外文翻译---图像的边缘检测

附：英文资料翻译

图像的边缘检测

To image edge examination algorithm research academic report

Abstract

Digital image processing took a relative quite young discipline, is following the computer technology rapid development, day by day obtains the widespread application.The edge took the image one kind of basic characteristic, in the pattern recognition, the image division, the image intensification as well as the image compression and so on in the domain has a more widespread application.Image edge detection method many and varied, in which based on brightness algorithm, is studies the time to be most long, the theory develops the maturest method, it mainly is through some difference operator, calculates its gradient based on image brightness the change, thus examines the edge, mainly has Robert, Laplacian, Sobel, Canny, operators and so on LOG. First as a whole introduced digital image processing and the edge detection survey, has enumerated several kind of at present commonly used edge detection technology and the algorithm, and selects two kinds to use Visual the C language programming realization, through withdraws the image result to two algorithms the comparison, the research discusses their good and bad points.

对图像边缘检测算法的研究学术报告摘要

数字图像处理作为一门相对比较年轻的学科, 伴随着计算机技术的飞速发展, 日益得到广泛的应用. 边缘作为图像的一种基本特征, 在图像识别,图像分割,图像增强以及图像压缩等的领域中有较为广泛的应用.图像边缘提取的手段多种多样,其中基于亮度的算法,是研究时间最久,理论发展最成熟的方法, 它主要是通过一些差分算子, 由图像的亮度计算其梯度的变化, 从而检测出边缘, 主要有Robert, Laplacian, Sobel, Canny, LOG 等算子. 首先从总体上介绍了数字图像处理及边缘提取的概况, 列举了几种目前常用的边缘提取技术和算法,并选取其中两种使用Visual C++语言编程实现,通过对两种算法所提取图像结果的比较,研究探讨它们的优缺点.

First chapter introduction

§1.1 image edge examination introduction

The image edge is one of image most basic characteristics, often is carrying image majority of informations.But the edge exists in the image irregular structure and in

not the steady phenomenon, also namely exists in the signal point of discontinuity place, these spots have given the image outline position, these outlines are frequently we when the imagery processing needs the extremely important some representative condition, this needs us to examine and to withdraw its edge to an image. But the edge examination algorithm is in the imagery processing question one of classical technical difficult problems, its solution carries on the high level regarding us the characteristic description, the recognition and the understanding and so on has the significant influence; Also because the edge examination all has in many aspects the extremely important use value, therefore how the people are devoting continuously in study and solve the structure to leave have the good nature and the good effect edge examination operator question.In the usual situation, we may the signal in singular point and the point of discontinuity thought is in the image peripheral point, its nearby gradation change situation may reflect from its neighboring picture element gradation distribution gradient. According to this characteristic, we proposed many kinds of edge examination operator: If Robert operator, Sobel operator, Prewitt operator, Laplace operator and so on.These methods many are wait for the processing picture element to carry on the gradation analysis for the central neighborhood achievement the foundation, realized and has already obtained the good processing effect to the image edge extraction. . But this kind of method simultaneously also exists has the edge picture element width, the noise jamming is serious and so on the shortcomings, even if uses some auxiliary methods to perform the denoising, also corresponding can bring the flaw which the edge fuzzy and so on overcomes with difficulty.Along with the wavelet analysis appearance, its good time frequency partial characteristic by the widespread application in the imagery processing and in the pattern recognition domain, becomes in the signal processing the commonly used method and the powerful tool.Through the wavelet analysis, may interweave decomposes in the same place each kind of composite signal the different frequency the block signal, but carries on the edge examination through the wavelet transformation, may use its multi-criteria and the multi-resolution nature fully , real effective expresses the image the edge characteristic.When the wavelet transformation criterion reduces, is more sensitive to the image detail; But when the criterion increases, the image detail is filtered out, the examination edge will be only the thick outline.This characteristic is extremely useful in the pattern recognition, we may be called this thick outline the image the main edge.If will be able an image main edge clear integrity extraction, this to the goal division, the recognition and so on following processing to bring the enormous convenience.Generally speaking, the above method all is the work which does based on the image luminance information.

