图像边缘检测方法研究信息工程毕业设计论文(编辑修改稿)

图像边缘检测方法研究信息工程毕业设计论文(编辑修改稿)内容摘要：

奇异变化的地方。 奇异信号沿边缘走向的灰度变化剧烈，通常我们将边缘划分为阶跃状和屋顶状两种类型 (如图 12 所示 )。 阶跃边缘中两边的灰度值有明显的变化；而屋顶状边缘位于灰度增加与减少的交界处。 在数学上可利用灰度的导数来刻画边缘点的变化，对阶跃边缘、屋顶状边缘分别求其一阶、二阶导数。 其中阶跃型边缘最具代表性，许多边缘检测算法都是针对阶跃型边缘的。 图 12 型边缘和屋顶状边缘处一阶及二阶导数变化规律 （其中第一行为理想信号，第二行对应实际信号） 一般边缘检测包括如下四个内容。 (1)滤波：边缘检测算法主要是 基于图像灰度的一阶或二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。 而大多数滤波器在降低噪声的同时也导致了边缘信息的损失，因此增强边缘和降低噪声是边缘检测中的一对矛盾。 在滤波中我们希望降低噪声，但不对边缘产生副作用，而实际上很难做到这一点，这也是边缘检测中的一个难点。 (2)增强：增强边缘的基础是确定图像各点邻域灰度的变化值。 增强算法可以将邻域 (或局部 )灰度有显著变化的点突显出来。 边缘增强一般是通过计算梯度幅值来完成的。 (3)检测：在图像中有许多点的梯度幅值比较大 ，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。 最简单的边缘检测判据是利用梯度幅值闭值作为判据。 (4)定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在亚像素分辨率上来估计，边缘的方位也可以被估计出来。 作为计算机视觉的经典性研究课题，图像边缘的研究已有较长历史，涌现了许多方法，与本文研究有关的方法主要有两大类 (l)基于空间域上微分算子的经典方法， (2)基于图像滤波的检测方法。 这些内容将在后面的章节中作详细介绍。 东华理工大学长江学院毕业设计（论文） 数字图像处理 6 目前边缘检测存在的问题 图像边缘检测是图像处 理和理解的基本课题之一，长期以来，人们一直关注着它的发展。 理想的边缘检测应当正确解决边缘的有无、真假和定位方向。 它的基本要求是低误判率和高定位精度，低误判率要求不漏掉实际边缘，不虚报边缘。 高定位精度要求把边缘以等于或小于一个像素的宽度确定在它的实际位置上。 但真正实现这一目标尚有较大的难度，这是因为 ： (l)实际图像都含有噪声，并且噪声的分布、方差等信息也都是未知的，同时噪声和边缘都是高频信号，虽然平滑滤波运算可消除噪声，但是也导致一些边缘模糊，检测出的边缘往往移位。 (2)由于物理和光照等原因，实际图像中的边缘 常常发生在不同的尺度范围上，并且每一边缘像元的尺度信息是未知的，利用单一固定尺度的边缘检测算子不可能同时最佳地检测出这些边缘，这就涉及到了多尺度的提出；而多尺度的确定又引起出了一系列的问题，如尺度范围的确定、最佳滤波尺度大小、如何有效地利用多个尺度正确地检测边缘等等。 目前常用的边缘检测方法都存在某些不足的地方，如 Roberts 算子虽简单直观，对具有陡峭的低噪声图像的响应最好，但边缘检测图里有伪边缘； Sobel算子和 Prewitt 算子能检测更多的边缘，但也存在伪边缘且检测出来的边缘线比较粗，并放大了噪声；拉 普拉斯算子和改进的拉普拉斯算子利用二阶差分来进行检测，不但可以检测出比较多的边缘，而且还在很大程度上消除了伪边缘的存在，定位精度比较高，但同时受噪声的影响比较大，且会丢失一些边缘、有一些边缘不够连续、对噪声敏感且不能获得边缘方向等信息。 因此，至今图像边缘检测仍有很多问题尚待解决。 本文主要研究工作 本论文第一章先介绍数字图像处理的发展、应用，边缘检测方法的基本知识和存在问题等；第二章主要介绍图像噪声定义、来源以及滤除；第三章介绍边缘检测方法分类，研究边缘检测的评价指标、尺度对边缘检测结果的影响及经典的边缘检测算子，如 Roberts 算子、 sobel 算子、 Prewitt 算子、 Laplaee算子、高斯一一拉普拉斯算子、 SUSAN 算法等，并对它们的检测结果进行分析比较。 