图像边缘检测方法的比较
课程大作业实验报告
图像边缘检测方法的比较
课程名称：数字图像处理
指导教师
报告提交日期2010年05月项目答辩日期2010年05月
目录
1、项目要求 (3)
1.1、要求一 (3)
1.2、要求二 (3)
1.3、要求三 (3)
2、项目开发的环境 (3)
3、边缘检测的系统分析 (4)
3.1、系统模块分析 (4)
3.2、系统的关键问题以及解决方法 (4)
4、系统设计 (5)
4.1程序的流程图以及说明 (5)
4、2程序的主要功能模块 (7)
4.2.1 水平梯度算子模块 (7)
4.2.2 垂直梯度算子模块 (8)
4.2.3 水平垂直梯度算子模块 (8)
4.2.4 罗伯茨算法模块 (9)
4.2.5 Sobel模块 (10)
4.2.6 Prewitt模块 (11)
4.2.7 拉普拉斯边缘检测模块 (11)
4.2.8 基于Kirsch算子的快速边缘检测模块 (11)
4.2.9 Robinson算法模块 (12)
4.2.10 高斯LOG模块 (13)
4.2.11 梯度幅值自适应 (14)
5.实验结果与分析 (14)
5.1 实验结果和分析 (15)
5.2 项目的创新之处 (19)
5.3 存在问题及改进设想 (19)
6.心得体会 (20)
6.1 系统开发的体会 (20)
6.2 对本门课程的改进意见或建议 (20)
1 项目要求
1.1 对以下方法编程实现：
（1）水平梯度算子；
（2）垂直梯度算子；
（3）水平垂直梯度算子；
（4）罗伯茨梯度算子；
（5）拉普拉斯算子；
（6）柯西算子；
（7）Prewitt算子；
（8）Sobel算子；
（9）拓展：其他的边缘检测算法
1.2 界面整合为菜单形式，在程序的主界面上显示每种方法的处理时间（利用C语言的
时间函数，计算出处理时间）。
1.3 有好的PPT和电子文档。
2 项目开发的环境
硬件部分：PC机
软件部分：CVI5.0、IMAQ vision（Imaq_CVI.fp、Imaq_CVI.h、Imaq_CVI.lib）
使用语言：C语言
3 边缘检测的系统分析
3.1 系统模块分析
图像的边缘检测是计算机视觉和图像处理中重要的内容，广泛应用于目标识别与跟踪、机器人视觉、图像数据压缩等领域。准确可靠的边缘检测方法对这些系统的整体性能起到至关重要的作用，因此边缘检测成为研究人员进行图像特征分析研究时最为关注的热门课题之一。
所谓边缘是一组相连的像素集合, 这些像素的周围像素灰度有强烈的反差，边缘检测实际上就是检测图像特征发生变化的位置。
本系统介绍了几种经典的边缘检测算子并进行了比较，同时阐述了新的边缘检测方法的原理。分析结果表明，边缘检测是图像处理和计算机视觉领域内的一个基本问题，寻求较简单、能较好解决边缘检测精度与抗噪性能协调问题的算法，一直是图像处理与分析的研究重点。根据项目要求，我们这个边缘检测系统一共是由8个基本边缘检测方法和3个拓展边缘检测方法组成。由以下各个模块组成：打开图像模块(Load image)、保存文件模块(Save)、水平梯度算子模块(Edge_detect_parallel)、垂直梯度算子(Edge_detect_vertical)、水平垂直梯度算子模块（Edge_detect_ver_par)、罗伯茨算子模块(Edge_detect_Roberts)、Prewitt(Edge_detect_Prewitt）、Sobel边缘检测模块(Edge_detect_Sobel)、拉普拉斯边缘检测模块(Edge_detect_lapulasi）、基于Kirsch 算子的快速边缘检测方法--FKC算法模块（Edge_detect_Krisch)、Robinson算子的边缘检测模块(Edge_detect_Robinson)、高斯Laplace边缘检测模块(Edge_detect_log)和梯度幅值自适应边缘检测方法模块(Edge_detect_fun1)。其中，Robinson算子、高斯Laplace 算子和梯度幅值自适应属于拓展的边缘检测方法。
3.2 系统的关键问题以及解决方法
主要是对各种边缘检测方法的实现问题，在对后面几种拓展的边缘检测算子实现时，遇到了较多的问题，例如，处理时间较长，边缘检测后的图像边缘信息提取比较模糊等。通过大量查找资料，咨询老师和小组团结协作，较好的将问题解决了。
4 系统设计
4.1程序的流程图以及说明
图1 功能流程图
图2 程序流程图
程序界面是以菜单的形式展现的，当载入一幅图像，选择一种边缘检测方法后，程序开始执行，提取边缘信息并显示其边缘图像，在程序的主界面上显示这种方法的处理时间。
4.2程序的主要功能模块及实现原理
4.2.1 水平梯度算子模块
(1)理论知识
卷积可以简单的看成加权求和的过程。卷积时使用的权用一个很小的矩阵来表示，矩阵的大小是奇数，而且与使用的区域的大小相同。这种权矩阵叫做卷积核，区域中的每个像素分别与卷积核中的每个元素相乘，所有乘积之和即区域中心像素的新值。
(2)水平梯度算子
对于数字图像而言，微分要用相邻像素之间的差分来代替，水平主要指的是x方向，垂直主要指的是y方向。通过一个可以检测出水平方向上的像素值的变化模板来实现。
首先定义了Edge_detect_parallel（水平梯度）函数，再对各个参数进行定义（包括图像的高度、宽度等），for循环是对(x.y)为中心的3×3区域的各点灰度值进行处理，IPI_GetPixelValue（）是获取图像像数的灰度值，sum=sum+gray_value*array[m]是灰度值与水平梯度算子相乘再相加；
水平梯度算子核心程序：
int array[9]={1, 0, -1, 2, 0, -2, 1, 0, -1}; //水平梯度算子模板
for(y=1;y { for(x=1; x { sum=0; m=0; for(i= -1;i<=1;i++) //对(x.y)为中心的3×3区域的各点灰度值进行处理 { for(j= -1;j<=1;j++) { IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value); sum=sum+gray_value*array[m]; m=m+1; } } …… } } 4.2.2 垂直梯度算子模块 垂直方向的检测与水平方向相似，通过一个可以检测出垂直方向上的像素值的变化模板来实现，图像的垂直边缘得到增强。 垂直梯度算子核心程序： int array[9]={1, 2, 1, 0, 0, 0, -1, -2, -1}; //垂直梯度算子模板 …… for(i= -1;i<=1;i++) //对(x.y)为中心的3×3区域的个点灰度值进行处理 { for(j= -1;j<=1;j++) { IPI_GetPixelValue ( SourceImage, x+i, y+j, &gray_value ); sum=sum+gray_value*array[m]; m=m+1; } } …… 4.2.3 水平垂直梯度算子模块 通过两个模板来实现，其中一个可以检测出水平方向上的像素值的变化，另外一个可以检测出垂直方向上的像素值的变化， 最后按公式：22),(cy cx y x g +=处理其灰度值。 该算法是同时增强水平和垂直方向的边缘。 水平垂直梯度核心算法： //水平垂直梯度算子模板 int array1[9]={1, 2, 1, 0, 0, 0, -1, -2, -1}; int array2[9]={1, 0, -1, 2, 0, -2, 1, 0, -1}; …… cx=cx+gray_value*array1[m]; cy=cy+gray_value*array2[m]; …… sum=sqrt(cx*cx+cy*cy); …… 4.2.4 罗伯茨算法模块 1963年，Roberts 提出了这种寻找边缘的算子。Roberts 边缘算子是一个2x2的模板，采用的是对角方向相邻的两个像素之差。从图像处理的实际效果来看，边缘定位较准，对噪声敏感。 Roberts 算法的计算公式如下： )1,(),1(),()1,1(),(g +-++-++=y x f y x f y x f y x f y x Robert 边缘检测算子相当于用模板???-10 ???01和???01 ??? -10对图像进行卷积。 