圖像邊緣檢測(cè)課程設(shè)計(jì)報(bào)告

1、<p>　　圖像邊緣的檢測(cè)提取設(shè)計(jì) </p><p>　　【摘要】邊緣是圖像最基本的特征，包含圖像中用于識(shí)別的有用信息，邊緣檢測(cè)是數(shù)字圖像處理中基礎(chǔ)而重要的內(nèi)容。該課程設(shè)計(jì)具體考察了五種最常用的邊緣檢測(cè)算子并運(yùn)用MATLAB進(jìn)行圖像處理比較。梯度算子簡(jiǎn)單有效，LOG算法和canny邊緣檢測(cè)器能產(chǎn)生較細(xì)的邊緣。 </p><p>　　【關(guān)鍵字】：MATLAB、邊緣檢測(cè)、圖像處理&l

2、t;/p><p>　　Image edge detection to extract the design</p><p>　　[Abstract]the basic features of the image edge, contains useful information in the image recognitio

3、n, edge detection is a basicand important content of digital image processing. Thecurriculum design of the specific study of the five most commonedge detection operator and

4、60;the use of MATLAB for comparison of image processing. Gradient operator is simple and effective,the LOG algorithm and the canny edge detector can producethinner edges. </p><p&g

5、t;　　[keyword]: MATLAB, edge detection, image processing</p><p><b>　　目錄</b></p><p><b>　　1緒論1</b></p><p>　　1.1邊緣檢測(cè)的背景1</p><p>　　1

6、.2邊緣檢測(cè)的定義1</p><p>　　1.3圖像邊緣檢測(cè)算法的研究?jī)?nèi)容2</p><p>　　1.4邊緣檢測(cè)的發(fā)展趨勢(shì)3</p><p>　　2邊緣檢測(cè)的算法分析與描述3</p><p>　　2.1 Roberts算子3</p><p>　　2.2 Prewitt算子4</p><

7、;p>　　2.3 Sobel算子5</p><p>　　2.4 Laplacian算子6</p><p>　　2.5 Canny算子7</p><p>　　3算子性能分析比較8</p><p>　　4 算法的選擇和實(shí)現(xiàn)9</p><p>　　4.1ssobel算子10</p>&l

8、t;p>　　4.2sobel算子10</p><p>　　4.3prewitt算子12</p><p><b>　　設(shè)計(jì)總結(jié)12</b></p><p><b>　　致謝14</b></p><p><b>　　參考資料15</b></p><

9、;p><b>　　1緒論</b></p><p>　　1.1邊緣檢測(cè)的背景</p><p>　　在實(shí)際圖像處理問(wèn)題中，圖像的邊緣作為圖像的一種基本特征，經(jīng)常被應(yīng)用到較高層次的圖像應(yīng)用中去。它在圖像識(shí)別，圖像分割，圖像增強(qiáng)以及圖像壓縮等的領(lǐng)域中有較為廣泛的應(yīng)用，也是它們的基礎(chǔ)。</p><p>　　邊緣檢測(cè)是圖像處理與分析中最基礎(chǔ)的內(nèi)容之一

10、，也是至今仍沒(méi)有得到圓滿解決的一類問(wèn)題。圖像的邊緣包含了圖像的位置、輪廓等特征，是圖像的基本特征之一，廣泛地應(yīng)用于特征描述、圖像分割、圖像增強(qiáng)、圖像復(fù)原、模式識(shí)別、圖像壓縮等圖像分析和處理中。因此，圖像邊緣和輪廓特征的檢測(cè)與提取方法，一直是圖像處理與分析技術(shù)中的研究熱點(diǎn)，新理論、新方法不斷涌現(xiàn)。</p><p>　　隨著信息技術(shù)的不斷發(fā)展和用戶需求的不斷增長(zhǎng),嵌入式系統(tǒng)逐漸走進(jìn)國(guó)民生產(chǎn)的方方面面,其應(yīng)用也日益廣泛

11、。目前國(guó)內(nèi)一個(gè)普遍被認(rèn)同的定義是：以應(yīng)用為中心、以計(jì)算機(jī)技術(shù)為基礎(chǔ)、軟件硬件可裁剪、適應(yīng)應(yīng)用系統(tǒng)對(duì)功能、可靠性、成本、體積、功耗嚴(yán)格要求的專用計(jì)算機(jī)系統(tǒng)。 嵌入式系統(tǒng)的應(yīng)用領(lǐng)域也非常廣泛。嵌入式系統(tǒng)幾乎包括了生活中的所有電器設(shè)備，如掌上 PDA 、移動(dòng)計(jì)算設(shè)備、手機(jī)上網(wǎng)、數(shù)字電視、多媒體、汽車、數(shù)字相機(jī)、電梯、空調(diào)、安全系統(tǒng)、自動(dòng)售貨機(jī)、工業(yè)自動(dòng)化儀表與醫(yī)療儀器等。 </p><p>　　而圖像邊緣檢測(cè)則是圖像處

