基于红外图像的边缘特征提取毕业论文(编辑修改稿)

基于红外图像的边缘特征提取毕业论文(编辑修改稿)内容摘要：

四个扇区之一，以便用 3*3 的窗口作抑制运算。 四个扇区的标号为 0 到 3。 对应 3*3 领域的四种可能组合。 在每一点上，领域的中心象素 M[x,y]与沿着梯度线的两个象素比。 如果 M[x,y]的梯度值不比沿梯度线的两个相邻象素梯度值大，则令 M[x,y]=0. ⑸ Canny 算子无论在定位精度还是抗噪声 方面 [4]，明显优于其他的一阶微分边缘检测算子 .低出错率、定位准确、 单边缘响应，这是边缘检测通用的最优准则。 基于 该准则，用 Gaussian 函数的导数作为最佳边缘检测 算子，即 Canny 算子。 具体步骤如下：①用二维高 斯函数与图像进行卷积运算，这样做的目的是对原 图像进行平滑滤波；②对第一步中得到的卷积后的 图像做微分计算，得到每个像素的梯度的大小和方 向；③对梯度进行非极大值抑制 （ NonMaxima Sup pression， NMS)，细化图像边缘。 判断梯度值是 否为局部极大值，把边缘细化为单像素；④ 阈值化和边缘连接，提高检测准确度。 经过极大值抑制并 且阈值化后的结果是一个图像的边缘阵列，其中仍然有假边缘的存在。 采用双阈值作用于该边缘阵列 ， 由高阈值得到的边缘图像含有很少的假边缘，但 是 同时也失去了一些有用的边缘信息；而由低阈值得到的边缘图像则保留了较多的信息。 因此，可以以 提 高阈值得到的边缘图像为基础，以低阈值得到的图像为补充来连接图像的边缘。 1 2 3 8 4 7 6 5 6 二阶微分算子法 1） LOG 边缘检测算子。 LOG 算子来源于 Marr 视觉理论中提出的边缘提取思想 ,即先对原始图像进行平滑处理 [5],从而实现对噪声最大程度的抑 制 ,再对平滑后的图像提取边缘。 LOG 算子被誉为最佳边缘检测算子之一。 高斯一拉普拉斯 (Laplacian of Gaussian， LOG)算子利用高斯函数作 为平滑函数，然后用拉普拉斯算子提取二阶导数的 过零交叉点进行边缘检测。 理论上，边缘点应处于 一阶导数的峰值点，在这些点上，二阶导数为 0。 在小波分析中， LOG 算子被称为墨西哥草帽小波。 其中 Laplacian 微分算子 定义 最单间的各项同性微分算子是拉普拉斯算子，一个二维图像 f(x,y)的拉普拉斯微分算子的定义如下： 将上式变换得 写成权系数矩阵模板为 LOG 算子 的基本步骤如下： ⑴ 采用二维高斯滤波器平滑滤波； ⑵ 采用二维拉普算子进行图像增强； ⑶ 依据二阶导数零交叉进行边缘检测。 ⑷ 二维高斯滤波器的函数 ),( yxG 7 )2ex p (2 1),( 2 222  yxyxG  ⑸ 用 ),( yxG 与原始图像 ),( yxf 进行卷积 [6]，得到平滑图像 ),( yxI )      , , ,I x y G x y f x y 其中 *是卷积运算符，再用拉普拉斯算子 )( 2 来获取平滑图像 ),( yxI 的二阶方向导数图像 ),( yxM。 由线性系统中卷积和微分的可交换性可得：     2 2 2, , [ ( , ) ( , ) ] [ ( , ) ] ( , )M x y I x y G x y f x y G x y f x y        ⑹ 对图像的高斯平滑滤波与拉普拉斯微分运算可以结合成一个卷积算子： )2ex p ()2(2 1),( 2 222 2242  yxyxyxG  式中 ),(2 yxG 即为 LOG 算子，又称为高斯拉普拉斯算子。 求取  ,Mxy 的零穿点轨迹即可得到图像 ),( yxf 的边缘。 以 ),(2 yxG 对原始灰度图像进行卷积运算后提取的零交叉点作为边缘点。 2） 改进的 LOG 边缘检测算法 1 双 边滤波 Tomasi 和 Manduchi 于 1998 年提出了双边滤波算法 [7]。 该算法加权系数不仅考虑了像素间的距离，同时也考虑了灰度相似性。 双边滤波方法可用如下公式表示：         ,, ,sijsijw i j I i jf x y w i j 其中  ,f xy 为去噪后图像 ,  ,sw i j 为空间域权值 ,  ,Ii j 为原图像 , 为像素 ,xy 处的邻域范围。 同理 ,在灰度范围内进行滤波与空间范围内滤波的方法相似。 它可表示为 :         ,, ,rijrijw i j I i jf x y w i j。