Roberts 边缘检测的核心算法： …… IPI_GetPixelValue( SourceImage, x, y, &gray_value[0] ); //获取图像像素的灰度值 IPI_GetPixelValue( SourceImage, x+1, y+1, &gray_value[1] ); cx=gray_value[0]-gray_value[1]; cy=gray_value[2]-gray_value[3]; sum=255-sqrt(cx*cx+cy*cy); …… 4.2.5 Sobel 模块 为了在边缘检测中减少噪声的影响，1970年Prewitt 和Sobe1分别提出prewitt 算子和Sobel 算子。sobel 算子从不同的方向检测边缘，利用像素点上下、左右邻点的灰度加权算法，根据在缘点处达到极值进行边缘的检测。Sobel 边缘检测是一种数学背景复杂但实现较为简单的技术，从加大边缘增强算子的模板大小出发，由2*2扩大到3*3来计算差分。 Sobel 算子的两个卷积计算核如图3所示，图像中的每个点都用这两个核作卷积，第一个核对通常的垂直边缘响应最大，第二个核对水平边缘响应最大。利用两个卷积核对3*3的区域进行卷积，并按22),(cy cx y x g +=计算。在边沿检测中，sobel 算子对于像素的位置的影响做了加权，加权平均边宽2像素，因此效果较好。 ?????-101 202- ?????-101 和 ?????-101 202- ???? ? -101 图3 Sobel 算子 Sobel 边缘检测核心算法： //两个卷积核形成Sobel 边缘检测算子 int array1[9]={1, 2, 1, 0, 0, 0, -1, -2, -1}; int array2[9]={-1, 0, 1, -2, 0, 2, -1, 0, 1}; …… for(i= -1;i<=1;i++) { for(j= -1;j<=1;j++) { //图像中的每个点都用这两个核进行卷积 IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value); cx=cx+gray_value*array1[m]; cy=cy+gray_value*array2[m]; m=m+1; } } sum=sqrt(cx*cx+cy*cy); //取平方和之后再开方 …… 4.2.6 Prewitt 模块 Sobel 算法与Priwitt 算法的思路相同，Prewitt 算子的实现理论基础也是由两个卷子核形成Prewitt 边缘检测算子，如图4。图像中的每个点都用这两个核进行卷积，利用两个卷积核对3*3的区域进行卷积，并按22),(cy cx y x g +=计算，结果产生一副边缘强度图像。 Prewitt 算子如下： ?????---111 000 ?????111 和 ?????-101 101- ???? ?-101 图4 Prewitt 算子 以下是Prewitt 的部分主要程序代码： //两个卷积核形成Prewitt 边缘检测算子 int array1[9]={-1, 0, 1, -1, 0, 1, -1, 0, 1}; int array2[9]={-1, -1, -1, 0, 0, 0, 1, 1, 1}; …… //图像中的每个点都用这两个核进行卷积 IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value); cx=cx+gray_value*array1[m]; cy=cy+gray_value*array2[m]; sum=sqrt(cx*cx+cy*cy); //取平方和之后再开方 …… 4.2.7 拉普拉斯(Laplace)边缘检测模块 拉普拉斯高斯算子是一种二阶边缘检测方法，它通过寻找图像灰度值中二阶微分中的过零点来检测边缘点，其原理为：灰度缓变形成的边缘经过微分算子形成一个单峰函数，值位置对应边缘点；对单峰函数进行微分，则峰值处的微分值为0，峰值两侧符号相反，而原先的极值点对应二阶微分中的过零点，通过检测过零点即可将图像的边缘提取出来。 通常，拉普拉斯算子是对二维函数进行运算的二阶运算的二阶导数的算子，处理时，对以(x,y)为中心的3x3区域施以3x3加权屏蔽窗口，计算出此窗口的相关值(卷积和)，求得拉普拉斯算子图像g(i,j)。通常使用的拉普拉斯算子是3x3算子。 拉普拉斯算子的计算公式如下： )1,()1,(),1(),1(),(4f 2--+---+-=?y x f y x f y x f y x f y x f 将该公式写成模板系数形式，即为： ?????---111 181-- ???? ?---111 拉普拉斯算子的图像边缘检测核心代码如下： int array[9]={-1, -1, -1, -1, 8, -1, -1, -1, -1}; //拉普拉斯算子模板 …… for(i= -1;i<=1;i++) { for(j= -1;j<=1;j++) { //图像中的每个点都用这个核进行卷积 IPI_GetPixelValue(TempImage,x+i,y+j,&gray_value); sum=sum+gray_value*array[m]; m=m+1; } } …… 4.2.8 基于Kirsch （柯西）算子的快速边缘检测模块 利用一组模板分别计算在不同方向上的差分值，取其中最大的值作为边缘强度，而将与之对应的方向作为边缘方向。Krisch 算子实现是由8个卷积核组成了Krisch 边缘检测算子，每个点都用8个掩模进行卷积，每个掩模都对某个特定边缘方向最初最大响应。 ??????????-----333303555 ?? ????????----333503553- ??????????----533503533- ?? ??? ?????----553503333- ??????????----555303333- ????? ? ? ???----355305333- ??????????-----335305335 ?? ?? ??????-----333305355 图5 Krisch 边缘检测算子 但在此程序中我们采用基于Kirsch边缘检测算子的一种快速算法--FKC算法，大大加快了程序运行速度。 以下Krisch边缘检测算子的部分主要代码： …… //取得8个顺时针排列的点的像素 IPI_GetPixelValue(SourceImage,x-1,y+1,&p[0]); IPI_GetPixelValue(SourceImage,x,y+1,&p[1]); …… //8个处理公式 r[0]=0.625*(p[0]+p[1]+p[2])-0.375*(p[3]+p[4]+p[5]+p[6]+p[7]); r[1]=r[0]+p[7]-p[2]; r[2]=r[1]+p[6]-p[1]; r[3]=r[2]+p[5]-p[0]; r[4]=r[3]+p[4]-p[7]; r[5]=r[4]+p[3]-p[6]; r[6]=r[5]+p[2]-p[5]; r[7]=r[6]+p[1]-p[4]; //取最大值 for(i=0;i<8;i++) if(r[i]>sum) sum=r[i]; …… 4.2.9 Robinson算法模块 Robinson边缘检测算法是一种类似Sobel，Prewitt，Kirsch等边缘检测算法的边缘模板算法，通过对图像进行8个方向的边缘检测，将其中方向响应最大的作为边缘幅度图像的边缘。Robinson边缘检测算子并不把重点放在相邻的像素上，它对噪声具有平滑作用。本程序也对Robinson边缘检测算子进行了优化，加快运行速度。 Robinson边缘检测算法的边缘检测模板定义为： int array1[9]={1, 2, 1, 0, 0, 0, -1, -2, -1}; int array2[9]={2, 1, 0, 1, 0, -1, 0, -1, -2}; int array3[9]={1, 0, -1, 2, 0, -2, 1, 0, -1}; int array4[9]={0, -1, -2, 1, 0, -1, 2, 1, 0}; …… 其核心算法如下： IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value); n[0]+=gray_value*array1[m]; n[1]+=gray_value*array2[m]; n[2]+=gray_value*array3[m]; n[3]+=gray_value*array4[m]; …… sum=fabs(n[0]); //取最大值 for(m=1;m<4;m++) { n[m]=fabs(n[m]); if(n[m]>sum) sum=n[m]; } …… 4.2.10 高斯拉普拉斯(LOG)模块 将高斯滤波和拉普拉斯边缘检测结合在一起，形成高斯Laplace 算法，这种方法的特点是图像先与高斯滤波器g （x ，y ）进行卷积，这一步既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除，然后利用无方向性的拉普拉斯算子实现边缘检测。 