In the multitudinous scientific research worker under, has obtained the very good effect diligently.But, because the image edge receives physical condition and so on the illumination influences quite to be big above, often enables many to have a common shortcoming based on brightness edge detection method, that is the edge is not continual, does not seal up.Considered the phase information in the image importance as well as its stable characteristic, causes using the phase information to carry on the imagery processing into new research topic. In this paper soon introduces one kind based on the phase image characteristic examination method - - phase uniform method.It is not uses the image the luminance information, but is its phase characteristic, namely supposition image Fourier component phase most consistent spot achievement characteristic point.Not only it can examine brightness characteristics and so on step characteristic, line characteristic, moreover can examine Mach belt phenomenon which produces as a result of the human vision sensation characteristic.Because the phase uniformity does not need to carry on any supposition to the image characteristic type, therefore it has the very strong versatility.

第一章绪论

§1.1 图像边缘检测概论

图像边缘是图像最基本的特征之一, 往往携带着一幅图像的大部分信息. 而边缘存在于图像的不规则结构和不平稳现象中,也即存在于信号的突变点处,这些点给出了图像轮廓的位置,这些轮廓常常是我们在图像处理时所需要的非常重要的一些特征条件, 这就需要我们对一幅图像检测并提取出它的边缘. 而边缘检测算法则是图像处理问题中经典技术难题之一, 它的解决对于我们进行高层次的特征描述, 识别和理解等有着重大的影响; 又由于边缘检测在许多方面都有着非常重要的使用价值, 所以人们一直在致力于研究和解决如何构造出具有良好性质及好的效果的边缘检测算子的问题.在通常情况下,我们可以将信号中的奇异点和突变点认为是图像中的边缘点,其附近灰度的变化情况可从它相邻像素灰度分布的梯度来反映.

根据这一特点,我们提出了多种边缘检测算子:如Robert 算子,Sobel 算子,Prewitt 算子, Laplace 算子等.这些方法多是以待处理像素为中心的邻域作为进行灰度分析的基础,实现对图像边缘的提取并已经取得了较好的处理效果. 但这类方法同时也存在有边缘像素宽, 噪声干扰较严重等缺点,即使采用一些辅助的方法加以去噪,也相应的会带来边缘模糊等难以克服的缺陷.随着小波分析的出现, 其良好的时频局部特性被广泛的应用在图像处理和模式识别领域中, 成为信号处理中常用的手段和有力的工具. 通过小波分析, 可以将交织在一起的各种混合信号分解成不同频率的块信号,而通过小波变换进行边缘检测,可以充分利用其多尺度和多分辨率的性质,真实有效的表达图像的边缘特征.当小波变换的尺度减小时,对图像的细节更加敏感;而当尺度增大时,图像的细节将被滤掉,检测的边缘只是粗轮廓.该特性在模式识别中非常有用,我们可以将此粗轮廓称为图像的主要边缘.如果能将一个图像的主要边缘清晰完整的提取出来,这将对目标分割,识别等后续处理带来极大的便利.总的说来,以上方法都是基于图像的亮度信息来作的工作. 在众多科研工作者的努力下,取得了很好的效果.但是,由于图像边缘受到光照等物理条件的影响比较大, 往往使得以上诸多基于亮度的边缘提取方法有着一个共同的缺点, 那就是边缘不连续, 不封闭. 考虑到相位信息在图像中的重要性以及其稳定的特点, 使得利用相位信息进行图像处理成为新的研究课题. 在本文

中即将介绍一种基于相位的图像特征检测方法——相位一致性方法. 它并不是利用图像的亮度信息,而是其相位特点,即假设图像的傅立叶分量相位最一致的点作为特征点.它不但能检测到阶跃特征, 线特征等亮度特征, 而且能够检测到由于人类视觉感知特性而产生的的马赫带现象. 由于相位一致性不需要对图像的特征类型进行任何假设,所以它具有很强的通用性.

