基于matlab的圖像邊緣檢測(cè)算法研究和仿真

基于matlab的圖像邊沿檢測(cè)算法研究和仿真目錄第1章緒論11.1前言11.2數(shù)字圖像邊沿檢測(cè)算法的意義1第2章傳統(tǒng)邊沿檢測(cè)辦法及理論基礎(chǔ)22.1數(shù)字圖像邊沿檢測(cè)的現(xiàn)狀與發(fā)展22.2MATLAB和圖像解決工具箱的背景知識(shí)32.3數(shù)字圖像邊沿檢測(cè)有關(guān)邊沿的定義42.4基于一階微分的邊沿檢測(cè)算子42.5基于二階微分的邊沿檢測(cè)算子7第3章編程和調(diào)試103.1

edge函數(shù)103.2

邊沿檢測(cè)的編程實(shí)現(xiàn)11第4章總結(jié)13第5章圖像邊沿檢測(cè)應(yīng)用領(lǐng)域13附錄參考文獻(xiàn)15第1章緒論§1.1前言理解圖像和識(shí)別圖像中的目的是計(jì)算機(jī)視覺(jué)研究的中心任務(wù)，物體形狀、物體邊界、位置遮擋、陰影輪廓及表面紋理等重要視覺(jué)信息在圖像中都有邊沿產(chǎn)生。圖像邊沿是分析理解圖像的基礎(chǔ)，它是圖像中最基本的特性。在Marr的計(jì)算機(jī)視覺(jué)系統(tǒng)中，圖像邊沿提取占據(jù)著非常重要位置，它位于系統(tǒng)的最底層，為其它模塊所依賴。圖像邊沿提取作為計(jì)算機(jī)視覺(jué)領(lǐng)域最典型的研究課題，長(zhǎng)久受到人們的重視。圖像邊沿重要?jiǎng)澐譃殡A躍狀和屋脊?fàn)顑煞N類型。階躍狀邊沿兩側(cè)的灰度值變化明顯，屋脊?fàn)钸呇貏t位于灰度增加與減少的交界處。傳統(tǒng)的圖像邊沿檢測(cè)辦法大多是從圖像的高頻分量中提取邊沿信息，微分運(yùn)算是邊沿檢測(cè)與提取的重要手段。由于傳統(tǒng)的邊沿檢測(cè)辦法對(duì)噪聲敏感，因此實(shí)際運(yùn)用效果有一定的局限性。近年來(lái)，越來(lái)越多的新技術(shù)被引入到邊沿檢測(cè)辦法中，如數(shù)學(xué)形態(tài)學(xué)、小波變換、神經(jīng)網(wǎng)絡(luò)和分形理論等。Canny于1986年提出基于最優(yōu)化算法的邊沿檢測(cè)算子，得到了廣泛的應(yīng)用，并成了與其它實(shí)驗(yàn)成果作比較的原則。其因素在于他最先建立了優(yōu)化邊沿檢測(cè)算子的理論基礎(chǔ)，提出了迄今為止定義最為嚴(yán)格的邊沿檢測(cè)的三個(gè)原則。另外其相對(duì)簡(jiǎn)樸的算法使得整個(gè)過(guò)程能夠在較短的時(shí)間內(nèi)實(shí)現(xiàn)。實(shí)驗(yàn)成果也表明，Canny算子在解決受加性高斯白噪聲污染的圖像方面獲得了良好的效果[1]。§1.2數(shù)字圖像邊沿檢測(cè)算法的意義數(shù)字圖像解決是控制領(lǐng)域的重要課題，數(shù)字圖像邊沿檢測(cè)是圖像分割、目的區(qū)域識(shí)別和區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)，是圖像識(shí)別中提取圖像特性的一種重要辦法。邊沿中包含圖像物體有價(jià)值的邊界信息，這些信息能夠用于圖像理解和分析，并且通過(guò)邊沿檢測(cè)能夠極大地減少后續(xù)圖像分析和解決的數(shù)據(jù)量。圖像理解和分析的第一步往往就是邊沿檢測(cè)，現(xiàn)在它已成為機(jī)器視覺(jué)研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。圖像的邊沿檢測(cè)技術(shù)是數(shù)字圖像解決技術(shù)的基礎(chǔ)研究?jī)?nèi)容，是物體識(shí)別的重要基礎(chǔ)。邊沿特性廣泛應(yīng)用于圖像分割、運(yùn)動(dòng)檢測(cè)與跟蹤、工業(yè)檢測(cè)、目的記別、雙目立體視覺(jué)等領(lǐng)域?