高斯拉普拉斯算子计算公式： 2222 2 24 2)12(1 ),(δδπδ y x e y x y x g +- -+= ? 通常的高斯拉普拉斯算子是一个5×5的模板： ???????? ??? ?? ???----------------24 4424080 44824844080424442 图6 高斯-拉普拉斯算子 下面是实现高斯LOG 部分代码： …… for(i= -2;i<=2;i++) { for(j= -2;j<=2;j++) { //图像中的每个点都用这个高斯Laplace 模板进行卷积 IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value); sum=sum+gray_value*array[m]; ……} } 4.2.11 梯度幅值自适应 根据所提出的梯度幅值计算方法求出整幅图像的梯度幅值均值和图像中所有像素点 的梯度幅值相对与均值的方差。由图像的梯度幅值均值和方差计算出图像的最佳阈值。 在一幅图像中每个像素点的八领域，具有四个边缘检测方向。当边缘与检测方向垂直时才能很好地检测到边缘点，因此虽然理论上只用水平方向和垂直方向也能检测到每条边缘，但在实际应用中存在明显的漏检。为了能在X 方向、45度方向、Y 方向、135度方向上检测边缘和减少误差，我们提出了在3*3的窗口中分别计算X 方向、45度方向、Y 方向、135度方向的一阶偏导数有限差分均值来确定像素点的梯度幅值的方法。 4个方向梯度平均幅值计算公式： )/4y)(x,P y)(x,P y)(x,P y)(x,P (y)M(x,13545y x ?+++=? 判断这四个方向的梯度幅值与阈值的大小。在这四个梯度幅值中只要有一个值大于阈值K 就把该点判定为边缘点，并把该点的灰度值用其梯度幅值来代替。对于非边缘点其灰度值设为255。 以下是实现梯度幅值自适应的核心代码： //像素点（x,y ）x 方向、45°方向、y 方向、135°方向的一阶偏导数值 IPI_GetPixelValue(SourceImage,x+array[i][0],y+array[i][1],&gray1); IPI_GetPixelValue(SourceImage,x+array[i][2],y+array[i][3],&gray2); c[i]=fabs(gray1-gray2); //梯度幅值计算 m=0.35*(c[0]+c[1]+c[2]+c[3])/4.0; sum+=m; …… mean=sum/(height-2)/(width-2); //整幅图像的平均梯度幅值 cha= sqrt(sum/(height-2)/(width-2)); //整幅图像相对于平均梯度幅值的标准差 yuzhi=mean+cha; //阈值 …… //根据阈值提取图像的初始边缘,只要有一个值大于阈值就把该点判定为边缘点 if(c[i]>yuzhi) { IPI_GetPixelValue(TempImage,x,y,&m); m=m*5.0; IPI_SetPixelValue(DestImage,x,y,255-m); } else IPI_SetPixelValue(DestImage,x,y,255); 5.实验结果与分析 5.1 实验结果 (1)下面表示几种边缘检测算子对图像边缘检测的比较: (处理图像的实际大小是430×639像素) 图5.1.2 Roberts、Prewitt、Sobel算子运行结果 图5.1.4 LOG算子、梯度幅值自适应运行结果 (2)对带有噪声的图像进行处理效果： 图5.1.5 源图像图5.1.6 水平梯度图5.1.7 垂直梯度 图5.1.8水平垂直梯度图5.1.9 Roberts算子图5.1.10 Sobel算子 图5.1.11 Prewitt算子图5.1.12 Laplace算子图5.1.13 Krisch算子 图5.1.14 Robinson算子图5.1.15 LOG算子图5.1.16梯度幅值自适应 对以上各图进行对比，我们总结如下： (1) 水平梯度算子只能检测出水平方向边缘，垂直梯度算子只能检测垂直方向的边缘，而 水平垂直梯度算子同时能检测水平和垂直方向的边缘，但它们对边缘都敏感。 (2) Roberts算子采用对角线方向相邻两像素之差表示信号的突变，检测水平和垂直方向 边缘的性能好于斜线方向，定位精度比较高，但对噪声敏感，检测出的边缘较细。(3) Sobel算子利用像素的上、下、左、右邻域的灰度加权算法，根据在边缘点处达到极 值这一原理进行边缘检测。该方法不但产生较好的检测效果，而且对噪声具有平滑作用，可以提供较为精确的边缘方向信息。但是，在抗噪声好的同时增加了计算量，而且也会检测伪边缘，定位精度不高。如果检测中对精度的要求不高，该方法较为常用。 (4) Prewitt算子对噪声有一定的平滑作用，检测出的边缘比较细致，定位精度不够高，容易损失角点；与Sobel相比，有一定的抗干扰性，图像效果比较干净。 (5) Laplacian算子是二阶微分算子，对图像中的阶跃性边缘点定位准确，获得的边界比较细致，包含了较多的细节信息，但是所反映的边界不太清晰，对噪声非常敏感，易丢失一部分边缘的方向信息，造成一些不连续的检测边缘。 (6)Kirsch算子是一个3x3的非线性算子．它与Prewitt算子和Sobel算子不同的是取平均值的方法不同。用不等权的8个3×3循环平均梯度算子分别与图像进行卷积，取其中的最大值输出．它可以检测各个方向上的边缘．减少了由于平均而造成的细节丢失，但同时增加了计算量。但它对8个方向边缘信息进行检测，因此有较好的边缘定位能力，并且对噪声有一定的抑制作用，该算子的边缘定位能力和抗噪声能力比较理想。 (7) Robinson边缘检测算法和Sobel，Prewitt边缘检测算子一样，它检测出的边缘比较粗，定位精度比较低，容易损失如角点这样的边缘信息；原来Robinson边缘检测算子是通过8个方向模板对图像进行卷积运算，显然其运算量是比较大的，影响了边缘检测的速度，但本程序对其进行了优化，加快了运行的速度。 (8) LOG算子首先用高斯函数进行滤波，然后使用Laplacian算子检测边缘，较克服了 Laplacian算子抗噪声能力比较差的缺点，LOG算子中高斯函数中方差参数的选择很关键，越大避免了虚假边缘的检出，边缘也被平滑造成边缘点点丢失。噪声抑制能力相对下降，容易出现虚假边缘。 (9)梯度幅值自适应检测方法有图像梯度幅值均值和方差计算出图像的最佳國值。然后根据提出的噪声剔除方法对有最佳國值判定的初始边缘中的噪声进行剔除，在精确定位边缘的同时也较好地抑制了噪声，优于Sobel、Prewitt算子，运行时间也较为理想。 5.2项目的创新之处 项目除了做几个基本的算法（水平梯度算子、垂直梯度算子、水平垂直梯度算子、Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、Krisch算子）外，还有3个拓展算法：LOG算子、Robinson算子、梯度幅值自适应算子。通过查找相关资料，基本上找到其核心算法思想，比较全面地实现了各种边缘检测方法的比较。 5.3存在问题及改进设想 存在问题：随着计算机视觉、机器视觉等相关领域的发展，图像处理发展的非常迅速，边缘检测作为图像处理的一个重要问题一直备受人们关注，在做这个项目的时候，一直阅读有关文献，随着阅读的深入，发现边缘检测确实很重要，也确实很难，而我们学习的内容还是很浅薄的。边缘检测方法还有很多很好的算法，这些都是前人们努力和智慧的结晶。其他边缘检测方法还有：Canny算子、Hueckel算法、Frei和Chen算法、Wallis对数算子、Marr和Hildreth的零交叉点算子、Facet 模型、Nalwa算法、统计变点算法、边缘检测的Green函数方法、小波边缘检测、边缘检测的一种概率方法、任意曲面上图像边缘的检测--基于张量的方法、数学形态学方法、基于模糊理论、神经网络的边缘检测法…… 改进：图像边缘检测是一个很复杂的问题，不同的图像包含的边缘类型各不相同，检测单一类型的边缘往往难以满足实际应用的要求。我们设想增加几个较好的边缘检测方法，但由于我们技术还不够深和没有足够的时间，只能至此了，但我们还会继续深入学习边缘检测方面知识。 6 心得体会 6.1系统开发的体会 从5.1比较可以看出，图像处理中的经典边缘检测算子和一些新的边缘检测方法，都不是具有绝对优势的方法，有的方法边缘检测精度高，但抗噪声性能较差；有的方法解决了抗噪声性能差的问题，检测精度又不够。