§1.2 image edge definition

The image majority main information all exists in the image edge, the main performance for the image partial characteristic discontinuity, is in the image the gradation change quite fierce place, also is the signal which we usually said has the strange change place. The strange signal the gradation change which moves towards along the edge is fierce, usually we divide the edge for the step shape and the roof shape two kind of types (as shown in Figure 1-1).In the step edge two side grey levels have the obvious change; But the roof shape edge is located the gradation increase and the reduced intersection point.May portray the peripheral point in mathematics using the gradation derivative the change, to the step edge, the roof shape edge asks its step, the second time derivative separately. To an edge, has the possibility simultaneously to have the step and the line edge characteristic. For example on a surface, changes from a plane to the normal direction different another plane can produce the step edge; If this surface has the edges and corners which the regular reflection characteristic also two planes form quite to be smooth, then works as when edges and corners smooth surface normal after mirror surface reflection angle, as a result of the regular reflection component, can produce the bright light strip on the edges and corners smooth surface, such edge looked like has likely superimposed a line edge in the step edge. Because edge possible and in scene object important characteristic correspondence, therefore it is the very important image characteristic.For instance, an object outline usually produces the step edge, because the object image intensity is different with the background image intensity.

§1.3 paper selected topic theory significance

The paper selected topic originates in holds the important status and the function practical application topic in the image project.The so-called image project discipline is refers foundation discipline and so on mathematics, optics principles, the discipline which in the image application unifies which accumulates the technical background develops.The image project content is extremely rich, and so on divides into three levels differently according to the abstract degree and the research technique: Imagery processing, image analysis and image understanding.As shown in Figure 1-2, in the chart the image division is in between the image analysis and the imagery processing, its meaning is, the image division is from the imagery processing to the image analysis

essential step, also is further understands the image the foundation. The image division has the important influence to the characteristic.The image division and based on the division goal expression, the characteristic extraction and the parameter survey and so on transforms the primitive image as a more abstract more compact form, causes the high-level image analysis and possibly understands into.But the edge examination is the image division core content, therefore the edge examination holds the important status and the function in the image project.Therefore the edge examination research always is in the image engineering research the hot spot and the focal point, moreover the people enhance unceasingly to its attention and the investment.

§1.2 图像边缘的定义

图像的大部分主要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, 是图像中灰度变化比较剧烈的地方, 也即我们通常所说的信号发生奇异变化的地方. 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1-1 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. 对一个边缘来说,有可能同时具有阶跃和线条边缘特性.例如在一个表面上,由一个平面变化到法线方向不同的另一个平面就会产生阶跃边缘; 如果这一表面具有镜面反射特性且两平面形成的棱角比较圆滑,则当棱角圆滑表面的法线经过镜面反射角时,由于镜面反射分量,在棱角圆滑表面上会产生明亮光条, 这样的边缘看起来象在阶跃边缘上叠加了一个线条边缘. 由于边缘可能与场景中物体的重要特征对应,所以它是很重要的图像特征.比如,一个物体的轮廓通常产生阶跃边缘, 因为物体的图像强度不同于背景的图像强度.

§1.3 论文选题的理论意义

论文选题来源于在图像工程中占有重要的地位和作用的实际应用课题.所谓图像工程学科是指将数学,光学等基础学科的原理,结合在图像应用中积累的技术经验而发展起来的学科.图像工程的内容非常丰富,根据抽象程度和研究方法等的不同分为三个层次:图像处理,图像分析和图像理解.如图1-2 所示,在图中,图像分割处于图像分析与图像处理之间,其含义是,图像分割是从图像处理进到图像分析的关键步骤,也是进一步理解图像的基础.

图像分割对特征有重要影响. 图像分割及基于分割的目标表达, 特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能. 而边缘检测是图像分割的核心内容, 所以边缘检测在图像工程中占有重要的地位和作用. 因此边缘检测的研究一直是图像技术研究中热点和焦点,而且人们对其的关注和投入不断提高.

图像的阈值分割及边缘检测技术

数字图像处理实验报告 题目：图像的阈值分割及边缘检测技术 班级： 姓名： 学号：

图像的阈值分割及边缘检测技术 一、实验目的 1、了解图像的分割技术，掌握图像的全局阈值分割技术并通过MATLAB实现； 2、了解图像的边缘检测，掌握梯度算子图像边缘检测方法。 二、实验内容 1、基于直方图的全局阈值图像分割方法； 2、Edge命令（roberts,perwitt,sobel,log,canny），实现边缘检测。 三、实验原理 1、全局阈值是最简单的图像分割方法。其中，直方图法的原理如下：想做出图 像的直方图，若其直方图呈双峰且有明显的谷底，则可以讲谷底点所对应的灰度值作为阈值T，然后根据该阈值进行分割，九可以讲目标从图像中分割出来。这种方法是用于目标和背景的灰度差较大且直方图有明显谷底的情况。 2、用于边缘检测的梯度算子主要有Roberts算子、Prewitt算子、Sobel算子。 这三种检测算子中，Roberts算子定位精度较高，但也易丢失部分边缘，抗噪声能力差，适用于低噪声、陡峭边缘的场合。Prewitt算子、Sobel算子首先对图像做平滑处理，因此具有一定的抑制噪声的能力，但不能排除检测结果中的虚假边缘，易出现多像素宽度。