，F(xiàn)有邊沿檢測(cè)技術(shù)在克制噪聲方面有一定的局限性，在閾值參數(shù)選用方面自適應(yīng)能力很差，有待進(jìn)一步改善和提高。（1）多譜圖像是圖像配準(zhǔn)技術(shù)中的一種難點(diǎn)，傳統(tǒng)的圖像配準(zhǔn)技術(shù)只合用于同源圖像，由于紅外圖像和可見(jiàn)光遙感圖像的成像波段不同，對(duì)于同一場(chǎng)景，所采集到的圖像的差別很大。在此課題中，作者首先通過(guò)邊沿檢測(cè)，得到紅外圖像與遙感可見(jiàn)光圖像的邊沿圖像，再通過(guò)尺度不變特性匹配，就能得到紅外圖像與可見(jiàn)光遙感圖像之間的透視變換關(guān)系，從而成功完畢了多譜圖像配準(zhǔn)[2]。（2）在“貨運(yùn)列車動(dòng)態(tài)圖像故障檢測(cè)系統(tǒng)(TFDS,TroubleOfMovingFreightCarDetectionsystem)中的故障識(shí)別”的課題中，作者采用水平Sobel算子檢測(cè)邊沿,對(duì)邊沿圖像進(jìn)行水平方向投影，計(jì)算得到貨運(yùn)列車底部心盤螺栓大致區(qū)域的圖像，然后用Harris算子得到某些候選故障區(qū)域，最后通過(guò)有關(guān)匹配來(lái)識(shí)別故障。（3）在“基于雙目立體視覺(jué)的人體動(dòng)作捕獲系統(tǒng)”的課題中，運(yùn)用圖像的邊沿和深度信息從視頻中分割出人體前景圖像。因此對(duì)圖像邊沿檢測(cè)技術(shù)理論及其應(yīng)用進(jìn)行研究都有很重要的意義。第2章傳統(tǒng)邊沿檢測(cè)辦法及理論基礎(chǔ)§2.1數(shù)字圖像邊沿檢測(cè)的現(xiàn)狀與發(fā)展在數(shù)字圖像解決中，邊沿特性是圖像的重要特性之一，是圖像解決、模式識(shí)別和計(jì)算機(jī)視覺(jué)的重要構(gòu)成部分之一，圖像邊沿檢測(cè)的成果直接影響進(jìn)一步圖像解決、模式識(shí)別的效果。近幾十年來(lái)，圖像邊沿檢測(cè)技術(shù)成為數(shù)字圖像解決技術(shù)重要研究課題之一，隨著科學(xué)技術(shù)的發(fā)展，研究人員提出了諸多圖像邊沿檢測(cè)辦法及邊沿檢測(cè)效果的評(píng)價(jià)辦法，并且將這些邊沿檢測(cè)技術(shù)應(yīng)用于計(jì)算機(jī)視覺(jué)和模式識(shí)別工程領(lǐng)域，使得邊沿檢測(cè)技術(shù)的應(yīng)用范疇越來(lái)越廣，圖像的邊沿普通是圖像的灰度或者顏色發(fā)生激烈變化的地方，而這些變化往往是由物體的構(gòu)造和紋理，外界的光照和物體的表面對(duì)光的反射造成的。圖像的邊沿反映了物體的外觀輪廓特性，是圖像分析和模式識(shí)別的重要特性，數(shù)字圖像解決技術(shù)是一門交叉學(xué)科，數(shù)學(xué)理論、人工智能、視覺(jué)生理學(xué)和心理學(xué)等多個(gè)理論為邊沿檢測(cè)技術(shù)研究注入新的活力，涌現(xiàn)出諸多邊沿檢測(cè)理論和辦法。根據(jù)邊沿檢測(cè)所解決的圖像類型，可分為兩大類：灰度圖像邊沿檢測(cè)辦法和彩色圖像邊沿檢測(cè)辦法。基于本論文僅研究討論灰度圖像邊沿檢測(cè)，這里介紹典型的灰度圖像邊沿檢測(cè)辦法?；叶葓D像的邊沿是像素的灰度值發(fā)生變化的地方，這些變化普通是屋頂變化或者階躍變化，圖像屋頂變化或者階躍變化的大小普通用灰度圖像一階導(dǎo)數(shù)或二階導(dǎo)數(shù)的大小來(lái)描述，因此灰度圖像的邊沿檢測(cè)辦法重要分為兩大類：一階微分圖像邊沿檢測(cè)算子（如Roberts算子、Sobel算子、Prewitt算子）和二階微分圖像邊沿檢測(cè)算子（如Laplacian算子、LOG算子、Canny算子）。