12、理中非?；A(chǔ)但是及其重要步驟。邊緣是兩個(gè)不同區(qū)域之間的邊界。圖像邊緣檢測(cè)是圖像處理，圖像分析，模式識(shí)別等一系列圖像處理過(guò)程中最重要的步驟。目前，學(xué)界上已經(jīng)有許多種不同點(diǎn)的方法來(lái)實(shí)現(xiàn)邊緣檢測(cè)的功能，比如說(shuō)差分法（Kirsch,1971）和曲線擬合法（Haralick，1984）。傳統(tǒng)的邊緣檢測(cè)方法，比如Sobel、Prewitt、Kirsch算法，通過(guò)計(jì)算第一階方向?qū)?shù)來(lái)決定邊緣的位置。零點(diǎn)交叉邊緣檢測(cè)法（Bovik，1998）運(yùn)用了二階

13、導(dǎo)數(shù)和拉普拉斯算符。而Canny算法（Canny，1986）是目前學(xué)界最流行并且應(yīng)用最廣泛的的高斯邊緣檢測(cè)算法。盡管高斯檢測(cè)算法（Yuksel，2007）相對(duì)來(lái)說(shuō)有更好的性能表現(xiàn)，但是所需要的計(jì)算也比傳統(tǒng)基于求導(dǎo)的檢測(cè)算法復(fù)雜的多。 </p><p>　　近些年來(lái)，對(duì)于圖像處理在許多不同的科學(xué)和工程領(lǐng)域應(yīng)用的研究越來(lái)越火熱。在嵌入式系統(tǒng)上實(shí)現(xiàn)圖像處理能夠很好的解決在一般PC或者工控機(jī)上實(shí)現(xiàn)圖像處理的不足之處，比

14、如說(shuō)便攜性差，功耗大，移動(dòng)性，靈活性不強(qiáng)等。同時(shí)加之以集成度高，與網(wǎng)絡(luò)的耦合也越來(lái)越緊密等特點(diǎn)。嵌入式系統(tǒng)將是未來(lái)工業(yè)控制和其他一些行業(yè)的主要發(fā)展方向。 </p><p>　　1.2邊緣檢測(cè)的定義</p><p>　　圖像邊緣是圖像最基本的特征，邊緣在圖像分析中起著重要的用。所謂邊緣（edge）是指圖像局部特征的不連續(xù)性?；叶然蚪Y(jié)構(gòu)信息的突變稱為邊緣，例如：灰度級(jí)的突變、顏色的突變、紋理結(jié)

15、的突變。邊緣是一個(gè)區(qū)域的結(jié)束，也是另一個(gè)區(qū)域的開(kāi)始，利用該特征可以分割圖像。 當(dāng)人們看一個(gè)有邊緣 的物體時(shí)，首先感覺(jué)到的便是邊緣，如</p><p>　　一條理想的邊緣應(yīng)該具有如圖2.1(a) 所示模型的特性。每個(gè)像素都處在灰度級(jí)躍變的一個(gè)垂直的臺(tái)階上（例如圖形中所示的水平線通過(guò)圖像的灰度剖面圖）。 而實(shí)際上，諸如圖像采集系統(tǒng)的性能、采樣頻率和獲得圖像的照明條件等因素的影響，得到的邊緣往往是模糊的，邊緣被模擬成

16、具有“斜坡面”的剖面，如圖2.1(b) 所示，在這個(gè)模型中不再有細(xì)線（寬</p><p>　　為一個(gè)像素的線條），而是出現(xiàn)了邊緣的點(diǎn)包含斜坡中任意點(diǎn)的情況。由此可以看到：模糊的邊緣使邊緣的“寬度”較大，面清晰的邊緣使邊緣的寬度較小。圖像的邊緣有方向的幅度兩個(gè)屬性，沿邊緣方向像素變化平緩，垂直于邊緣方向像素變化劇烈。邊緣上的這種變化可以用微分算子檢測(cè)出來(lái)，通常用一階導(dǎo)數(shù)或二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣，不同的是一階導(dǎo)數(shù)認(rèn)為最大

17、值對(duì)應(yīng)邊緣位置，而二階導(dǎo)數(shù)以過(guò)零點(diǎn)對(duì)應(yīng)邊緣位置。實(shí)際上，對(duì)于圖像中的任意方向上的邊緣都可以進(jìn)行類似的分析。圖像邊緣檢測(cè)中對(duì)任意點(diǎn)的一階導(dǎo)數(shù)可以利用該點(diǎn)梯度的幅度來(lái)獲得，二階導(dǎo)數(shù)可以用拉普拉斯算子得到。</p><p>　　1.3圖像邊緣檢測(cè)算法的研究?jī)?nèi)容</p><p>　　圖像邊緣檢測(cè)和分析可定義為應(yīng)用一系列方法獲取、校正、增強(qiáng)、變換、檢測(cè)或壓縮可視圖像的技術(shù)。其目的是提高信息的相對(duì)質(zhì)量