四、实验步骤 1、全局阈值分割： ①读取一张图像； ②生成该图像的直方图； ③根据直方图双峰产生的低谷估计阈值T； ④依次读取图像各个点的像素，若大于阈值，则将像素改为255，若小于 阈值，则将该像素改为0； 实验代码如下： I=imread('cameraman.tif'); %读取一张图像 subplot(221);imshow(I); %显示该图像 subplot(222);imhist(I); %生成该图像的直方图 T=60; %根据直方图估计阈值T为60 [m,n]=size(I); %取图像的大小为【m,n】 for i=1:m %依次读取图像各个点的像素，若大于阈 值，则将像素改为255，若小于阈值， 则将该像素改为0 for j=1:n if I(i,j)>=T I(i,j)=255; else I(i,j)=0; end end

外文翻译---基于模糊逻辑技术图像上边缘检测

译文二： 1基于模糊逻辑技术图像上边缘检测[2] 摘要：模糊技术是经营者为了模拟在数学水平的代偿行为过程的决策或主观评价而引入的。下面介绍经营商已经完成了的计算机视觉应用。本文提出了一种基于模糊逻辑推理战略为基础的新方法，它被建议使用在没有确定阈值的数字图像边缘检测上。这种方法首先将用3?3的浮点二进制矩阵将图像分割成几个区域。边缘像素被映射到一个属性值与彼此不同的范围。该方法的鲁棒性所得到的不同拍摄图像将与线性Sobel运算所得到的图像相比较。并且该方法给出了直线的线条平滑度、平直度和弧形线条的良好弧度这些永久的效果。同时角位可以更清晰并且可以更容易的定义。关键词：模糊逻辑，边缘检测，图像处理，电脑视觉，机械的部位，测量 1.引言 在过去的几十年里，对计算机视觉系统的兴趣，研究和发展已经增长了不少。如今，它们出现在各个生活领域，从停车场，街道和商场各角落的监测系统到主要食品生产的分类和质量控制系统。因此，引进自动化的视觉检测和测量系统是有必要的，特别是二维机械对象[1,8]。部分原因是由于那些每天产生的数字图像大幅度的增加(比如，从X光片到卫星影像)，并且对于这样图片的自动处理有增加的需求[9,10,11]。因此，现在的许多应用例如对医学图像进行计算机辅助诊断，将遥感图像分割和分类成土地类别(比如，对麦田，非法大麻种植园的鉴定，以及对作物生长的估计判断)，光学字符识别，闭环控制，基于目录检索的多媒体应用，电影产业上的图像处理，汽车车牌的详细记录的鉴定，以及许多工业检测任务(比如，纺织品，钢材，平板玻璃等的缺陷检测)。历史上的许多数据已经被生成图像，以帮助人们分析(相比较于数字表之类的，图像显然容易理解多了)[12]。所以这鼓励了数字分析技术在数据处理方面的使用。此外，由于人类善于理解图像，基于图像的分析法在算法发展上提供了一些帮助(比如，它鼓励几何分析)，并且也有助于非正式确认的结果。虽然计算机视觉可以被总结为一个自动(或半自动)分析图像的系统，一些变化也是可能的[9,13]。这些图像可以来自超出正常灰度和色彩的照片，例如红外光，X射线，以及新一代的高光谱 [1]Abdallah A. Alshennawy, A yman A. Aly. Edge Detection in Digital Images Using Fuzzy Logic Technique[]J. World Academy of Science, Engineering and Technology, 2009, 51:178-186.