普通來(lái)講，一種好的邊沿檢測(cè)算法應(yīng)滿足以下規(guī)定：（1）檢測(cè)精度高；（2）抗噪能力強(qiáng)；（3）計(jì)算簡(jiǎn)樸；（4）易于并行實(shí)現(xiàn)。其中最根本的問(wèn)題是解決檢測(cè)精度與抗噪聲能力間的矛盾。從理論上講，這兩者之間存在著互相制約的互變關(guān)系，即不擬定性原則。這一原則可表述為，一種信號(hào)不可能在時(shí)域和頻域中任意高度集中。因而邊沿的定位精度和抗噪聲能力不可能同時(shí)無(wú)限地提高，這兩項(xiàng)指標(biāo)的乘積為一常數(shù)，理論上能夠通過(guò)變化空域形式來(lái)獲得任意好的定位精度或信噪比，但不能兩者都得到改善。因此，衡量一種檢測(cè)辦法的原則也不能只看某一指標(biāo)的高低，而應(yīng)考察其綜合指標(biāo)與否達(dá)成理論上的極限。即使迄今已出現(xiàn)了眾多的理論和辦法，并且有些辦法發(fā)展得相稱成熟，但從這個(gè)意義上講還沒(méi)有一種普遍適于任何條件的最優(yōu)算法。為此人們已將注意力放在研究更直接的、專用的和面對(duì)對(duì)象的視覺(jué)信息系統(tǒng)，如“主動(dòng)視覺(jué)”，“定性視覺(jué)”、“面對(duì)任務(wù)的視覺(jué)”等，通過(guò)強(qiáng)調(diào)場(chǎng)景和任務(wù)的約束、增加信息輸入和減少對(duì)輸出的規(guī)定等手段來(lái)減少視覺(jué)解決問(wèn)題的難度。這些思想大大豐富和補(bǔ)充了原來(lái)的理論，使算法向具體化、實(shí)用化方向發(fā)展，已成為視覺(jué)信息解決中有前途的發(fā)展方向[3]?！?.2MATLAB和圖像解決工具箱的背景知識(shí)MATLAB對(duì)于技術(shù)計(jì)算來(lái)說(shuō)是一種高性能語(yǔ)言。它以易于應(yīng)用的環(huán)境集成了計(jì)算、可視化的編程，在該環(huán)境下，問(wèn)題及其解以我們熟悉的數(shù)學(xué)表達(dá)法來(lái)表達(dá)。典型的應(yīng)用涉及以下方面[4]：（1）數(shù)學(xué)和計(jì)算（2）算法開(kāi)發(fā)（3）數(shù)據(jù)獲?。?）建模、模擬和原型設(shè)計(jì)（5）數(shù)據(jù)分析、研究和可視化（6）科學(xué)和工程圖形（7）應(yīng)用開(kāi)發(fā)，涉及圖像顧客界面構(gòu)建MATLAB是一種交互式系統(tǒng)，其基本數(shù)據(jù)元素是并不規(guī)定擬定維數(shù)的一種數(shù)組。這就允許人們用公式化辦法求解許多技術(shù)計(jì)算問(wèn)題，特別是涉及矩陣表達(dá)的問(wèn)題。有時(shí)，MATLAB可調(diào)用C或Fortran這類非交互式語(yǔ)言所編寫(xiě)的程序。在高等院校中，對(duì)于數(shù)學(xué)、工程和科學(xué)理論中的入門課程和高級(jí)課程，MATLAB都是原則的計(jì)算工具。圖像解決工具箱是一種MATLAB函數(shù)（稱為M函數(shù)或M文獻(xiàn)）集，它擴(kuò)展了MATLAB解決圖像解決問(wèn)題的能力。其它有時(shí)用于補(bǔ)充IPT的工具箱是信號(hào)解決、神經(jīng)網(wǎng)絡(luò)、含糊邏輯和小波工具箱?！?.3數(shù)字圖像邊沿檢測(cè)有關(guān)邊沿的定義邊沿是不同區(qū)域的分界限，是圖像局部強(qiáng)度變化最明顯的那些像素的集合。圖像強(qiáng)度的明顯變化可分為：（1）階躍變化（函數(shù)），即圖像強(qiáng)度在不持續(xù)處的兩邊的像素灰度值有著明顯差別；（2）線條（屋頂）變化（函數(shù)），即圖像強(qiáng)度忽然從一種值變化到另一種值，保持一較小行程后又回到原來(lái)的值。