除以上算法外，现在又提出了很多方法，如多尺度空间滤波、Facet模型检测边缘、模板匹配、Hough变换、小波变换、人工神经网络、模糊推理等算法，但这些方法绝大多数没有经典的算法精简，要么难以获得合理的计算复杂度，要么需要人为地调节各种参数，有时甚至难以实现运行。 可见，无论哪一种边缘检测算法，在解决一定问题的同时，也会存在不同类型的缺陷。 因此，寻求算法简单、解决边缘检测精度与抗噪声性能协调的问题将依然是图像处理与分析的重点，还有许多工作有待进一步研究。 6.2对本门课程的改进意见或建议 本课程难度相对还是比较大，一开始听的时候会感觉和鼓噪、乏味，后来老师在课堂给我们演示了这门课程在现实生活中的应用，使我们对这门课程产生了很大的兴趣，为未来在改领域利用图像处理方法分析问题提供了基本技能，数字图像处理这门课程是我们对CVI有了基本的了解，图像的数学变换、增强、复原、灰度与二值处理，真假彩色判别与利用，图像压缩与解压缩，图像分析等，在上诉理论基础上，我们可以独自完成对课本的拓展。老师的课有一个很吸引人的地方就是讲完一个理论知识，可以载入一幅图片去说明，这门课程对于学习C语言的基础比较好的同学会更加容易的心应手。 同时，谨此向所有帮助过我们小组的老师和同学们致以由衷的感谢！ 基于小波变换的图像边缘检测算法仿真实 现 学生姓名：XX 指导教师：xxx 专业班级：电子信息 学号：00000000000 学院：计算机与信息工程学院 二〇一五年五月二十日 摘要 数字图像边缘检测是图像分割、目标区域识别和区域形态提取等图像分析领域中十分重要的基础，是图像识别中提取图像特征一个重要方法。 目前在边缘检测领域已经提出许多算法，但是提出的相关理论和算法仍然存在很多不足之处，在某些情况下仍然无法很有效地检测出目标物的边缘。由于小波变换在时域和频域都具有很好的局部化特征，并且具有多尺度特征，因此，利用多尺度小波进行边缘检测既能得到良好的抑制噪声的能力，又能够保持边缘的完备。 本文就是利用此方法在MATLAB环境下来对数字图像进行边缘的检测。 关键词：小波变换；多尺度；边缘检测 Abstract The boundary detection of digital image is not only the important foundation in the field of image segmentation and target area identification and area shape extraction, but also an important method which extract image feature in image recognition. Right now, there are a lot of algorithms in the field of edge detection, but these algorithms also have a lot of shotucuts, sometimes, they are not very effective to check the boundary of the digital image. Wavelet transform has a good localization characteristic in the time domain and frequency domain and multi-scale features, So, the boundary detection of digital image by using multi-scale wavelet can not only get a good ability to suppress noise, but also to maintain the completeness of the edge. This article is to use this method in the environment of MATLAB to detect the boundary of the digital image. Keywords: wavelet transform; multi-scale; boundary detection. 文献综述 理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显着的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不尽如人意。20世纪80年代，Marr和Canny相继提出了一些更为系统的理论和方法，逐渐使人们认识到边缘检测的重要研究意义。随着研究的深入，人们开始注意到边缘具有多分辨性，即在不同的分辨率下需要提取的信息也是不同的。通常情况下，小尺度检测能得到更多的边缘细节，但对噪声更为敏感，而大尺度检测 Matlab做图像边缘检测的多种方法 1、用Prewitt算子检测图像的边缘 I = imread('bacteria.BMP'); BW1 = edge(I,'prewitt',0.04); % 0.04为梯度阈值 figure(1); imshow(I); figure(2); imshow(BW1); 2、用不同σ值的LoG算子检测图像的边缘 I = imread('bacteria.BMP'); BW1 = edge(I,'log',0.003); % σ=2 imshow(BW1);title('σ=2') BW1 = edge(I,'log',0.003,3); % σ=3 figure, imshow(BW1);title('σ=3') 3、用Canny算子检测图像的边缘 I = imread('bacteria.BMP'); imshow(I); BW1 = edge(I,'canny',0.2); figure,imshow(BW1); 4、图像的阈值分割 I=imread('blood1.tif'); imhist(I); % 观察灰度直方图，灰度140处有谷，确定阈值T=140 I1=im2bw(I,140/255); % im2bw函数需要将灰度值转换到[0,1]范围内 figure,imshow(I1); 5、用水线阈值法分割图像 afm = imread('afmsurf.tif');figure, imshow(afm); se = strel('disk', 15); Itop = imtophat(afm, se); % 高帽变换 Ibot = imbothat(afm, se); % 低帽变换 figure, imshow(Itop, []); % 高帽变换，体现原始图像的灰度峰值 figure, imshow(Ibot, []); % 低帽变换，体现原始图像的灰度谷值 Ienhance = imsubtract(imadd(Itop, afm), Ibot);% 高帽图像与低帽图像相减，增强图像figure, imshow(Ienhance); Iec = imcomplement(Ienhance); % 进一步增强图像 第２０卷第１２期航空航天医药２００９年１２月２９ 两种梅毒检测方法对比 于晓明，胡雪峰，迟丽娜 （中航工业哈尔滨二四二医院，黑龙江哈尔滨１５００６６） 摘要目的：比较甲苯胺红不加热血清试验（ＴＲＵＳＴ）、螺旋体明胶颗粒凝集试验（１１ＰＰＡ）两种梅毒血清学试验的检测结果。方法：将２００８～２００９年性病门诊１３８例确诊梅毒患者血清同时用甲苯胺红不加热血清试验 ７ｍｕｓＴ试验、螺旋体明胶颗粒凝集试验７ｒＰＰＡ试验检测，比较两种梅毒检测实验方法的灵敏度和特异性。结果：１３８份血清中，９８份血清ＴＲＵＳＴ阳性，１７份经抗梅毒治疗血清ＴＲｕｓＴ阴性，ＴＰＰＡ试验１３２份血清为阳性。结论：ＴＲＵｓＴ试验可作为梅毒的人群筛查、疗效、复发或再感染的检测指标，嗍试验是检测梅毒螺旋体抗体的特异性方法，主要作为梅毒的确证试验。两种不同方法同时进行梅毒检测，将减少漏诊、误诊率，为梅毒的确诊提 供参考依据，并且在判定梅毒的发展、痊愈及药物疗效方面都具有十分重要的意义。 关键词梅毒；甲苯胺红不加热血清试验（ＴＲＵＳＴ）；螺旋体明胶颗粒凝集试验（ＴＰＰＡ） 中图分类号：Ｒ４４６．１１文献标识码：Ａ文章编号：１００５—９３３４（２００９）１２—００２９—０２ ＣｏｍｐａｒｉｓｏｎｏｆｔｈｅＤｉｆｆｅｒｅｎｔＭｅｔｈｏｄｓＥｘａｍｉｎｇＴｒｅｐｏｎｅｍａ／ＹＵＸ／ａｏ—ｍｉｎｇ，ＨＵＸｕｅ一乃ｎｇ，ＣＨＩ 厶一／／Ｈａｒｂｉｎ２４２ＨｏｓｐｉｔａｌｏｆＡＶＩＣ，Ｈａｒｂｉｎ１５００６６，Ｃｈｉｎａ Ａｂｓｔｒａｃｔ０ｂｊＬ吣ｔｉｖｅ：ｔｏｓｅｌｅｃｔｔｈｅｂｅｓｔｓｃｒｅｅｎｉｎｇｍｅｔｈｏｄｓｕｉｔｉｎｇｆｏｒｂｌｏｏｄｄｏｎｏｒｓｂｙａｓｓｅｓｓｉｎｇｔｈｅｖａｌｉｄｉｔｙｏｆ ＴＲＵＳＴａｎｄＴＰＰＡ．