图像增强和边缘检测实验报告

图像增强和边缘检测 实验内容 1）将Image1.jpg 转换为灰度图像A。 2）读懂文档（图像直方图均衡化.doc），利用里面的方法通过编程对图像A进行直方图均衡化处理，得到处理后的图像B。显示图像A和B，以及各自对应的灰度直方图。 3）利用锐化方法（教材118－120页），编制程序，对图像A和B分别使用罗伯特梯度，索伯尔梯度，拉普拉斯方法，进行处理，比较哪种求边缘的方法好，以及进行图像的直方图均衡化后能否提高求边缘的精确度。 4）撰写报告书，说明实验的步骤和方法，实验的结果等。 5）提交报告书以及源程序 实验步骤和方法 1）调用rgb2gray()函数将Image1.jpg 转换为灰度图像A。并将图像A保存到f和I1中。2）统计图像A中的像素并进行均衡化处理并将结果保存到B，显示图像A和B；调用imhist()函数显示两图像的灰度直方图。 3）编制罗伯特锐化函数，设定两个模板t1=[1,0;0,-1] t2=[0,-1;1,0]，调用conv2()函数获得图像和两个模板的卷积并取绝对值相加获得罗伯特锐化结果，缩小结果图像。4）编制索伯尔锐化函数，设定两个模板t1=[1,2,1;0,0,0;-1,-2,-1] t2=[-1,0,1;-2,0,2;-1,0,1] ,其余步骤与罗伯特锐化相似。 5）编制拉普拉斯锐化函数，设定模板t(m,n)=[0,1,0;1,-4,1;0,1,0]，将待处理图像与模板卷积，并用原图像的至减去模板运算结果的整数倍，将结果缩小化到原图像大小既得拉普拉斯锐化结果。 6）函数整合，将编制好的3）、4）、5）三个函数整合到2）的程序后面并加以调整，分别对图像A和B进行锐化，并将结果输出到2*4的图框中进行对比 实验结果 1）

数字图像处理实验报告--边缘检测

数字图像处理实验报告 实验名称：边缘检测 姓名： 班级： 学号：09045433 专业：电子信息工程（2+2） 指导教师：陈华华 实验日期：2012年5月17日

边缘检测 一，原理 本实验主要是对图像的边缘进行提取，通过对边缘的分析来分析图像的特征。首先，了解一些术语的定义： 边缘点：图像中具有坐标[i,j]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,j]及其方位 ,边缘的方位可能是梯度角。 边缘检测器：从图像中提取边缘（边缘点和边缘段）集合的算法。 轮廓：边缘列表，或者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，边缘表的表示采用顺时针方向来排序。 边缘跟踪：一个用来确定轮廓的图像（指滤波后的图像）搜索过程。 边缘就是图像中包含的对象的边界所对应的位置。物体的边缘以图像局部特性的不连续性的形式出现的，例如，灰度值的突变，颜色的突变，纹理结构的突变等。从本质上说，边缘就意味着一个区域的终结和另外一个区域的开始。图像边缘信息在图像分析和人的视觉中十分重要，是图像识别中提取图像特征的一个重要属性。 边缘检测（edge detection）在图像处理和对象识别领域中都是一个重要的基本问题。由于边缘的灰度不连续性，可以使用求导数的方法检测到。最早的边缘检测方法都是基于像素的数值导数的运算。本实验主要是对图像依次进行Sobel算子，Prewitt算子,Roberts算子，Laplace算子和Canny算子运算，比较处理结果。 边缘检测有三个共性准则， 1，好的检测结果，或者说对边缘的误测率尽可能低，就是在图像边缘出现的地方检测结果中不应该没有；另一方面不要出现虚假的边缘。 2，对边缘的定位要准确，也就是我们标记出的边缘位置要和图像上真正边缘的中心位置充分接近。 3，对同一边缘要有尽可能低的响应次数，也就是检测响应最好是单像素的。二，对图像进行各种算子运算 本实验中主要是对图像依次进行Sobel算子，Prewitt算子,Roberts算子，Laplace 算子和Canny算子运算。 Matlab代码： clear all; close all; warning off all; I=imread('cameraman.tif'); %%没有噪声时的检测结果 BW_sobel=edge(I,'sobel'); BW_prewitt=edge(I,'prewitt');