邊沿重要存在于目的與目的、目的與背景、區(qū)域與區(qū)域(涉及不同色彩)之間，邊沿是位于兩個(gè)區(qū)域的邊界限上的持續(xù)像素集合，在邊沿處，灰度和構(gòu)造等信息產(chǎn)生突變。邊沿是一種區(qū)域的結(jié)束，也是另一種區(qū)域的開(kāi)始，運(yùn)用該特性能夠分割圖像。圖像的邊沿有方向和幅度兩個(gè)屬性，沿邊沿方向像素變化平緩，垂直于邊沿方向像素變化激烈。邊沿上的這種變化能夠用微分算子檢測(cè)出來(lái)，普通用一階或二階導(dǎo)數(shù)來(lái)檢測(cè)邊沿?！?.4基于一階微分的邊沿檢測(cè)算子圖像的局部邊沿定義為兩個(gè)強(qiáng)度明顯不同的區(qū)域之間的過(guò)渡，圖像的梯度函數(shù)即圖像灰度變化的速率將在這些過(guò)分邊界上存在最大值，通過(guò)基于梯度算子或?qū)?shù)檢測(cè)器來(lái)預(yù)計(jì)圖像灰度變化的梯度方向，增加圖像的這些變化區(qū)域，然后對(duì)該梯度進(jìn)行閾值運(yùn)算，如果梯度值不不大于某個(gè)給定門限，則存在邊沿。再將被擬定為邊沿的像素連接起來(lái)，以形成包圍著區(qū)域的封閉曲線。一階導(dǎo)數(shù)能夠用于檢測(cè)圖像中的一種點(diǎn)與否在斜坡上，二階導(dǎo)數(shù)的符號(hào)能夠用于判斷一種邊沿點(diǎn)是在邊沿亮的一邊還是暗的一邊。兩種常見(jiàn)的邊沿一階導(dǎo)數(shù)和二階導(dǎo)數(shù)示意圖[5]：(a)(b)圖2.1（a）階躍函數(shù)，（b）線條（屋頂）函數(shù)（第一行為理論曲線，第二行為實(shí)際曲線，第三行對(duì)應(yīng)一階導(dǎo)數(shù)，第四行對(duì)應(yīng)二階導(dǎo)數(shù)）一階導(dǎo)數(shù)的二維等效式： (2-1)梯度的幅值： (2-2)和方向： (2-3)梯度是灰度在坐標(biāo)方向上的導(dǎo)數(shù)，表達(dá)灰度在坐標(biāo)方向上的變化率。用差分來(lái)近似梯度 (2-4) (2-5)§2.4.1Roberts算子（梯度交叉算子)Roberts算子是一種運(yùn)用局部差分算子尋找邊沿的算子[5]。 (2-6)01-10用模板實(shí)現(xiàn)：100-1圖2.2圖2.2Roberts算子的模板§2.4.2Sobel算子Sobel提出了一種將方差運(yùn)算與局部平均相結(jié)合的辦法，即Sobel算子，該算子在覺(jué)得中心的領(lǐng)域上計(jì)算和方向的偏導(dǎo)數(shù)[6]。即 (2-7) (2-8)上式應(yīng)用了領(lǐng)域的圖像強(qiáng)度的加權(quán)平均差值。用模板實(shí)現(xiàn)：121000-1-2-1-101-202-101圖2.3Sobel算子的模板圖2.3Sobel算子的模板§2.4.3Prewitt算子Prewitt提出的類似于Sobel的計(jì)算偏微分預(yù)計(jì)值的辦法[7] (2-9) (2-10)111000-1-1-1用模板實(shí)現(xiàn)：-101-101-101圖2.4Prewitt算子的模板§2.4.4CannyCanny邊沿檢測(cè)運(yùn)用高斯函數(shù)的一階微分，在噪聲克制和邊沿檢測(cè)之間謀求較好的平衡，其體現(xiàn)式近似于高斯函數(shù)的一階導(dǎo)數(shù)。Canny算子是一階算子。其辦法的實(shí)質(zhì)是用1個(gè)準(zhǔn)高斯函數(shù)作平滑運(yùn)算fs=f(x,y)×G(x,y),然后以帶方向的一階微分算子定位導(dǎo)數(shù)最大值。平滑后fs(x,y)的梯度能夠使用2×2一階有限差分近似式：在這個(gè)2×2正方形內(nèi)求有限差分的均值,便于在圖像中的同一點(diǎn)計(jì)算x和y的偏導(dǎo)數(shù)梯度。幅值和方向角可用直角坐標(biāo)到極坐標(biāo)的坐標(biāo)轉(zhuǎn)化來(lái)計(jì)算：