18、，以便提取有用信息。圖像邊緣檢測(cè)中的變換屬于圖像輸入-圖像輸出模式，圖像邊緣檢測(cè)是一種超越具體應(yīng)用的過(guò)程，任何為解決某一特殊問(wèn)題而開(kāi)發(fā)的圖像邊緣檢測(cè)新技術(shù)或新方法，幾乎肯定都能找到其他完全不同的應(yīng)用領(lǐng)域。</p><p>　　圖像邊緣檢測(cè)的主要研究?jī)?nèi)容包括：</p><p>　?。?） 圖像獲得和抽樣，其中通過(guò)人眼觀察的視野獲取圖像的問(wèn)題有：最常用的圖像獲取裝置——電視（TV）攝像機(jī)問(wèn)題

19、，對(duì)所獲得信號(hào)進(jìn)行獨(dú)立的采樣和數(shù)字化就可用數(shù)字形式表達(dá)景物中全部彩色內(nèi)容；電荷-耦合裝置，用作圖像傳感器，對(duì)景物每次掃描一行，或通過(guò)平行掃描獲得圖像；選擇正確的分辨力或采樣密度，一幅圖像實(shí)質(zhì)上是二維空間中的信號(hào)，所以適用于信號(hào)處理的法則同樣適用于圖像邊緣檢測(cè)，在放射學(xué)中常常需要高分辨力，要求圖像至少達(dá)到2048像素×2048像素；灰度量化，圖像強(qiáng)度也必須進(jìn)行數(shù)字化，通常以256級(jí)（按1字節(jié)編碼）覆蓋整個(gè)灰度，一般一幅灰度分辨力

20、為8位，空間分辨力為512像素×512像素的圖像需0.25兆字節(jié)的存貯容量。</p><p>　?。?） 圖像分割，目的是把一個(gè)圖像分解成它的構(gòu)成成分，以便對(duì)每一目標(biāo)進(jìn)行測(cè)量。圖像分割是一個(gè)十分困難的過(guò)程。但其測(cè)量結(jié)果的質(zhì)量卻極大地依賴于圖像分割的質(zhì)量。有兩類不同的圖像分割方法。一種方法是假設(shè)圖像各成分的強(qiáng)度值是均勻的并利用這種均勻性；另一種方法尋找圖像成分之間的邊界，因而是利用圖像的不均勻性。主要有

21、直方圖分割，區(qū)域生長(zhǎng)，梯度法等。</p><p>　?。?） 邊界查索，用于檢測(cè)圖像中線狀局部結(jié)構(gòu)，通常是作為圖像分割的一個(gè)預(yù)處理步驟。大多數(shù)圖像邊緣檢測(cè)技術(shù)應(yīng)用某種形式的梯度算子，可應(yīng)用對(duì)水平方向、垂直方向或?qū)蔷€方向的梯度敏感的梯度算子，用它們的復(fù)合結(jié)果可檢測(cè)任意方向的邊界。</p><p>　?。?） 圖像增強(qiáng)和復(fù)原，用于改進(jìn)圖像的質(zhì)量。不同的增強(qiáng)技術(shù)可以用于不同的目的，這取決于

22、應(yīng)用的類型。如果打算直接觀察圖像，可以增強(qiáng)對(duì)比度。如果是為了進(jìn)一步對(duì)圖像作數(shù)字處理，可以選擇分割（一種突出各圖像成分之間的邊界和線狀結(jié)構(gòu)的運(yùn)算）。該技術(shù)可以是整體的或局部的，也可以在某個(gè)頻域或者空間域中進(jìn)行。圖像增強(qiáng)和復(fù)原的目的是為了提高圖像的質(zhì)量，如去除噪聲，提高圖像的清晰度等。圖像增強(qiáng)不考慮圖像降質(zhì)的原因，突出圖像中所感興趣的部分。</p><p>　　（5） 圖像分類（識(shí)別）， 圖像分類（識(shí)別）屬于模式識(shí)

