberts：用導數(shù)的Roberts近似值檢測邊緣，梯度最大點返回邊緣；4)loG：使用高斯濾波器的拉普拉斯運算對I進行濾波，通過尋找0相交檢測邊緣；5)zerocross：使用指定的濾波器對I濾波后，尋找0相交檢測邊緣。(2)BW=edge(I,‘method’,thresh)中用thresh指定靈敏度閾值,所有不強于thresh的邊緣都被忽略。(3)BW=edge(I,‘method’,thresh,direction)，對于soble和prewitt方法指定方向，direction為字符串，其中horizontal表示水平方向;vertical表示垂直方向；both表示兩個方向(缺省值)。(4)BW=edge(I,‘log’,thresh,sigma)，用sigma指定標準偏差。(5)[BW,thresh]=edge(…)，函數(shù)的返回值實際上有多個(“BW”和“thresh”），但由于用中括號括起表示為一個矩陣，所以又可認為只有一個返回參數(shù)，這也體現(xiàn)了MATLAB引入矩陣概念的統(tǒng)一性和優(yōu)越性。程序與分析[filename,pathname]=uigetfile({...'*.*','AllFiles(*.*)';},...'選擇文件');ifisequal([filename,pathname],[0,0])returnelsefill=fullfile(pathname,filename);blood=imread(fill);imshow(blood);end[x,y,z]=size(blood);%求出圖像大小b=double(blood);N=sqrt(100)*randn(x,y,z);%生成方差為10的白噪聲I=b+N;%噪聲干擾圖像fori=1:x%實際圖像的灰度為0～255forj=1:if(I(i,j)>255)I(i,j)=255;endif(I(i,j)<0)I(i,j)=0;endendendz0=max(max(I));%求出圖像中最大的灰度z1=min(min(I));%最小的灰度T=(z0+z1)/2;TT=0;S0=0;n0=0;S1=0;n1=0;allow=0.5;%新舊閾值的允許接近程度d=abs(T-TT);count=0;%記錄幾次循環(huán)while(d>=allow)%迭代最佳閾值分割算法count=count+1;fori=1:xforj=1:yif(I(i,j)>=T)S0=S0+I(i,j);n0=n0+1;endif(I(i,j)<T)S1=S1+I(i,j);n1=n1+1;endendendT0=S0/n0;T1=S1/n1;TT=(T0+T1)/2;d=abs(T-TT);T=TT;endSeg=zeros(x,y);fori=1:xforj=1:yif(I(i,j)>=T)Seg(i,j)=1;%閾值分割的圖像endendendSI=1-Seg;%閾值分割后的圖像求反，便于用腐蝕算法求邊緣se1=strel('square',3);%定義腐蝕算法的結構SI1=imerode(SI,se1);%腐蝕算法BW=SI-SI1;%邊緣檢測%=====傳統(tǒng)的邊緣檢測方法======%I=uint8(I);BW1=edge(SI,'sobel',0.11);BW2=edge(SI,'log',0.015);%===========圖象顯示==========%figure(1);subplot(2,2,1);imshow(I);title('Original')%顯示閾值分割的圖像subplot(2,2,2);imshow(BW2);title('Soble')subplot(2,2,3)imshow(BW1);title('Gauss-Laplace')subplot(2,2,4)imshow(BW);title('Newalgorithm')%顯示新算法的邊緣圖像迭代法選取閾值的思想是首先選擇一個近似閾值作為估計值的初始值，然后進行分割，產生子圖像，并根據(jù)子圖像的特性來選取新的閾值，再用新的閾值分割圖像，經過一定次數(shù)循環(huán)，使錯誤分割的圖像像素點降到最少。一般情況下圖像灰度值取256級，T表示閾值，算法步驟如下：(1)令初始閾值T=(z0+z1)/2；式中，z0，z1分別表示圖像中的最大和最小灰度值；(2)根據(jù)閾值T將圖像分割為前景和背景，分別求出兩者的平均灰度值T0和T1；公式（4-1）公式（4-2）式中：——圖像上點的灰度值，——點的權重系數(shù)，一般取1.0。(3)求出新閾值TT=(T0+T0)/2；(4)若T=TT，則所得即為閾值；否則轉(2)，迭代計算。經過圖像分割后，原圖像變成二值圖像，圖像輪廓提取算法就變得非常簡單。二值圖像輪廓提取算法就是掏空部點。如果原圖中有一點為黑，且它的8個相鄰點都是黑色時，判定該點是圖像的部點，將該點置刪除標記。經過這樣的算法處理后，最后一幅圖像留下的點即是圖像的輪廓，也就實現(xiàn)了圖像的邊緣檢測，該方法檢測到的物體邊緣寬度僅為一個像素，具有較高的定位精度。