在這個(gè)2×2正方形內(nèi)求有限差分的均值,便于在圖像中的同一點(diǎn)計(jì)算x和y的偏導(dǎo)數(shù)梯度。幅值和方向角可用直角坐標(biāo)到極坐標(biāo)的坐標(biāo)轉(zhuǎn)化來(lái)計(jì)算：

M[i,j]反映了圖像的邊沿強(qiáng)度;?

[i,j]反映了邊沿的方向。使得M[i,j]獲得局部最大值的方向角?

[i,j],就反映了邊沿的方向。Canny算子也可用高斯函數(shù)的梯度來(lái)近似,在理論上很靠近4個(gè)指數(shù)函數(shù)的線性組合形成的最佳邊沿算子。在實(shí)際工作應(yīng)用中編程較為復(fù)雜且運(yùn)算較慢。Canny邊沿檢測(cè)算子對(duì)受加性噪聲影響的邊沿檢測(cè)是最優(yōu)的?！?.5基于二階微分的邊沿檢測(cè)算子一階微分是一種矢量，不僅有其大小尚有方向，和標(biāo)量相比，它數(shù)據(jù)存儲(chǔ)量大。另外，在含有相等斜率的寬區(qū)域上，有可能將全部區(qū)域都當(dāng)做邊沿提取出來(lái)。因此，有必規(guī)定出斜率的變化率，即對(duì)圖像函數(shù)進(jìn)行二階微分運(yùn)算。圖像強(qiáng)度的二階導(dǎo)數(shù)的零交叉點(diǎn)就是找到的邊沿點(diǎn)[7]，如圖2.5所示：圖2.5圖像函數(shù)的二階微分§2.5.1Laplacian算子Laplacian算子[8]運(yùn)用二階導(dǎo)數(shù)信息，含有各向同性，即與坐標(biāo)軸方向無(wú)關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度成果不變。使得圖像通過(guò)二階微分后，在邊沿處產(chǎn)生一種陡峭的零交叉點(diǎn)，根據(jù)這個(gè)對(duì)零交叉點(diǎn)判斷邊沿。拉普拉斯算子是二階導(dǎo)數(shù)的二維等效式： (2-11)上式應(yīng)用Laplacian算子提取邊沿的形式，及二階偏導(dǎo)數(shù)的和，是一種標(biāo)量，其離散計(jì)算形式定義為： (2-12)這一近似式是以點(diǎn)為中心的，用替代，則 (2-13)同理： (2-14)對(duì)于一種的區(qū)域，經(jīng)驗(yàn)上被推薦最多的形式，算子表達(dá)為： (2-15)§2.5.2LOG算子由于梯度算子和拉普拉斯算子都對(duì)噪聲十分敏感，因而在檢測(cè)前必須濾除噪聲。Marr和Hildreth將高斯濾波和拉普拉斯邊沿檢測(cè)結(jié)合在一起，形成LOG(Laplacian-Gauss)算法。LOG邊沿檢測(cè)的基本特性[9]為：（1）平滑濾波器是高斯濾波器；（2）增強(qiáng)環(huán)節(jié)采用二階導(dǎo)數(shù)(二維拉普拉斯函數(shù))；（3）邊沿檢測(cè)判據(jù)是二階導(dǎo)數(shù)零交叉點(diǎn)并對(duì)應(yīng)一階導(dǎo)數(shù)的較大峰值；（4）使用線性內(nèi)插辦法在子像素分辨率水平上預(yù)計(jì)邊沿的位置。該算子首先用高斯函數(shù)對(duì)圖像作平滑濾波解決，然后才使用Laplacian算子檢測(cè)邊沿，因此克服了Laplacian算子抗噪聲能力比較差的缺點(diǎn)，但是在克制噪聲的同時(shí)也可能將原有的比較鋒利的邊沿也平滑掉了，造成這些鋒利邊沿?zé)o法被檢測(cè)到。在實(shí)際應(yīng)用中，慣用的LOG算子是的模板：-2-4-4-4-2-4080-4-48248-4-4080-4-2-4-4-4-2圖2.6LOG算子的的模板該算法的重要思路和環(huán)節(jié)以下：（1）濾波：首先對(duì)圖像進(jìn)行平滑濾波，其濾波函數(shù)根據(jù)人類視覺(jué)特性選為高斯函數(shù)，即 (2-16)其中，是一種圓對(duì)稱函數(shù)，其平滑的作用是可通過(guò)來(lái)控制的。將圖像與進(jìn)行卷積，能夠得到一種平滑的圖像，即 (2-17)（2）增強(qiáng)：對(duì)平滑圖像進(jìn)行拉普拉斯運(yùn)算，即 (2-18)（3）檢測(cè)：邊沿檢測(cè)判據(jù)是二階導(dǎo)數(shù)的零交叉點(diǎn)（即的點(diǎn)）并對(duì)應(yīng)一階導(dǎo)數(shù)的較大峰值。由于對(duì)平滑圖像進(jìn)行拉普拉斯運(yùn)算可等效為的拉普拉斯運(yùn)算與的卷積，故上式變?yōu)椋? (2-19)式中稱為L(zhǎng)OG濾波器，其可寫(xiě)為： (2-20)第三章