23、別的范疇，其主要內(nèi)容是圖像經(jīng)過(guò)某些預(yù)處理（增強(qiáng)、復(fù)原、壓縮）后，進(jìn)行圖像分割和特征提取，從而進(jìn)行判決分類。圖像分類常采用經(jīng)典的模式識(shí)別方法，有統(tǒng)計(jì)模式分類和句法（結(jié)構(gòu)）模式分類，近年來(lái)新發(fā)展起來(lái)的模糊模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)模式分類在圖像識(shí)別中也越來(lái)越受到重視。</p><p>　?。?） 圖像變換： 由于圖像陣列很大，直接在空間域中進(jìn)行處理，涉及計(jì)算量很大。因此，往往采用各種圖像變換的方法，如傅立葉變換、沃爾什

24、變換、離散余弦變換等間接處理技術(shù)，將空間域的處理轉(zhuǎn)換為變換域處理，不僅可減少計(jì)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(jìn)行數(shù)字濾波處理）。目前新興研究的小波變換在時(shí)域和頻域中都具有良好的局部化特性，它在圖像邊緣檢測(cè)中也有著廣泛而有效的應(yīng)用。</p><p>　　1.4邊緣檢測(cè)的發(fā)展趨勢(shì)</p><p>　　邊緣檢測(cè)的研究多年來(lái)一直受到人們的高度重視，從邊緣檢測(cè)研究的歷史和現(xiàn)狀來(lái)

25、看，邊緣檢測(cè)的研究有幾個(gè)明顯的趨勢(shì)： 1） 對(duì)原有算法的不斷改進(jìn)。 2） 新方法、 新概念的引入和多種方法的有效綜合運(yùn)用。 3） 對(duì)特殊圖像邊緣檢測(cè)的研究越來(lái)越得到重視。 目前有很多針對(duì)立體圖像、 彩色圖像、 多光譜圖像、 合成孔徑雷達(dá)圖像、 深度圖像、 紋理圖像、 超聲圖像、 計(jì)算機(jī)斷層掃描、 磁共振圖像、 共聚焦激光掃描顯微鏡圖像以及運(yùn)動(dòng)圖像等特殊圖像的邊緣檢測(cè)技術(shù)的研究。 4） 對(duì)圖像邊緣檢測(cè)評(píng)價(jià)的研究和對(duì)評(píng)價(jià)系統(tǒng)的研究越來(lái)越得到

26、關(guān)注。 5） 將現(xiàn)有的算法應(yīng)用于工程實(shí)際中。</p><p>　　2邊緣檢測(cè)的算法分析與描述</p><p>　　2.1 Roberts算子</p><p>　　由Roberts提出的算子是一種利用局部差分算子尋找邊緣的算子，對(duì)于邊界陡峭且噪比較小的圖像檢測(cè)效果比較好，它在2×2鄰域上計(jì)算對(duì)角導(dǎo)數(shù)，</p><p><b&g

27、t;　　(2.1)</b></p><p>　　G[i,j]又稱為Roberts交叉算子。在實(shí)際應(yīng)用中，為簡(jiǎn)化運(yùn)算，用梯度函數(shù)的Roberts絕對(duì)值來(lái)近似：</p><p><b>　　(2.2)</b></p><p>　　用卷積模板，上式變成：</p><p><b>　　(2.3)<

28、/b></p><p>　　其中Gx和Gy由下面圖1所示的模板計(jì)算：</p><p>　　圖1 Robert邊緣檢測(cè)算子的模板</p><p>　　Roberts算子是該點(diǎn)連續(xù)梯度的近似值，而不是所預(yù)期的點(diǎn)處的近似值。由上面兩個(gè)卷積算子對(duì)圖像運(yùn)算后，代入2式，可求得圖像的梯度幅度值G[i,j]，然后選取適當(dāng)?shù)拈T限TH，作如下判斷：G[i,j]>TH，[i

29、,j]為階躍狀邊緣點(diǎn)，{G[i,j]}為一個(gè)二值圖像，也就是圖像的邊緣。由于利用局部差分檢測(cè)比較陡峭的邊緣，但對(duì)于噪聲比較敏感，經(jīng)常會(huì)出現(xiàn)孤立點(diǎn)，于是人們又提出了Prewitt算子[4]。</p><p>　　通過(guò)分析可知，Sobel算子法對(duì)高頻成分豐富的圖像處理效果好，對(duì)中低頻成分的圖像效果差。</p><p>　　2.2 Prewitt算子</p><p>　

30、　為在檢測(cè)邊緣的同時(shí)減少噪聲的影響，Prewitt算子從加大邊緣檢測(cè)算子出發(fā)。由2×2擴(kuò)大到3×3來(lái)計(jì)算差分算子，所以其卷積模板為圖2所示：</p><p>　　圖2 Prewitt邊緣檢測(cè)算子的模板</p><p>　　在圖像中的每個(gè)像素位置都用這2個(gè)模板做卷積，Prewitt算子將方向差分運(yùn)算與局部平均結(jié)合起來(lái)，表達(dá)式如下：</p><p>