Ｍｅｔｈｏｄｓ：ＴＲＵＳＴＷａｓｕｓｅｄｔｏｓｃｒｅｅｎｐａｔｉｅｎｔｓｗｉｔｈｓｙｐｈｉｈｓｆｒｏｍｂｌｏｏｄｄｏｎｏｒｓ。ａｎｄＴＰＰＡＷａｇｕｓｅｄｔｏ ｃｏｎｆｉｒｍｅｄｐｏｓｉｔｉｖｅｒｅｓｕｌｔｓｄｅｔｅｃｔｅｄ ｂｙＴＲＵＳＴ．Ｒｅｓｕｌｔｓ：ｔｈｅｓｅｎｓｉｔｉｖｉｔｙ．ｆａｌｓｅｐｏｓｉｔｉｖｅｒａｔｅａｎｄｆａｌｓｅｎｅｇａｔｉｖｅｒａｔｅｏｆＴＲＵＳＴｗｅｒｅ３９．０２％，３．０３％，ａｎｄ６０．９８％ｒｅｓｐｅｃｔｉｖｅｌｙ．１１１ｅｓｅｎｓｉｔｉｖｉｔｙ，ｆａｌｓｅｐｏｓｉｔｉｖｅｒａｔｅａｎｄｆａｌｓｅｎｅｇａｔｉｖｅｒａｔｅｏｆＥＵＳＡｗｅｒｅ ９８．７３％。２０．５９％ａｎｄ１．２２％．Ｃｏｎｃｌｕｓｉｏｎｓ：ＴｈｅｃｏｍｂｉｎａｔｉｏｎｏｆＴＲＵＳＴａｎｄＥＬＩＳＡｉｓｔｈｅｆｉｒｓｔｃｈｏｉｃｅｔｏ∞ｒｅｅｎｐａｔｉｅｎｔｓｗｉｔｈｓｙｐｈｉｌｉｓｆｒｏｍｂｌｏｏｄｄｏｎｏｒｓ．Ｍｏｒｅｏｖｅｒｔｌｌｉｓｓｃｒｅｅｎｉｎｇｃｏｎｔｒｉｂｕｔｅｓｔｏｂｌｏｏｄｓａｆｅｔｙ． ＫｅｙｗｏｒｄｓＴｒｅｐｏｎｅｍａ：ＴＲＵＳＴ；ＴＰＰＡ ｌ材料与方法 １．１一般资料１３８例患者均为性病门诊确诊者，其中男８３例，占印．１４％，女５５例，占３９．８６％。Ｉ期梅毒６８例，Ⅱ期梅毒５１例，Ⅲ期梅毒１９例。年龄１８～７２岁，平均３２岁。 １．２试剂ＴＲＵＳＴ试剂为上海荣盛生物技术有限公司提供。ＴＰＰＡ试剂为日本富士瑞必欧株式会社提供。试剂均在有效期内使用。 １．３方法ＴＲＵＳＴ试验：室温下，生理盐水稀释至ｌ：３２，每孔滴加心磷脂抗原，１００次／ｍｉｎ振荡器上水平振荡８ｍｉｎ，观察凝集结果，确定其阳性滴度。ＴＰＰＡ试验：室温下，在Ｕ型板上用稀释液将血清稀释，分别加入致敏和未致敏的明胶颗粒，孵育２ｈ观察结果。 ２结果 结果判定：ＴＲＵＳＴ过筛试验在漆圈中出现肉眼可见红色凝集块为阳性；若红色颗粒均匀分布未见凝集为阴性。ＴＰＨＡ确证试验（凝集）＋＋＋＋：红细胞形成膜状覆盖整个孔底，边缘形成皱褶；（凝集）＋＋＋：形成膜状覆盖部分孔底；（凝集）＋＋：形成膜状，边缘成圆环；（凝集）＋：成薄膜状，周围边有粗大圆环；（可凝）±：成纽扣状，中心稍薄；（不凝集）一：成光滑扣状结果表１。表ｌ１３８例梅毒患者的ＴＲＵＳＴ和ＴＰＰＡ试验结果（例％） 从表１两种方法检测为阳性的１３８份样本中。ＴＲＵＳＴ法检出１１１份，占８０％（１１１３８）；ＴＰＰＡ法检出１３３份，占９６．４％（１３３／１３８）；抗ＴＰＰＡ法阳性检出率明显高于ＴＲＵＳＴ法。 ３讨论 从表１中可看出６８例Ｉ期梅毒血清，ＴＰＰＡ阳性６４例，阳性率９４．１％，与顾伟鸣悼１报道的９６．３％结果相近，ＴＰＰＡ对Ｉ期梅毒的敏感度为９４．１％，对Ｉ期梅毒的敏感度高于ＴＲＵＳＴ。ＴＲＵＳＴ具有操作简便、报结果快、价格便宜等优点，可作为梅毒的人群筛查、疗效、复发或再感染的检测指标，当梅毒患者经抗梅毒治疗后，血清滴度下降，可作为疗效观察的指标。ＴＲＵＳＴ试验所用的抗原是从牛心提取的心磷脂和从鸡蛋黄提取的卵磷脂及胆固醇组成，中，结果清晰易读，稳定性好：缺点是许多因素影响结果，高脂皿症和抗心磷脂抗体阳性的血清均可干扰出现假阳性结果，而且该试验在非淋菌性尿道炎患者中存在生物学假阳 几种常用边缘检测算法的比较摘要:边缘是图像最基本的特征，边缘检测是图像分析与识别的重要环节。基于微分算子的边缘检测是目前较为常用的边缘检测方法。通过对Roberts，Sobel，Prewitt，Canny 和Log 及一种改进Sobel等几个微分算子的算法分析以及MATLAB 仿真实验对比，结果表明，Roberts，Sobel 和Prewitt 算子的算法简单，但检测精度不高，Canny 和Log 算子的算法复杂，但检测精度较高，基于Sobel的改进方法具有较好的可调性，可针对不同的图像得到较好的效果，但是边缘较粗糙。在应用中应根据实际情况选择不同的算子。 0 引言 边缘检测是图像分析与识别的第一步，边缘检测在计算机视觉、图像分析等应用中起着重要作用，图像的其他特征都是由边缘和区域这些基本特征推导出来的，边缘检测的效果会直接影响图像的分割和识别性能。边缘检测法的种类很多，如微分算子法、样板匹配法、小波检测法、神经网络法等等，每一类检测法又有不同的具体方法。目前，微分算子法中有Roberts，Sobel，Prewitt，Canny，Laplacian，Log 以及二阶方向导数等算子检测法，本文仅将讨论微分算子法中的几个常用算子法及一个改进Sobel算法。 1 边缘检测 在图像中，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域( 包括不同色彩) 之间。边缘表明一个特征区域的终结和另一特征区域的开始。边缘所分开区域的内部特征或属性是一致的，而不同的区域内部特征或属性是不同的。边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测，这些差异包括灰度、颜色或纹理特征，边缘检测实际上就是检测图像特征发生变化的位置。边缘的类型很多，常见的有以下三种: 第一种是阶梯形边缘，其灰度从低跳跃到高; 第二种是屋顶形边缘，其灰度从低逐渐到高然后慢慢减小; 第三种是线性边缘，其灰度呈脉冲跳跃变化。如图1 所示。 (a) 阶梯形边缘(b) 屋顶形边缘 (b) 线性边缘 图像中的边缘是由许多边缘元组成，边缘元可以看作是一个短的直线段，每一个边缘元都由一个位置和一个角度确定。边缘元对应着图像上灰度曲面N 阶导数的不连续性。如果灰度曲面在一个点的N 阶导数是一个Delta 函数，那么就 第31卷第3期2005年5月 光学技术 OP T ICA L T ECHN IQ U E V ol.31No.3 M ay 2005 文章编号:1002-1582(2005)03-0415-05 图像边缘检测方法研究综述 段瑞玲,李庆祥,李玉和 (清华大学精密仪器及机械学系,北京 100084) 摘 要:图像的边缘是图像最基本也是最重要的特征之一。边缘检测一直是计算机视觉和图像处理领域的经典研究课题之一。图像分析和理解的第一步常常是边缘检测。边缘检测的目的是去发现图像中关于形状和反射或透射比的信息,是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一。其结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。对一些传统的边缘检测方法和近年来广泛收到关注的边缘检测算法进行了简单介绍。综述中只涉及到检测方面,而没有讨论滤波、边缘定位、算法的复杂程度和边缘检测器性能的评价。 关键词:图像处理;边缘检测;梯度算法;差分边缘检测 中图分类号:T P751 文献标识码:A Summary of image edge detection DU AN Rui_ling,LI Qin g_xiang,LI Yu_he (Department of P recisio n I nstrument and M echanology,Tsing hua University,Beijing 100084,China) Abstract:Edg e is one of the most fundamental and sig nificant features.Edge detection is alw ay s one of the most classical studying projects o f computer vision and image processing field.T he fist step of image analy sis and understanding is edg e de tec-tion.T he g oal of edge detection is to recover information about shapes and reflectance o r transmittance in an image.I t is one of the fundamental steps in image processing,mage analy sis,image patter recognition,and computer vision,as well as in human vision.T he correctness and reliability of its results affect directly the comprehension machine system made fo r objective w orld. T he summary for basic edge de tection metho ds was made.It involv ed the detection methods only but no t filtering,edge loca-tion,analy sis of algorithm complexity and functional evaluation about a detecto r. Key words:image processing;imag e detection;gradient arithmetic; 1 引 言 早在本世纪初,人类为了用图片及时传输世界各地发生的新闻事件,便开始了对图像处理技术的研究。