編程和調(diào)試3.1

edge函數(shù)

在MATLAB圖像解決工具箱中提供了專門的邊沿檢測(cè)edge函數(shù)，由edge函數(shù)能夠?qū)崿F(xiàn)各算子對(duì)邊沿的檢測(cè)，其調(diào)用格式以下：

BW=edge(I,’method’)

BW=edge(I,’method’,thresh)

Bw=edge(I,’method’,thresh,direction)

[BW,thresh]=edge(I,’method’,…)

其中，I是輸入圖像。edge函數(shù)對(duì)灰度圖像I進(jìn)行邊沿檢測(cè)，返回與I同樣大的二值圖像BW；其中1表達(dá)邊沿，表達(dá)非邊沿。I能夠是uint8型、uint16型或double型；BW是uint8型。

method是表達(dá)選用的辦法（算子）類型，能夠選擇的method有Sobel、Prewitt、Roberts、Log、Canny等。

可選的參數(shù)有thresh(閾值)、sigma(方差)和direction(方向)。

3.2

邊沿檢測(cè)的編程實(shí)現(xiàn)

運(yùn)用edge函數(shù)，分別采用Sobel、Roberts、Prewitt、Log、Canny

5種不同的邊沿檢測(cè)算子編程實(shí)現(xiàn)對(duì)圖5.1所示的原始圖像進(jìn)行邊沿提取。程序代碼以下：

%MATLAB調(diào)用edge函數(shù)實(shí)現(xiàn)各算子進(jìn)行邊沿檢測(cè)程序

I=imread('tire.tif');%讀入灰度圖像并顯示

figure(1),imshow(I);

BW1=edge(I,'sobel',0.1);%用sobel算子進(jìn)行邊沿檢測(cè)，判斷閾值為0.1

figure(2),imshow(BW1)

BW2=edge(I,'roberts',0.1);%用roberts算子進(jìn)行邊沿檢測(cè)，判斷閾值為0.1

figure(3),imshow(BW2)

BW3=edge(I,'prewitt',0.1);%用prewitt算子進(jìn)行邊沿檢測(cè)，判斷閾值為0.1

figure(4),imshow(BW3)

BW4=edge(I,'log',0.01);%用log算子進(jìn)行邊沿檢測(cè)，判斷閾值為0.01

figure(5),imshow(BW4)

BW5=edge(I,'canny',0.1);%用canny算子進(jìn)行邊沿檢測(cè)，判斷閾值為0.1

figure(6),imshow(BW5)

檢測(cè)效果如圖5.2所示，從圖中能夠看出，在采用一階微分進(jìn)行邊沿檢測(cè)時(shí)，除了微分算子對(duì)邊沿檢測(cè)成果有影響外，閾值選擇也對(duì)檢測(cè)有重要影響。比較幾個(gè)邊沿檢測(cè)成果，能夠看到Canny算子提取邊沿較完整，其邊沿持續(xù)性較好，效果優(yōu)于其它算子。另首先是Prewitt算子，其邊沿比較完整。再次就是Sobel算子。第4章總結(jié)近幾十年來(lái)，圖像邊沿檢測(cè)技術(shù)成為數(shù)字圖像解決技術(shù)重要研究課題之一，隨著科學(xué)技術(shù)的發(fā)展，研究人員提出了諸多圖像邊沿檢測(cè)辦法及邊沿檢測(cè)效果的評(píng)價(jià)辦法，并且將這些邊沿檢測(cè)技術(shù)應(yīng)用于計(jì)算機(jī)視覺(jué)和模式識(shí)別工程領(lǐng)域，使得邊沿檢測(cè)技術(shù)的應(yīng)用范疇越來(lái)越廣。邊沿特性廣泛應(yīng)用于圖像分割、運(yùn)動(dòng)檢測(cè)與跟蹤、工業(yè)檢測(cè)、目的記別、雙目立體視覺(jué)等領(lǐng)域?，F(xiàn)有邊沿檢測(cè)技術(shù)在克制噪聲方面有一定的局限性，在閾值參數(shù)選用方面自適應(yīng)能力很差，有待進(jìn)一步改善和提高。運(yùn)用MATLAB，我們能夠很方便的對(duì)圖像邊沿檢測(cè)算法進(jìn)行仿真研究，比較各自的優(yōu)缺點(diǎn)，得到最優(yōu)、效果最佳的算法來(lái)進(jìn)行圖像解決。