實例結果利用最佳閥值分割和輪廓提取相結合的方法進行邊緣檢測，通過迭代算法求得圖像分割的最佳閾值，再利用輪廓提取算法，挖去細胞部像素點，最后剩余部分圖像就是細胞的邊緣。圖4-4和4-8是最佳閥值分割和輪廓提取相結合法邊緣檢測圖像。試驗結果顯示，該方法檢測到的細胞邊緣寬度僅為一個像素，定位較精確，并且具有完整的輪廓，且邊緣具有連續(xù)性。效果圖：圖4-1原細胞圖像Original圖4-2Sobel算子邊緣檢測圖4-3Gauss-Laplace算子邊緣檢測圖4-4新算法邊緣檢測圖4-5原細胞圖像Original圖4-6Sobel算子邊緣檢測圖4-7Gauss-Laplace算子邊緣檢測圖4-8新算法邊緣檢測結論本文探討了利用迭代法求圖像分割最佳閥值和運用腐蝕算法實現(xiàn)輪廓提取相結合的邊緣檢測算法，并且用MATLAB實現(xiàn)了細胞真實邊緣檢測實例，并和傳統(tǒng)算子邊緣檢測結果進行了比較。利用迭代法求圖像分割最佳閥值和利用數(shù)學形態(tài)學的腐蝕算法實現(xiàn)輪廓提取相結合的邊緣檢測算法，先通過迭代算法求得圖像分割的最佳閾值，再利用輪廓提取算法，挖去細胞部像素點，最后剩余部分圖像就是細胞的邊緣，改變了傳統(tǒng)邊緣檢測算法的處理順序具有較強的抗噪聲能力，能有效抑制噪聲干擾影響，同時能夠客觀地、正確地選取邊緣檢測的門限值，從而進行精確的細胞邊緣檢測。試驗結果表明它具有以下優(yōu)點：避免了噪聲影響圍的擴大；檢測邊緣具有連續(xù)性；邊緣定位精確，只有一個像素的寬度；即使細胞邊緣模糊，也能通過閥值分割得到增強，通過腐蝕算法可靠的提取邊緣。參考文獻[1]胡文錦.圖像邊緣檢測方法研究.計算機工程，2009，12（1），112-114.[2]胡小鋒.VisualC++/MATLAB圖像處理與識別實用案例精選.人民郵電，2004.[3]王耀.數(shù)字圖像的邊緣檢測[M].：交通大學，2003.[4]潔.數(shù)字圖像邊緣檢測技術的研究.軟件導刊，2009,9（4），49-52.[5]徐平.最佳閥值分割和輪廓提取技術與其應用[D].工業(yè)大學，2009.[6]思奇.圖像分割的閥值綜述.系統(tǒng)工程與電子技術，2002.24（6），91-94.[7]洪文松.實現(xiàn)圖像邊緣檢測的改進廣義模糊算子法.中國圖像圖形學報，1998（2），3-4.[8]岡薩雷斯.數(shù)字圖像處理.電子工業(yè),2005.[9]田捷，包尚聯(lián).醫(yī)學影像處理與分析.；電子工業(yè).2003.[10]章晉毓.圖像處理和分析.：清華大學.1999.[11]羅軍輝.Matlab7.0在圖像處理中的應用[M].：機械工業(yè).2005.[12]郭曉文，波，朱亮.基于細胞圖像肺癌診斷系統(tǒng)的設計與實現(xiàn).江南大學學報,2007，6(6)：740-741[13]江東.基于醫(yī)學圖像的細胞識別統(tǒng)計系統(tǒng)[碩士學位論文].大學，，2006,4[14]兆禮，春暉，梅曉丹.現(xiàn)代圖像處理技術與MATLAB實現(xiàn).:人民郵電,2001,11.118-120[15]春凌.癌細胞識別算法的研究[碩士學位論文].大學.2008.23-24[16]何斌，馬天予，王運堅等VisualC++數(shù)字圖像處理,：人民郵電2002,335-335[17]雷.胸水癌細胞顯微圖像處理與識別方法的研究[碩士學位論文].理工大學2007，26-27[18]厲瑾，康濤，力.基于ＰＣＮＮ分割的癌細胞圖像識別方法研究學院學報．2010,25(2).50-51[19]朱虹.數(shù)字圖像處理基礎.:科學,2005[20]何斌，馬天予，王運堅等VisualC++數(shù)字圖像處理,：人民郵電,2002,335-335致彈指一揮間，大學四年已經接近了尾聲。當自己懷著忐忑不安的心情完成這篇畢業(yè)論文的時候，自己也從當年的懵懂孩子變成了一個成熟青年，回想自己的十幾年的求學生涯，實屬不容易。首先，當然要感學校以與學校的老師們，你們的精心培育，讓我有如此美好的四年的大學時光；感我的爸爸媽媽，沒有他們的勤勤懇懇和細心安排，沒有他們的支持和鼓勵，我是無論如何也完成不了我的大學生活，我也不可能完成我專業(yè)的學習。當然，如果沒有別人的幫助和接濟是相當困難的，因此我要感那些在我求學時對我?guī)椭挠H戚、朋友、老師和同學們，我的生活因你們而精彩和充實。作為一個本科生的畢業(yè)設計，由于經驗的匱乏，難免有許多考慮不周全的地方，在這篇論文構思和寫作過程，我的論文指導老師蕾，對我論文的完成更是功不可沒，老師平日里工作繁多，但在我做畢業(yè)設計的每個階段，從查閱資料到設計草案的確定和修改，中期檢查，后期詳細設計等整個過程中都給予了我悉心的指導，老師每次給我的疑問給予細心的解答并給出寫作建議，對我的論文進行細心的修改，使得我的論文結構一步一步的完善，容日趨豐滿。沒有老師的細心指導，這篇論文是不可能完成的。我要感我的母校——科技大學，是母校給我們提供了優(yōu)良的學習環(huán)境；另外，我還要感那些曾給我授過課的每一位老師，是你們教會我專業(yè)知識；還有那些每天和我一起上課，一起上自習，一起打球的同學，你們，因為你們我的大學四年才如此美好如此充實，在此，我再說一次！大家英文資料翻譯MATLAB