用计算机进行图像处理,改善图像质量的有效应用开始于1964年美国喷气推进实验室对太空传回的大批月球照片进行处理,并收到了明显的效果。然而,图像处理技术的真正发展还是在上世纪60年代末,其原因一方面是由于受到航天技术发展的刺激,另一方面是作为图像处理工具的数字计算机和各种不同类型的数字化仪器及显示器的突飞猛进发展。迄今为止,数字图像作为一门崭新的学科,日益受到人们的重视,并且在科学研究、工农业生产、军事技术和医疗卫生等领域发挥着越来越重要的作用。 机器视觉主要是利用计算机实现人类的视觉功能,对客观世界的三维场景的感知、识别和理解。边缘是图像的最基本特征,边缘检测通常是机器视觉系统处理图像的第一个阶段,是机器视觉领域内经典的研究课题之一,其结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。 2 图像边缘定义 图像的大部分信息都存在于图像的边缘中,主要表现为图像局部特征的不连续性,即图像中灰度变化比较剧烈的地方。因此,我们把边缘定义为图像中灰度发生急剧变化的区域边界。根据灰度变化的剧烈程度,通常将边缘划分为阶跃状和屋顶状两种类型[1]。阶跃边缘两边的灰度值变化明显,而屋顶边缘位于灰度值增加与减少的交界处。那么,对阶跃边缘和屋顶边缘分别求取一阶、二阶导数就可以表示边缘点的变化。因此,对于一个阶跃边缘点,其灰度变化曲线的一阶导数在该点达到极大值,二阶导数在该点与零交叉;对于一个屋顶边缘点,其灰 415 收稿日期:2004-06-01;收到修改稿日期:2004-10-20 E-mail:duanrl03@mails.ts https://www.wendangku.net/doc/712569153.html, 作者简介:段瑞玲(1979_),女,山西人,清华大学博士研究生,从事装配系统及微观图像处理研究。 图像边缘检测方法比较研究 作者：关琳琳孙媛 来源：《现代电子技术》2008年第22期 摘要：边缘检测在数字图像处理中有着重要的作用。系统分析目前具有代表性的边缘检测方法，并用IDL6.3软件实现各种算法。实验结果表明，各种方法均有各自的优缺点和适用条件，在做图像边缘检测之前，应对图像进行分析，针对图像的特点和应用需求选用合适的方法。 关键词：边缘检测；检测算子；高通滤波；小波变换 中图分类号：TP391文献标识码：A 文章编号：1004-373X(2008)22-096-03 Comparison of Image Edge Detection Methods GUAN Linlin1,SUN Yuan2 (1.Department of Resource Science and Technology,Beijing Normal University,Beijing,100875,China; 2.96656 Unit of Second Artillery F orces,Chinese People′s Liberation Army,Beijing,100820,China) Abstract：Edge detection plays an important role in digital image processing.This paper comprehensively analyze the representative methods of edge detection at present,and realizes each algorithm with the IDL6.3 software.Results indicate that each method has some advantages and limitations.It should be carefully selected according to the characteristics of the image as well as application needs before conducting edge detection. Keywords：edge detection;detective operators;high-pass filtering;wavelet transform 1 引言 边缘检测技术是图像特征提取中的重要技术之一，也是图像分割、目标区域识别、区域形状提取等图像分析方法的基础。近年来，边缘检测技术被广泛地应用在各个领域，例如工程技术中零件检查［1］、医学中器官病变状况观察［2］、遥感图像处理中道路等典型地物的提取［3］以及估算遥感平台的稳定精度［4］等。这使得如何快速、准确地获得边缘信息成为国内外研究的热点。边缘检测方法在空间域和频域中均可以实现，而且不断涌现出新技术新方法。这些方法 图像边缘检测算法体验步骤 图像边缘检测算法体验步骤（Photoshop，Matlab）1. 确定你的电脑上已经安装了Photoshop和Matlab2. 使用手机或其他任何方式，获得一张彩色图像（任何格式），建议图像颜色丰富，分辨率比较高，具有比较明显的图像边界（卡通图像，风景图像，桌面图像）3. 将图像保存到一个能够找到的目录中，例如img文件夹（路径上没有汉字）4. 启动Photoshop，打开img文件夹中的图像5. 在工具箱中选择“矩形选择”工具，到图面上选择一个区域（如果分辨率比较高，建议不要太大，否则计算过程比较长）6. 点击下拉菜单【文件】-【新建】，新建一个与矩形选择框同样尺寸的Photoshop图像，不要求保存该图像7. 将该彩色图像转换为亮度图像，即点击下拉菜单【图像】-【模式】-【灰度】，如提示是否合并，选择“Yes”8. 将该单色的亮度图像另存为Windows的BMP文件，点击下拉菜单【文件】-【存储为】，在“存储为”窗口中，为该文件起一个名字，例如test1（保存为test1.bmp）9. 启动Matlab，将当期路径（Current Directory）定位到图像文件夹，例如这里的img文件夹10. 使用imread命令读入该图像，在命令行输入：>> f = imread(test1.bmp);11. 在Matlab中显示该图像，在命令行输入：>> figure, imshow(f)12. 然后，分别使用Matlab图像工具箱中的Edge函数，分别使用Sobel算法，高斯-拉普拉斯（Log）算法和Canny算法得到的边缘图像：在命令行输入：>> g_sobel = edge(f, sobel, 0.05); >> g_log = edge(f, log, 0.003, 2.25); >> g_canny = edge(f, canny, [0.04 0.10], 1.5);13 得到边缘图像计算结果后，显示这些边缘图像： >> figure, imshow(g_sobel) >> figure, imshow(g_log) >> figure, imshow(g_canny)14 可以用不同的图像做对比，后续课程解释算法后，可以变换不同的阈值，得到不同的边缘图像 第 42 卷增刊 1 中南大学学报(自然科学版) V ol.42 Suppl. 1 2011 年 9 月 Journal of Central South University (Science and Technology) Sep. 2011 图像边缘检测技术综述 王敏杰 1 ，杨唐文 1, 3 ，韩建达 2 ，秦勇 3 (1. 北京交通大学 信息科学研究所，北京，100044； 2. 中国科学院沈阳自动化研究所 机器人学国家重点实验室，辽宁 沈阳，110016； 3. 