31、　　(2.4) (2.5) </p><p>　　根據(jù)兩式可以計(jì)算Prewitt梯度，選取適當(dāng)?shù)拈撝礣，對(duì)梯度圖像二值化，得到一幅邊緣二值圖像。采用Prewitt算子不僅能檢測(cè)邊緣點(diǎn)，而且還能抵制噪聲的影響[5]。</p><p>　　通過(guò)分析可知，P

32、rewitt算子法對(duì)高頻成分豐富的圖像處理效果好，對(duì)中低頻成分的圖像效果差。</p><p>　　2.3 Sobel算子</p><p>　　行鄰域卷積來(lái)完傳統(tǒng)的Sobel圖像邊緣檢測(cè)方法，是在圖像空間利用兩個(gè)方向模板與圖像進(jìn)成的。這兩個(gè)方向模板一個(gè)檢測(cè)垂直邊緣，一個(gè)檢測(cè)水平邊緣，如圖3所示。圖中，模板內(nèi)的數(shù)字為模板系數(shù)，梯度方向與邊緣方向總是正交</p><p>

33、;　　水平邊緣Sobel算子垂直邊緣Sobel算子</p><p>　　圖3 Sobel算子</p><p>　　模板元素和窗口像素之間的對(duì)應(yīng)關(guān)系(以3×3窗口為例)定義如下：</p><p><b>　　設(shè)窗口灰度為：</b></p><p><b>　　(2.6)</b></

34、p><p>　　模板卷積計(jì)算就是下式求乘積和的過(guò)程：</p><p><b>　　(2.7)</b></p><p>　　式中，i=1,2分別代表垂直和水平模板。為模板卷積法邊緣檢測(cè)的輸出,,L為窗口寬度，對(duì)3×3窗口，l=1。將兩個(gè)卷積結(jié)果的最大值，賦給圖像中對(duì)應(yīng)模板中心位置的像素，作為該像素的新灰度值，即：</p>&

35、lt;p><b>　　(2.8)</b></p><p>　　通過(guò)分析可知，Sobel算子法對(duì)高頻成分豐富的圖像處理效果好，對(duì)中低頻成分的圖像效果差。</p><p>　　2.4 Laplacian算子</p><p>　　拉普拉斯算子是二階導(dǎo)數(shù)的二維等效式。函數(shù)f(x,y)的拉普拉斯算子公式為：</p><p>

36、;<b>　　(2.9)</b></p><p>　　使用差分方程對(duì)x和y方向上的二階偏導(dǎo)數(shù)近似如下：</p><p><b>　　(2.10)</b></p><p>　　這一近似式是以點(diǎn)f[i,j+1]為中心的，用j-1替換j得到</p><p><b>　　(2.11)<

37、/b></p><p>　　它是以點(diǎn)[i,j]為中心的二階偏導(dǎo)數(shù)的理想近似式，類似地，</p><p><b>　　(2.12)</b></p><p>　　把式(2-3)和式(2-4)合并為一個(gè)算子，就成為式(2-5)能用來(lái)近似拉普拉斯算子的模板：</p><p><b>　　(2.13)</

38、b></p><p>　　有時(shí)候希望鄰域中心點(diǎn)具有更大的權(quán)值，比如下面式(2-6)的模板就是一種基于這種思想的近似拉普拉斯算子：</p><p><b>　　(2.14)</b></p><p>　　當(dāng)拉普拉斯算子輸出出現(xiàn)過(guò)零點(diǎn)時(shí)就表明有邊緣存在，其中忽略無(wú)意義的過(guò)零點(diǎn)(均勻零區(qū))。原則上，過(guò)零點(diǎn)的位置精度可以通過(guò)線性內(nèi)插方法精確到子像

39、素分辨率。</p><p>　　通過(guò)分析可知，它不過(guò)由于噪聲，以及由噪聲引起的邊緣兩端的不對(duì)稱性，結(jié)果可能不會(huì)很精確。</p><p>　　2.5 Canny算子</p><p>　　Canny檢測(cè)階躍邊緣的基本思想是在圖像中找出具有局部最大梯度幅值的像素點(diǎn)。檢測(cè)階躍邊緣的大部分工作集中在尋找能夠用于實(shí)際圖像的梯度數(shù)字逼近。由于實(shí)際的圖像經(jīng)過(guò)了攝像機(jī)光學(xué)系統(tǒng)和電路