Roberts算子定位比較精確，但由于不涉及平滑，因此對(duì)于噪聲比較敏感。Prewitt算子是平均濾波的一階的微分算子，檢測(cè)的圖像邊沿可能不不大于2個(gè)像素，對(duì)灰度漸變低噪聲的圖像有較好的檢測(cè)效果，但是對(duì)于混合多復(fù)雜噪聲的圖像，解決效果就不抱負(fù)了。Canny辦法則以一階導(dǎo)數(shù)為基礎(chǔ)來(lái)判斷邊沿點(diǎn)。它是一階傳統(tǒng)微分中檢測(cè)階躍型邊沿效果最佳的算子之一。

梯度算子計(jì)算簡(jiǎn)樸，但精度不高，只能檢測(cè)出圖像大致的輪廓，而對(duì)于比較細(xì)的邊沿可能會(huì)無(wú)視。Prewitt和Sobel算子比Roberts效果要好某些。Log濾波器和Canny算子的檢測(cè)效果優(yōu)于梯度算子，能夠檢測(cè)出圖像較細(xì)的邊沿部分。

比較幾個(gè)邊沿檢測(cè)成果，能夠看到Canny算子提取邊沿較完整，其邊沿持續(xù)性較好，效果優(yōu)于其它算子。另首先是Prewitt算子，其邊沿比較完整。再次就是Sobel算子。第5章圖像邊沿檢測(cè)應(yīng)用領(lǐng)域圖像是人類獲取和交換信息的重要來(lái)源，因此，圖像邊沿解決的應(yīng)用領(lǐng)域必然涉及到人類生活和工作的方方面面。隨著人類活動(dòng)范疇的不停擴(kuò)大，圖像邊沿檢測(cè)與提取解決的應(yīng)用領(lǐng)域也將隨之不停擴(kuò)大。數(shù)字圖像邊沿檢測(cè)(Digital

Image

Processing)又稱為計(jì)算機(jī)圖像邊沿檢測(cè)，它是指將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并運(yùn)用計(jì)算機(jī)對(duì)其進(jìn)行解決的過(guò)程。數(shù)字圖像邊沿檢測(cè)最早出現(xiàn)于20世紀(jì)50年代，當(dāng)時(shí)的電子計(jì)算機(jī)已經(jīng)發(fā)展到一定水平，人們開(kāi)始運(yùn)用計(jì)算機(jī)來(lái)解決圖形和圖像信息。數(shù)字圖像邊沿檢測(cè)中，輸入的是質(zhì)量低的圖像，輸出的是改善質(zhì)量后的圖像，慣用的圖像邊沿檢測(cè)解決辦法有圖像增強(qiáng)、銳化、復(fù)原、編碼、壓縮、提取等。數(shù)字圖像邊沿檢測(cè)與提取解決的重要應(yīng)用領(lǐng)域有：

（1）航天和航空技術(shù)方面的應(yīng)用，數(shù)字圖像邊沿檢測(cè)技術(shù)在航天和航空技術(shù)方面的應(yīng)用，除了月球、火星照片的解決之外，另首先的應(yīng)用是在飛機(jī)遙感和衛(wèi)星遙感技術(shù)中。從60年代末以來(lái)，美國(guó)及某些國(guó)際組織發(fā)射了資源遙感衛(wèi)星(如LANDSAT系列)和天空實(shí)驗(yàn)室(如SKYLAB),由于成像條件受飛行器位置、姿態(tài)、環(huán)境條件等影響，圖像質(zhì)量總不是很高。現(xiàn)在改用配備有高級(jí)計(jì)算機(jī)的圖像邊沿檢測(cè)系統(tǒng)來(lái)判讀分析首先提取出其圖像邊沿，既節(jié)省人力，又加緊了速度，還能夠從照片中提取人工所不能發(fā)現(xiàn)的大量有用情報(bào)。

（2）

生物醫(yī)學(xué)工程方面的應(yīng)用，數(shù)字圖像邊沿檢測(cè)在生物醫(yī)學(xué)工程方面的應(yīng)用十分廣泛，并且很有成效。除了CT技術(shù)之外，尚有一類是對(duì)陣用微小圖像的解決分析，如紅細(xì)胞、白細(xì)胞分類檢測(cè)，染色體邊沿分析，癌細(xì)胞特性識(shí)別等都要用到邊沿的鑒別。另外，在X光肺部圖像增強(qiáng)、超聲波圖像邊沿檢測(cè)、心電圖分析、立體定向放射治療等醫(yī)學(xué)診療方面都廣泛地應(yīng)用圖像邊沿分析解決技術(shù)。