北京交通大学 轨道交通控制与安全国家重点实验室，北京，100044) 摘要：边缘检测是图像处理与分析中最基础的内容之一。首先介绍了几种经典的边缘检测方法，并对其性能进行 比较分析；然后，综述了近几年来出现的一些新的边缘检测方法；最后，对边缘检测技术的发展趋势进行了展望。 关键词：数字图像；边缘检测；综述 中图分类号：TP391.4 文献标志码：A 文章编号：1672?7207(2011)S1?0811?06 Review on image edge detection technologies W ANG Min-jie 1 , Y ANG Tang-wen 1,3 , HAN Jian-da 2 ,QIN Y ong 3 (1.Institute of Information Science，Beijing Jiaotong University, Beijing 100044, China? 2.State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academic of Science,Shenyang 110016, China? 3.State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China) Abstract: Edge detection is one of the most fundamental topics in the research area of image processing and analysis. First, several classical edge detection methods were introduced, and the performance of these methods was compared? then, several edge detection methods developed in the latest years were reviewed? finally, the trend of the research of the image edge detection in the future was discussed. Key words:digital image?edge detection?review 图像是人们从客观世界获取信息的重要来源 [1?2] 。 图像信息最主要来自其边缘和轮廓。所谓边缘是指其 周围像素灰度急剧变化的那些象素的集合，它是图像 最基本的特征。边缘存在于目标、背景和区域之 间 [3?4] ，它是图像分割所依赖的最重要的依据。边缘检 测 [5?8] 是图像处理和计算机视觉中的基本问题， 图像边 缘检测是图像处理中的一个重要内容和步骤，是图像 分割、目标识别等众多图像处理的必要基础 [9?10] 。因 此，研究图像边缘检测算法具有极其重要的意义。 边缘检测是计算机视觉和图像处理领域的一项基 本内容。准确、高效地提取出边缘信息一直是该领域 研究的重点内容 [11] 。最初的经典算法可分为边缘算子 法、曲面拟合法、模板匹配法、门限化法等。近年来， 随着数学理论和人工智能的发展，又出现了一些新的 边缘检测的算法 [12?13] ，如基于数学形态学的边缘检 测 [14] 、小波变换和小波包变换的边缘检测法 [15] 、基于 模糊理论的边缘检测法 [16?17] 、基于神经网络的边缘检 测法 [18] 、基于分形几何的边缘检测算法 [19] 、基于遗传 算法的边缘检测法 [20?21] 、漫射边缘的检测方法 [22] 、多 尺度边缘检测技术 [23] 、亚像素边缘的定位技术 [24] 、 收稿日期：2011?04?15；修回日期：2011?06?15 基金项目：轨道交通控制与安全国家重点实验室开放基金资助项目(RCS2010K02)；机器人学国家重点实验室开放基金资助项目(RLO200801)；北 京交通大学基本科研业务费资助项目(2011JBM019) 通信作者：王敏杰(1988－)， 女， 黑龙江五常人， 硕士研究生， 从事图像处理和计算机视觉研究； 电话： 010-51468132； E-mail: wangminjie1118@https://www.wendangku.net/doc/712569153.html, 图像边缘检测方法的研究与实现刘法200832800066 青岛大学专业课程设计 院系: 自动化学院 专业: 电子信息工程 班级: 08级电子信息工程3班学生姓名: 刘法 指导教师: 王汉萍庄晓东 日期: 2011年12月23日 题目：图像边缘检测方法的研究与实现 一、边缘检测以及相关概念 1．1边缘，边缘检测的介绍 边缘(edge)是指图像局部强度变化最显著的部分．边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)． 边缘检测是指使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。 在讨论边缘算子之前，首先给出一些术语的定义： 边缘点：图像中具有坐标] ,[j i且处在强度显著变化的位置上的点．边缘段：对应于边缘点坐标] i及其方位 ，边缘的方位可能是梯度角． ,[j 边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法． 轮廓：边缘列表，或是一条表示边缘列表的拟合曲线． 边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向序． 边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程． 边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘．边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图像作为输入，输出一个有序边缘集．另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘． 1．2 边缘检测算子 边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获取边缘检测算子。经典的边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析，并对各自的性能特点做出比较和评价。 边缘检测的原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处其灰度变化较大，故该处微分计算值教高，可将这些微分值作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果微分值大于阈值，则为边缘点。 课程设计报告 设计题目：数字图像处理中的边缘检测技术学院： 专业： 班级：学号： 学生姓名： 电子邮件： 时间：年月 成绩： 指导教师： 数字图像处理中的边缘检测技术课程设计报告I 目录 1 前言:查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 (1) 1.1理论背景 (1) 1.2图像边缘检测技术研究的目的和意义 (1) 1.3国内外研究现状分析 (2) 1.4常用边缘检测方法的基本原理 (3) 2 小波变换和小波包的边缘检测、基于数学形态学的边缘检测法算法原理 (7) 2.1 小波边缘检测的原理 (7) 2.2 数学形态学的边缘检测方法的原理 (7) 3 算法实现部分：程序设计的流程图及其描述 (9) 3.1 小波变换的多尺度边缘检测程序设计算法流程图 (9) 3.2 数学形态学的边缘检测方法程序设计算法描述 (10) 4实验部分：对所给的原始图像进行对比实验，给出相应的实验数据和处理结果 (11) 5分析及结论：对实验结果进行分析比较，最后得出相应的结论 (15) 参考文献 (17) 附录：代码 (18) 1前言 查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 1.1 理论背景 图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年代起随着电子计算机和计算技术的不断提高和普及，数字图像处理进入了高速发展时期，而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。 图像处理在遥感技术，医学领域，安全领域，工业生产中有着广泛的应用，其中在医学应用中的超声、核磁共振和CT等技术，安全领域的模式识别技术，工业中的无损检测技术尤其引人注目。 