40、系統(tǒng)(帶寬限制)固有的低通濾波器的平滑，因此，圖像中的階躍邊緣不是十分陡立。圖像也受到攝像機(jī)噪聲和場(chǎng)景中不希望的細(xì)節(jié)的干擾。圖像梯度逼近必須滿足兩個(gè)要求：首先逼近必須能夠抑制噪聲效應(yīng)；其次必須盡量精確地確定邊緣的位置。抑制噪聲和邊緣精確定位是無(wú)法同時(shí)得到滿足的，也就是說(shuō)，邊緣檢測(cè)算法通過(guò)圖像平滑算子去除了噪聲，但卻增加了邊緣定位的不確定性；反過(guò)來(lái)，若提高邊緣檢測(cè)算子對(duì)邊緣的敏感性，同時(shí)也提高了對(duì)噪聲的敏感性。有一種線性算子可以在抗噪聲干

41、擾和精確定位之間提供最佳折衷方案，它就是高斯函數(shù)的一階導(dǎo)數(shù)。</p><p>　　通過(guò)分析可知，采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，因此具有較強(qiáng)的噪聲抑制能力；同樣該算子也將一些高頻邊緣平滑掉，造成邊緣丟失，采用了雙閾值算法檢測(cè)和連接邊緣，邊緣的連續(xù)性較好。</p><p><b>　　3算子性能分析比較</b></p><p>　　Roberts

42、算子、Sobel算子、Prewitt算子的檢測(cè)效果相差不大，三種算子的檢測(cè)效果較之Canny和Log算子還是存在一定的差距。這三種檢測(cè)算子的閾值選擇范圍與log和canny算子相比要小些。邊緣點(diǎn)不夠銳利和明確，線邊緣檢測(cè)要好于點(diǎn)邊緣檢測(cè)。總體而言由于Prewitt 算子受噪聲影響較小，故檢測(cè)效果要略好于另外兩種。</p><p>　　由于Roberts算子是利用圖像的兩個(gè)對(duì)角線的相鄰像素之差進(jìn)行梯度幅值的檢測(cè)，所

43、以求得的是在差分點(diǎn)處梯度幅值的近似值，并且檢測(cè)水平和垂直方向邊緣的性能好于斜線方向的邊緣，檢測(cè)精度比較高，但容易丟失一部分邊緣，同時(shí)由于沒(méi)經(jīng)過(guò)圖像平滑計(jì)算，因此不能抑制噪聲，但該算子對(duì)具有陡峭的低噪聲圖像響應(yīng)最好。</p><p>　　Prewitt算子和Sobel算子都是對(duì)圖像進(jìn)行差分和濾波運(yùn)算，僅在平滑部分的權(quán)值選擇上有些差異，因此兩者均對(duì)噪聲具有一定的抑制能力，但這種抗噪能力是通過(guò)像素平均來(lái)實(shí)現(xiàn)的，所以圖像

44、產(chǎn)生了一定的模糊，而且還會(huì)檢測(cè)出一些偽邊緣，所以檢測(cè)精度比較低，該算子比較適合用于圖像邊緣灰度值比較尖銳且圖像噪聲比較小的情況。</p><p>　　Canny算子采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理具有較強(qiáng)的去噪能力，容易平滑掉一些邊緣信息，邊緣定位精度較高。該算子與其它邊緣檢測(cè)算子的不同之處在于，它使用2種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且僅當(dāng)弱邊緣相連時(shí)才將弱邊緣包含在輸出圖像中，因此這種方法較其它方法而言不

45、容易被噪聲“填充”更容易檢測(cè)出真正的弱邊緣。通過(guò)對(duì)lena圖的仿真實(shí)驗(yàn)結(jié)果可以看出，該算子在上述幾種邊緣檢測(cè)算子當(dāng)中效果最好。邊緣定位準(zhǔn)確，連續(xù)性較好，虛假邊緣少且邊緣均具有單像素寬度。</p><p>　　LoG算子首先通過(guò)高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，因此對(duì)噪聲的抑制作用比較明顯，但同時(shí)也可能將原有的邊緣也平滑了，造成某些邊緣無(wú)法檢測(cè)到，比外高斯分布因子的選擇對(duì)圖像邊緣檢測(cè)效果有較大的影響，越大，檢測(cè)到的圖像細(xì)

46、節(jié)越豐富，但抗噪能力下降，從而出現(xiàn)偽邊緣，反之則抗噪能力提高，但邊緣精度下降，易丟失許多真邊緣，因此，對(duì)于不同圖像應(yīng)選擇不同參數(shù)。</p><p>　　Roberts算子：采用對(duì)角線方向相鄰兩像素之差表示信號(hào)的突變，檢測(cè)水平和垂直方向邊緣的性能好于斜線方向，定位精度比較高，但對(duì)噪聲敏感，檢測(cè)出的邊緣較細(xì)。</p><p>　　Prewitt算子：對(duì)噪聲有平滑作用，檢測(cè)出的邊緣比較粗，定位精