第四章重点分析研究 Canny 算子， MTM(Modified Trimmed Mean)算法及Otsu 算法，并结合 MTM 算法及 Otsu 算法对 Canny 算法中的滤波方法和双门限选取方法进行改进，提出 CMO 算法，最后用 编程实现，并将实验结果与传统的 Canny 算法进行分析比较。 第五章，总结全文。 东华理工大学长江学院毕业设计（论文） 图像滤波 7 2. 图像滤波 本章内容中 ，主要介绍图像噪声的一些概念，包括噪声的定义、来源等，然后详细的介绍常见的噪声滤除方法，如邻域平均法、加权平均法、中值滤波等，并对它们的滤波效果进行比较。 图像噪声的定义 图像噪声可以理解为妨碍人的视觉器官或系统传感器对所接受图像源信息进行理解或分析的各种因素。 一般图像噪声是不可预测的随机信号，它只能用概率统计的方法去认识。 噪声作用于图像处理的输入、采集、处理以及输出的全过程，特别是图像在输入、采集的过程中引入的噪声，会影响到图像处理全过程以至输出结果。 噪声对图像的影响无法避免，因此一个良好的图像处 理系统不论是模拟处理还是计算机处理无不把最前一级的噪声减少到最低作为主攻目标。 因此，滤除图像中的噪声就成为了图像处理中极为重要的步骤，对图像处理有着重要的实际意义。 数字图像的噪声主要来源于图像获取的数字化过程。 图像传感器的工作状态受各种因素的影响，如环境条件、传感器元件质量等。 在图像传输过程中，所用的传输信道受到干扰，也会产生噪声污染。 例如，通过无线网络传输的图像可能会因为光或其他大气因素的干扰而受到噪声污染。 图像噪声的种类有多种，主要有高斯噪声、瑞利噪声、伽马以及脉冲噪声等。 其中，脉冲噪声 (又称为椒盐噪 声或双极性噪声 )，在图像噪声中最为常见。 在图像生成和传输过程中，经常会产生脉冲噪声，主要表现在成像的短暂停留中，对图像质量有较大的影响，需要采用图像滤波方法给予滤除。 图像噪声的来源 外部噪声，即指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。 如电气设备，天体放电现象等引起的噪声。 内部噪声，一般又可分为以下四种 ： (1)由光和电的基本性质所引起的噪声。 如电流的产生是由电子或空穴粒子的集合，定向运动所形成。 因这些粒子运动的随机性而形成的散粒噪声；导体中自由电子的无规则热运动所形成的热噪声；根据 光的粒子性，图像是由光量子所传输，而光量子密度随时间和空间变化所形成的光量子噪声等。 (2)电器的机械运动产生的噪声。 如各种接头因抖动引起电流变化所产生的噪声；磁头、磁带等抖动或一起的抖动等。 (3)器材材料本身引起的噪声。 如正片和负片的表面颗粒性和磁带磁盘表面缺陷所产生的噪声。 随着材料科学的发展，这些噪声有望不断减少，但在目前来讲，还是不可避免的。 (4)系统内部设备电路所引起的噪声。 如电源引入的交流噪声；偏转系统和箝位电路所引起的噪声等。 东华理工大学长江学院毕业设计（论文） 图像滤波 8 图像噪声的滤除 通过图像平滑可以有效的减少和消除图像中的噪声， 以改善图像质量，有利于抽取对象特征进行分析。 经典的平滑技术对噪声图像使用局部算子，当对某一个像素进行平滑处理时，仅对它的局部小邻域内的一些像素进行处理，其优点是计算效率高，而且可以对多个像素并行处理。 近年来出现了一些新的图像平滑处理技术，结合人眼的视觉特性，运用模糊数学理论、小波分析、数学形态学、粗糙集理论等新技术进行图像平滑，取得了较好的效果。 灰度图像常用的滤波方法主要分为线性和非线性两大类。 线性滤波方法一般通过取模板做离散卷积来实现，这种方法在平滑脉冲噪声点的同时也导致图像模糊，损失了图像细节信息。 非 线性滤波方法中应用最多的是中值滤波，中值滤波可以有效地滤除脉冲噪声，具有相对好的边缘保持特性，并易于实现，因此被公认是一种有效的方法。 但中值滤波同时也会改变未受噪声污染的像素的灰度值，使图像变得模糊。 随着滤波窗口的长度增加和噪声污染的加重，中值滤波效果明显变坏。 针对中值滤波方法的缺陷，目前已经提出了一些改进方法。 