计算机进行图像处理一般有两个目的：(1)产生更适合人观察和识别的图像。 (2)希望能由计算机自动识别和理解图像。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2 图像边缘检测技术研究的目的和意义 数字图像处理是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像处理也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像处理和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像处理中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速 两种血沉检测方法的比较分析 发表时间：2012-02-01T09:20:22.603Z 来源：《中外健康文摘》2011年第38期供稿作者：杨占甲[导读] 统计学处理将所得数值导入2003版的EXCEL，并对其进行Student-t检验和相关性分析。 杨占甲（河南省郑州人民医院河南郑州450000） 【中图分类号】R446【文献标识码】A【文章编号】1672-5085（2011）38-0080-01 【摘要】目的采用传统的魏氏法和倾斜管法两种方法来测定红细胞的沉降率，并对两种血沉检测方法进行比较分析。方法随机采集100例血液标本，对这100例血液标本同时采用倾斜管法和魏氏法两种方法进行红细胞沉降率的测定，并对两种血沉检测方法进行统计比较和分析。结果对两种血沉检测方法进行比较分析，两种方法测定的红细胞沉降率差异并不显著（P>0.05），没有统计学意义，相关性很好。结论采用倾斜管法对红细胞的沉降率进行测定是一种简单、便捷的方法，可以在特点的条件下使用，具有推广价值。【关键词】魏氏法倾斜管法红细胞沉降率相关性分析 红细胞沉降率是指在一定条件下，红细胞沉降速度的指标，简称为血沉，英文表示为ESR。一个健康人红细胞沉降率通常在一个比较狭窄的范围内上下波动，不会有大幅度的升降变化，而在很多病例情况的干涉下，红细胞沉降率会表现出明显的增快。血沉检查时非特异性试验的一种，但即使如此，将血沉结果与临床资料相互对照显示，血沉检查在临床上很可以有很多应用，可以辅助判断患者机体是否有炎症，患者病变是否有活动性等等，可以为临床检查提供参数具有很重要的参考价值，临床上也常常采用血沉检测的方法来作为试验诊断的方式。在进行红细胞血沉率的测定时，一定要及时进行，只有这样才不会影响记过，所以可以理解，在医院中，采集患者血液样本进行血沉测定时，并不是有专业的医务人员在实验室进行检测和诊断，而是当护士对患者抽血后，立刻将血液移到无菌处置室来进行血沉测定的，但是不可避免的是，护士可能同时有很多工作需要去处理，便不能保证在准确的时间1h读取血沉值，可能晚些甚至将其以往，有鉴于此，本文介绍另一种测量血沉的方法：倾斜管法，并在此将倾斜管法和魏氏法进行血沉比较分析。魏氏法是国际血液学标准化委员会推荐的常规方法，将倾斜管法与魏氏法进行比较分析更具有说服力。 1 资料与方法 1.1一般资料在2006年～2011年诊科病房的患有不同性质疾病的患者中，随机抽取100例患者的血液标本，其中男53例，女47例，年龄53～81岁，平均年龄67岁。 1.2方法清晨，在患者空腹的情况下从患者身上抽取血液，抽取患者的3.2ml的血液，并将其与3.8%枸橼酸钠溶液混合，枸橼酸钠溶液的体积控制在0.8ml，与此同时向其中注入两支魏氏血沉管至“0”刻度，结束后，将其分别放置在两个魏氏血沉架上，在放置时，两支试管放置的方式不同，其中一个按照常规方法放置，即垂直放置，1h后要低于血浆段的高度进行读取并记录，另一个要放置在特定的自制的等腰直角三角形架子上，保持倾斜45°角，并于10min后将血沉值读取。 1.3统计学处理将所得数值导入2003版的EXCEL，并对其进行Student-t检验和相关性分析。 2 结果 经过1h后采用魏氏法测得的血沉值平均为33.12±32.556mm/h，而经过10min后采用倾斜管法测得的血沉值平均为33.39±32.509mm/h，用统计学方法对两组数据进行Student-t检验，结果表明两种方法检测结果没有统计学意义（t=0.59，P=0.52>0.05），对两组结果进行相关性分析，分析结果显示两种方法的检测结果呈正相关，相关系数为r=0.97，数据显示两者相关性较好。 3 讨论 测量红细胞沉降率在临床上应用很广泛，将血沉结果与临床资料相互对照显示，血沉检查在临床上很可以有很多应用，可以辅助判断患者机体是否有炎症，患者病变是否有活动性等等，可以为临床检查提供参数具有很重要的参考价值，临床上也常常采用血沉检测的方法来作为试验诊断的方式。魏氏法是最经典最传统最常规最可靠的检测血沉的方法，魏氏法也是国际血液学标准化委员会推荐的常规方法，但是在实际应用中，魏氏法的过程比较复杂，需要手工操作，而且对观察记录的时间也有比较严格的要求，人们近年来一直在寻求一种更简便、更省事的测量血沉方法，比较熟悉的是采用自动电子血沉仪，这种电子血沉仪虽然更加便捷，且检测的时间也不长，但所得的检测结果受到很多外界因素的影响，但是仪器的成本比较高，并不是所有的医院都可以普及。倾斜管法对仪器并没有新的要求，而且检测的时间短，仅需10min便可，且检测结果可以直接读出来而并不需要进行换算，从两种血沉检测方法的比较分析中，倾斜管法与魏氏法几乎没有差别，相关性较好，对于血沉增高患者结果更加明显，所以倾斜管法适用于血沉增高患者或者需要经常复查血沉的患者，可以对其进行动态检测。 参考文献 [1]陆金春，李春德，黄宇烽.临床检验报告速查手册[M].上海：上海第二军医大学出版社,2009. [2]卢雁英，赖桂凤，郑丹丹．血液标本采集对检验结果的影响[J].包头医学院学报,2011(3):14-15. [3]马翠萍，魏以壁.二级医院检验科生物安全管理现状及对策[J]．医学理论与实践,2011(10):132-133. [4]李恵,高洪国,张元梅．两种红细胞沉降率检测方法的比较[J].齐齐哈尔医学院学报,2011(7):67-68. 数字图像处理实验报告 学生姓名王真颖 学生学号L0902150101 指导教师梁毅雄 专业班级计算机科学与技术1501 完成日期2017年11月06日 计算机科学与技术系信息科学与工程学院 目录 实验一.................................................................................................. 错误!未定义书签。 一、实验目的.................................................................................................... 错误!未定义书签。 二、实验基本原理 ........................................................................................... 错误!未定义书签。 三、实验内容与要求....................................................................................... 错误!未定义书签。 四、实验结果与分析....................................................................................... 错误!未定义书签。实验总结............................................................................................... 错误!未定义书签。参考资料.. (3) 实验一图像分割与边缘检测 一．实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法；基于小波变换的图像边缘检测算法
图像处理文献综述
Matlab做图像边缘检测的多种方法
两种梅毒检测方法对比
几种常用边缘检测算法的比较
图像边缘检测方法研究综述_段瑞玲
图像边缘检测方法比较研究
图像边缘检测算法体验步骤
图像边缘检测技术综述
图像边缘检测方法的研究与实现刘法200832800066
数字图像处理中的边缘检测技术
两种血沉检测方法的比较分析
实验三图像分割与边缘检测