47、度低，容易損失角點(diǎn)。</p><p>　　Sobel算子：產(chǎn)生的邊緣效果較好，對(duì)噪聲具有平滑作用。但存在偽邊緣，邊緣比較粗且定位精度低。</p><p>　　Laplacian算子：是二階微分算子，對(duì)圖像中的階躍性邊緣點(diǎn)定位準(zhǔn)確，對(duì)噪聲非常敏感，丟失一部分邊緣的方向信息，造成一些不連續(xù)的檢測(cè)邊緣。</p><p>　　Canny算子：采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，

48、因此具有較強(qiáng)的噪聲抑制能力；同樣該算子也將一些高頻邊緣平滑掉，造成邊緣丟失，采用了雙閾值算法檢測(cè)和連接邊緣，邊緣的連續(xù)性較好。</p><p>　　4 算法的選擇和實(shí)現(xiàn)</p><p>　　近年來(lái)，圖像分析和處理緊緊圍繞理論、實(shí)現(xiàn)、應(yīng)用三方面迅速發(fā)展起來(lái)。它以眾多的學(xué)科領(lǐng)域?yàn)槔碚摶A(chǔ)，其成果又滲透到眾多的學(xué)科中，成為理論實(shí)踐并重，在高新技術(shù)領(lǐng)域中占有重要地位的新興學(xué)科。迄今已有許多邊緣檢測(cè)

49、方法，其中Robert算子、Sobel 算子、Prewitt 算子、Log 算子、Canny算子、及輪廓提取或輪廓跟蹤、利用平滑技術(shù)提取圖像邊緣、利用差分技術(shù)提取圖像邊緣、利用小波分析技術(shù)提取圖像邊緣等方法是常用的方法，但各種算法結(jié)果差異很大。 </p><p><b>　　lose all</b></p><p><b>　　clear all</b

50、></p><p>　　I=imread('D:\Koala.jpg');</p><p>　　I1=im2double(I); </p><p>　　I2=rgb2gray(I1); </p><p>　　[thr, sorh, keepapp]=ddencmp('den','wv',I

51、2);</p><p>　　I3=wdencmp('gbl',I2,'sym4',2,thr,sorh,keepapp);</p><p>　　I4=medfilt2(I3,[9 9]); </p><p>　　I5=imresize(I4,0.2,'bicubic');</p><p>　　B

52、W1=edge(I5,'sobel');</p><p>　　BW2=edge(I5,'roberts');</p><p>　　BW3=edge(I5,'prewitt'); </p><p>　　h=fspecial('gaussian',5); </p><p>　　ims

53、how(I1); </p><p>　　subplot(2,2,1);</p><p>　　imshow(I1);</p><p>　　title('sobel');</p><p>　　subplot(2,2,2);</p><p>　　imshow(BW1);</p><p>

54、;　　title('sobel');</p><p>　　subplot(2,2,3);</p><p>　　imshow(BW2);</p><p>　　title('roberts');</p><p>　　subplot(2,2,4);</p><p>　　imshow(BW3);

55、</p><p>　　title('prewitt');</p><p>　　4.1roberts算子</p><p>　　4.2sobel算子</p><p>　　4.3prewitt算子</p><p><b>　　4.4整體比較</b></p><p>

56、;<b>　　設(shè)計(jì)總結(jié)</b></p><p>　　雖然這次課程設(shè)計(jì)只有二個(gè)星期的時(shí)間，但是我們對(duì)圖像處理的各種方法及應(yīng)用有了更深的理解，學(xué)會(huì)了應(yīng)用MATLAB軟件及邊緣提取來(lái)實(shí)現(xiàn)界面的操作和編程處理。MATLAB是我們?cè)谝郧昂鸵院蟮膶W(xué)習(xí)工作中都會(huì)經(jīng)常應(yīng)用到的軟件，但是在以前還是對(duì)其了解不足，操作不是很了解，在實(shí)習(xí)之初便因?yàn)檫@個(gè)問(wèn)題而無(wú)從下手。于是我們尋找了許多這方面的書(shū)籍以及應(yīng)用網(wǎng)絡(luò)教程來(lái)

57、對(duì)其進(jìn)行學(xué)習(xí)，逐漸的增強(qiáng)了對(duì)MATLAB及邊緣提取的了解，能夠摸索著開(kāi)始進(jìn)行編寫。實(shí)習(xí)中也遇到了很多問(wèn)題，但通過(guò)查閱書(shū)籍、同學(xué)間討論、請(qǐng)教老師以及網(wǎng)上查找最終能夠得以解決，完成這次實(shí)習(xí)。</p><p>　　通過(guò)這次課程設(shè)計(jì)，對(duì)其的一些常見(jiàn)函數(shù)以及與圖像處理相關(guān)的函數(shù)都比較了解，并能夠應(yīng)用這些函數(shù)來(lái)解決圖像處理的問(wèn)題。GUI對(duì)于我們是一個(gè)新的知識(shí)，通過(guò)各方面的學(xué)習(xí)，我們最終對(duì)GUI也有了比較深的了解，能夠很順利的