（3）公安軍事方面的應(yīng)用，公安業(yè)務(wù)圖片的判讀分析，指紋識(shí)別，人臉鑒別，不完整圖片的復(fù)原，以及交通監(jiān)控、事故分析等?，F(xiàn)在己投入運(yùn)行的高速公路不停車自動(dòng)收費(fèi)系統(tǒng)中的車輛和車牌的自動(dòng)識(shí)別（重要是汽車牌照的邊沿檢測(cè)與提取技術(shù)）都是圖像邊沿檢測(cè)技術(shù)成功應(yīng)用的例子。在軍事方面圖像邊沿檢測(cè)和識(shí)別重要用于導(dǎo)彈的精確制導(dǎo)，多個(gè)偵察照片的判讀，對(duì)不明來(lái)襲武器性質(zhì)的識(shí)別，含有圖像傳輸、存儲(chǔ)和顯示的軍事自動(dòng)化指揮系統(tǒng)，飛機(jī)、坦克和軍艦?zāi)M訓(xùn)練系統(tǒng)等;

（4交通管理系統(tǒng)的應(yīng)用，隨著我國(guó)經(jīng)濟(jì)建設(shè)的蓬勃發(fā)展，都市的人口和機(jī)動(dòng)車擁有量也在急劇增加，交通擁擠堵塞現(xiàn)象日趨嚴(yán)重,交通事故時(shí)有發(fā)生。交通問(wèn)題已經(jīng)成為都市管理工作中的重大社會(huì)問(wèn)題，妨礙和制約著都市經(jīng)濟(jì)建設(shè)的發(fā)展。因此要解決都市交通問(wèn)題，就必須精確掌握交通信息。現(xiàn)在國(guó)內(nèi)常見(jiàn)的交通流檢測(cè)辦法有人工監(jiān)測(cè)、地埋感應(yīng)線圈、超聲波探測(cè)器、視頻監(jiān)測(cè)4類。其中，視頻監(jiān)測(cè)辦法比其它辦法更具優(yōu)越性。

視頻交通流檢測(cè)及車輛識(shí)別系統(tǒng)是一種運(yùn)用圖像邊沿檢測(cè)技術(shù)來(lái)實(shí)現(xiàn)對(duì)交通目的檢測(cè)和識(shí)別的計(jì)算機(jī)解決系統(tǒng)。通過(guò)對(duì)道路交通狀況信息與交通目的的多個(gè)行為（如違章超速，停車，超車等等）的實(shí)時(shí)檢測(cè)，實(shí)現(xiàn)自動(dòng)統(tǒng)計(jì)交通路段上行駛的機(jī)動(dòng)車的數(shù)量、計(jì)算行駛車輛的速度以及識(shí)別劃分行駛車輛的類別等多個(gè)有關(guān)交通參數(shù)，達(dá)成監(jiān)測(cè)道路交通狀況信息的作用。

圖像邊沿檢測(cè)應(yīng)用在視頻交通流檢測(cè)和車輛識(shí)別系統(tǒng)概述：

1.視頻交通流量檢測(cè)及車輛識(shí)別系統(tǒng)是一種集圖像邊沿檢測(cè)系統(tǒng)和信息管理系統(tǒng)為一體的綜合系統(tǒng)。計(jì)算機(jī)圖像邊沿檢測(cè)重要由圖像輸入,圖像存儲(chǔ)和刷新顯示,圖像輸出和計(jì)算機(jī)接口等幾大部分構(gòu)成,這些部分的總體構(gòu)成方案及各部分的性能優(yōu)劣直接影響解決系統(tǒng)的質(zhì)量。圖像邊沿檢測(cè)的目的是替代人去解決和理解圖像,因此實(shí)時(shí)性,靈活性,精確性是對(duì)系統(tǒng)的重要規(guī)定。

2.通過(guò)攝像機(jī)將道路交通流圖像捕獲下來(lái)，再將這些捕獲到的序列圖像送入計(jì)算機(jī)進(jìn)行圖像邊沿檢測(cè)、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。

3.應(yīng)用舉例

對(duì)于車牌識(shí)別技術(shù)的研究現(xiàn)狀，車牌的自動(dòng)識(shí)別是計(jì)算機(jī)視覺(jué)、圖像邊沿檢測(cè)與模式識(shí)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(shí)現(xiàn)交通管理智能化的重要環(huán)節(jié)，重要涉及車牌定位、字符車牌分割和車牌字符識(shí)別三個(gè)核心環(huán)節(jié)。發(fā)達(dá)國(guó)家LPR系統(tǒng)在實(shí)際交通系統(tǒng)中已成功應(yīng)用，而我國(guó)的開(kāi)發(fā)應(yīng)用進(jìn)展緩慢，基本停留在實(shí)驗(yàn)室階段。參考文獻(xiàn)[1]ZhangBin,HeSaixian.ImprovedEdge-detectionMethodBasedonCannyalgorithm[J].I