application

in

imageedgedetectionMATLABofthe1984countriesMathWorkscompanytomarketsince,after10yearsofdevelopment,hasbecomeinternationallyrecognizedthebesttechnologyapplicationsoftware.MATLABisnotonlyakindofdirect,efficientcomputerlanguage,andatthesametime,ascientificcomputingplatform,itfordataanalysisanddatavisualization,algorithmandapplicationdevelopmenttoprovidethemostcoreofmathandadvancedgraphicstools.Accordingtoprovideitwiththemorethan500mathandengineeringfunction,engineeringandtechnicalpersonnelandscientificworkerscanintegratedenvironmentofdevelopingorprogrammingtocompletetheircalculation.MATLABsoftwarehasverystrongopennessandadapttosex.Keepthekernelinundertheconditionofinvariable,MATLABisinviewofthedifferentapplicationsubjectoflaunchcorrespondingToolbox(Toolbox),hasnowlaunchedimageprocessingToolbox,signalprocessingToolbox,waveletToolbox,neuralnetworkToolboxandcommunicationtoolsbox,etcmultipledisciplinesspecialkit,whichwouldplaceofdifferentsubjectsresearchwork.MATLABimageprocessingkitisbyaseriesofsupportimageprocessingfunctionfromthecomposition,thesupportoftheimageprocessingoperation:geometricoperationareaofoperationandoperation;Linearfilterandfilterdesign;Transform(DCTtransform);Imageanalysisandstrengthened;Binaryimagemanipulation,etc.Imageprocessingtoolkitfunction,thefunctioncanbedividedintothefollowingcategories:imagedisplay;Imagefileinputandoutput;Geometricoperation;Pixelsstatistics;Imageanalysisandstrengthened;Imagefiltering;Sex2dfilterdesign;Imagetransformation;Fieldsandpieceofoperation;Binaryimageoperation;Colormappingandcolorspacetransformation;Imagetypesandtypeconversion;KitacquiringparametersandSettings.EdgedetectionthisUsecomputerimageprocessinghastwopurposes:producemoresuitableforhumanobservationandidentificationoftheimages;Hopecanbytheautomaticcomputerimagerecognitionandunderstanding.Nomatterwhatkindofpurposeto,imageprocessingthekeystepistocontainavarietyofsceneryofdecompositionofimageinformation.Decompositionoftheendresultisthatbreakdownintosomehassomekindofcharacteristicsofthesmallestcomponents,knownastheimageoftheyuan.Relativetothewholeimageofspeaking,thistheyuanmoreeasilytoberapidprocessing.Imagecharacteristicsistopointtotheimagecanbeusedasthesignofthefieldproperties,itcanbedividedintothestatisticalfeaturesoftheimageandimagevisual,twotypesoflevy.Thestatisticalfeaturesoftheimageistopointtosomepeoplethecharacteristicsofdefinition,throughthetransformtoget,suchasimagehistogram,moments,spectrum,etc.;Imagevisualcharacteristicsisreferstopersonvisualsensecanbedirectlybythenaturalfeatures,suchasthebrightnessofthearea,andtextureoroutline,etc.Thetwokindsofcharacteristicsoftheimageintoaseriesofmeaningfulgoalorregionalprocesscalledimagesegmentation.Theimageisthebasiccharacteristicsofedge,theedgeistoshowitspixelgrayscalearoundastepchangeorderorroofofthecollectionofthosechangespixels.Itexistsintargetandbackground,goalsandobjectives,regionalandregion,theyuanandtheyuanbetween,therefore,itistheimagesegmentationdependentonthemostimportantcharacteristicthatthetexturecharacteristicsofimportantinformationsourcesandshapecharacteristicsofthefoundation,andtheimageofthetexturecharacteristicsandtheextractionofshapeoftendependentonimagesegmentation.Imageedgeextractionisalsothebasisofimagematching,becauseitisthesignofposition,thechangeoftheoriginalisnotsensitive,andcanbeusedformatchingthefeaturepoints.Theedgeoftheimageisreflectedbygraynotcontinuity.Classicedgeextractionmethodisinvestigationofeachpixelimageinanareaofthegraychange,useedgefirstorsecondordernearbydirectionalderivativechangerule,withsimplemethodofedgedetection,thismethodcallededgedetectionmethodoflocaloperators.Thetypeofedgecanbedividedintotwotypes:(1)steprepresentationsexualedge,itonbothsidesofthepixelgrayvaluevariessignificantlydifferent;(2)theroofedges,itislocatedingrayvaluefromthechangeofincreasedtoreducetheturningpoint.Fororderjumpsexualedge,secondorderdirectionalderivativeinedgeiszerocross;Fortheroofedges,secondorderdirectionalderivativeinedgetakeextremevalue.Ifapixelfellintheimageacertainobjectboundary,thenitsfieldwillbecomeagraylevelwiththechange.Themostusefultochangetwofeaturesistherateofchangeandthegraydirection,theyareintherangeofthegradientvectorandthedirectiontosaid.Edgedetectionoperatorcheckeverypixelgrayscaleratefieldsandevaluation,andalsoincludetodeterminethedirectionsofthemostusebased