58、應(yīng)用邊緣提取來(lái)設(shè)計(jì)出適合并且美觀的界面。圖像處理是我們這學(xué)期的一門很重要的課程，在課上雖然學(xué)習(xí)了很多知識(shí)，但是不經(jīng)過(guò)自己動(dòng)手操作而只看到書(shū)上的一些概念和處理的圖片并不能很清楚的了解到各種操作的效果，并且不動(dòng)手操作，知識(shí)就只能局限于書(shū)本上。經(jīng)過(guò)這次課程設(shè)計(jì)，不但能夠讓我們?cè)俅螐?fù)習(xí)了本學(xué)期所學(xué)的圖像處理的知識(shí)，加深了對(duì)這些知識(shí)的記憶，并且讓我們對(duì)圖像處理的各種處理方法如Sobel算子、Robert算子、Priwitt算子、拉普拉斯算子、Ca

59、nny等對(duì)圖像產(chǎn)生的效果有了更加直觀的了解，不但加深了記憶也能因此更加了解各種處理方法的應(yīng)用，可以用MATLAB軟件來(lái)對(duì)這些處理來(lái)實(shí)現(xiàn)。</p><p>　　這次課程設(shè)計(jì)要實(shí)現(xiàn)的內(nèi)容比較多，其中有一些易操作的也有一些比較復(fù)雜的，在實(shí)習(xí)過(guò)程中也會(huì)遇到一些難以突破的問(wèn)題，但是在這個(gè)過(guò)程中需要我們耐心的學(xué)習(xí)，一步一步通過(guò)各種途經(jīng)學(xué)習(xí)到解決的方法，也培養(yǎng)了我們的耐心和學(xué)習(xí)的能力。這次是兩人一組的實(shí)習(xí)，因此合理的分工合作也

60、是很重要的，通過(guò)實(shí)習(xí)也培養(yǎng)了我們之間分工協(xié)作互幫互助的精神。</p><p>　　總體來(lái)說(shuō)，我們的這次課程設(shè)計(jì)還是比較成功的，較為成功的完成了我們的邊緣圖像檢測(cè)，并且達(dá)到到了我們這次課程設(shè)計(jì)的目的。</p><p><b>　　致謝</b></p><p>　　在這次課程設(shè)計(jì)的設(shè)計(jì)過(guò)程中，我得到了許多人的幫助。首先我要感謝我的老師在課程設(shè)計(jì)上給

61、予我的指導(dǎo)、提供給我的支持和幫助，這是我能順利完成這次報(bào)告的主要原因，更重要的是老師幫我解決了許多技術(shù)上的難題，讓我能把系統(tǒng)做得更加完善。在此期間，我不僅學(xué)到了許多新的知識(shí)，而且也開(kāi)闊了視野，提高了自己的設(shè)計(jì)能力。 其次，我要感謝幫助過(guò)我的同學(xué)，他們也為我解決了不少我不太明白的代碼難題，在一個(gè)個(gè)小問(wèn)題上給了我很大的幫助。 最后再一次感謝所有在設(shè)計(jì)中曾經(jīng)幫助過(guò)我的良師益友和同學(xué)。</p><p>

62、<b>　　參考資料</b></p><p>　　[1] 朱虹. 數(shù)字圖像處理基礎(chǔ)[M]. 科學(xué)出版社, 2005</p><p>　　[2] R C.Gonzalez, R E.Woods著,阮秋琦,阮宇智等譯.數(shù)字圖像處理(第2版).北京:電子工業(yè)出版社,2003</p><p>　　[3] K.R.Castleman. 數(shù)字圖像處理.北京

63、:電子工業(yè)出版社,2002</p><p>　　[4] 章毓晉.圖像處理與分析-圖像工程（上冊(cè)）,清華大學(xué),2001</p><p>　　[5] 何斌等編著.Visual C++數(shù)字圖像處理.人民郵電出版社,2002 </p><p>　　[6] 唐良瑞，馬全明，圖像處理實(shí)用技術(shù)[M]，北京化學(xué)工業(yè)出版社</p><p>　　[7]鄭南寧，計(jì)

64、算機(jī)視覺(jué)與模式識(shí)別[M],北京：北京國(guó)防工業(yè)出版社，1998</p><p>　　[8] R C.Gonzalez, R E.Woods, S L. Eddins著,阮秋琦,阮宇智等譯.數(shù)字圖像處理(MATLAB版).北京:電子工業(yè)出版社,2005</p><p>　　[9] 崔錦泰，小波分析導(dǎo)論[M],西安：西安交通大學(xué)出版社，1995</p><p>　　[10