这些方法在滤波性能上都比传统的中值滤波方法有所改善，但都是无条件地对所有的输入样本进行滤波处理。 而对于一幅噪声图像来说，只有一部分的像素受到了噪声的干扰，其余的像素仍保持原值。 无条件地对每个像素进 行滤波处理必然会造成损失图像的某些原始信息。 因此，人们提出的另一类方法是在滤波处理中加入判断的过程，即首先检测图像的每个像素是否为噪声，然后根据噪声检测结果再进行切换，输出结果是在原像素灰度和中值滤波或其他的滤波器计算结果之间切换。 由于是有选择地滤波，避免了不必要的滤波操作和图像的模糊，滤波效果得到了进一步的提高。 但这些方法在判断和滤除脉冲噪声过程中还存在一定的缺陷，比如，对于较亮或较暗的图像，会产生较多的噪声误判和漏判，甚至无法进行噪声的检测，同时算法的计算量也明显增加，影响了滤波效果和速度。 本节内容中 ，主要介绍基于空域的邻域平均法、加权平均法、中值滤波以及空域低通滤波。 领域平均法 邻域平均法是一种空间域局部处理算法，它对高斯噪声有较好的去噪能力。 对于位置 (i,j)处的像素，其灰度值为 f(i,j)，平滑后的灰度值为 g(i,j)，则g(i,j)由包含 (i,j)邻域的若干个像素的灰度平均值所决定，即 由公式 (21)得到平滑的像素灰度值  Ayx yxfMjig ),( ),(1),( x,y=0,1,2,„ ,N1 (21) 东华理工大学长江学院毕业设计（论文） 图像滤波 9 TyxfMjifjifTyxfMjifyxfMjigAyxAyxAyx|),(1),(|),(|),(1),(|,),(1),(),(),(),(式中， A表示以 (i,j)为中心的领域的集合， M是 A中像 素点的总数。 领域平均法的模板为：11111111191 ，中间的黑点表示以该像素为中心元素，即该像素是要进行处理的像素。 在实际应用中，也可以根据不同的需要选择使用不同的模板尺寸，如 33 ， 55 ， 77 ， 99 等。 邻域平均法的平滑效果与所使用的邻域半径大小有关。 半径越大，平滑图像的模糊程度越大，邻域平均法的优点在于算法简单， 计算速度快，主要缺点是在降低噪声的同时使图像产生模糊，特别是在边缘和细节处，邻域越大，模糊越厉害。 为了尽可能减少模糊失真，有人提出了“超限邻域平均法”，也就是采用下列准则形成平滑图像。 (22) 式中， T是一个规定的非负阈值，可以根据图像总体特性或局部特征确定。 当一些点和它们邻域平均值的差超过规定的 T 阈值时，才进行平滑处理，否则仍保留这些点的像素灰度值。 这样平滑后的图像比 直接采用 公式 (21)的模糊程度减少。 当某些像素的灰度值与各邻域点灰度的均值差别较大时，它可能是噪声点，则取其邻域平均值作为该点灰度值，它的平滑效果仍然是很好的。 图 21是对加入椒盐噪声的 avril 图像进行超限像素平滑的结果。 图 21 avril加噪图像超限像素平滑 将图像看成一个二维随机场，可以运用统计理论来分析受噪声干扰的图像平滑后的信噪比问题。 这里把信噪比定义为含噪图像的灰度均值与噪声方差之东华理工大学长江学院毕业设计（论文） 图像滤波 10 比。 在一般情况下，噪声属于加性噪声，并且是独立的高斯白噪声，均值为 O，方差为扩。 由 图 21 所示的结果可以看 出，超限像素算法对抑制椒盐噪声比较有效，能够保护仅有微小灰度差的细节及纹理细节。 加权平均法 对于同一尺寸的模板，可对不同位置的系数采用不同的数值。 一般认为离对应模板中心像素近的像素对滤波结果有较大贡献，所以接近模板中心的系数可较大，而模板边界附近的系数应较小。 在实际应用中，为保证各模板系数均为整数以减少计算量，常取模板周边最小的系数为 1，而取内部的系数成比例增加，中心系数最大。 一种常用的加权平均方法是根据系数与模板中心的距离反比例地确定其他内部系数的值，常用的模板为111121111101 、01011101051等；还有一种常用的方法是根据二维高斯分布来确定各系数值，常称为高斯模板，模板为121242121161。 相对于领域平均的卷积，加权平均也称为归一化卷积，表示两幅图像之间的卷积，一是需要处理的图像，二是有加权值的图像。