毕业论文外文翻译-图像分割

图像分割 前一章的资料使我们所研究的图像处理方法开始发生了转变。从输人输出均为图像的处理方法转变为输人为图像而输出为从这些图像中提取出来的属性的处理方法〔这方面在1.1节中定义过)。图像分割是这一方向的另一主要步骤。 分割将图像细分为构成它的子区域或对象。分割的程度取决于要解决的问题。就是说当感兴趣的对象已经被分离出来时就停止分割。例如，在电子元件的自动检测方面，我们关注的是分析产品的图像，检测是否存在特定的异常状态，比如，缺失的元件或断裂的连接线路。超过识别这此元件所需的分割是没有意义的。 异常图像的分割是图像处理中最困难的任务之一。精确的分割决定着计算分析过程的成败。因此，应该特别的关注分割的稳定性。在某些情况下，比如工业检测应用，至少有可能对环境进行适度控制的检测。有经验的图像处理系统设计师总是将相当大的注意力放在这类可能性上。在其他应用方面，比如自动目标采集，系统设计者无法对环境进行控制。所以，通常的方法是将注意力集中于传感器类型的选择上，这样可以增强获取所关注对象的能力，从而减少图像无关细节的影响。一个很好的例子就是，军方利用红外线图像发现有很强热信号的目标，比如移动中的装备和部队。 图像分割算法一般是基于亮度值的不连续性和相似性两个基本特性之一。第一类性质的应用途径是基于亮度的不连续变化分割图像，比如图像的边缘。第二类的主要应用途径是依据事先制定的准则将图像分割为相似的区域，门限处理、区域生长、区域分离和聚合都是这类方法的实例。 本章中，我们将对刚刚提到的两类特性各讨论一些方法。我们先从适合于检测灰度级的不连续性的方法展开，如点、线和边缘。特别是边缘检测近年来已经成为分割算法的主题。除了边缘检测本身，我们还会讨论一些连接边缘线段和把边缘“组装”为边界的方法。关于边缘检测的讨论将在介绍了各种门限处理技术之后进行。门限处理也是一种人们普遍关注的用于分割处理的基础性方法，特别是在速度因素占重要地位的应用中。关于门限处理的讨论将在几种面向区域的分割方法展开的讨论之后进行。之后，我们将讨论一种称为分水岭分割法的形态学

系统实验(DSP)--图像的锐化处理、图像的边缘检测

DSP 实验报告 一、 图像的锐化处理（高通滤波处理） 1、 实验原理 处理模板如下： ???? ??????--+--=004100 ααα ααM 25.0=α 对应数学表达式： ()[])1,(),1()1,(),1(),(41),(++++-+--+=y x f y x f y x f y x f y x f y x g αα 2、 C 程序及运行结果 程序： Acute_RGB_Image(int *buffer) { int x,y; for (y=0;y255) buffer[ImageWidth*y+x]=255; else if (buffer[ImageWidth*y+x]<0) buffer[ImageWidth*y+x]=0; } }

运行结果： 锐化前锐化后 分析：从上面两幅图可以看出锐化后的图像轮廓变得明显，且噪声变得强烈。 3、汇编程序及运行结果 程序： ImageAcuteSub(ImageWidth,ImageHeight,buffer_red); ImageAcuteSub(ImageWidth,ImageHeight,buffer_green); ImageAcuteSub(ImageWidth,ImageHeight,buffer_blue); .mmregs .def _ImageAcuteSub .text _ImageAcuteSub: mov t0,brc1 ;IMAGE WIDTH mov t1,brc0 ;IMAGE HEIGHT rptb y_loop rptb x_loop mov *ar0(#1),ac1;f(x+1,y) add *ar0(#-1),ac1 ;f(x-1,y) add *ar0(#-250),ac1 ;f(x,y-1) add *ar0(#250),ac1 ;f(x,y+1) sfts ac1,#-2 mov *ar0<<#1,ac0;2f(x,y)

数字图像处理和边缘检测

中文译文 数字图像处理和边缘检测 1.数字图像处理 数字图像处理方法的研究源于两个主要应用领域：为便于人们分析而对图像信息进行改进；为使机 器自动理解而对图像数据进行存储、传输及显示。 一幅图像可定义为一个二维函数(,)f x y ，这里x 和y 是空间坐标，而在任何一对空间坐标(,)x y 上 的幅值f 称为该点图像的强度或灰度。当,x y 和幅值f 为有限的、离散的数值时，则图像为数字图像。数字图像处理是指借用数字计算机处理数字图像，值得提及的是数字图像是由有限的元素组成的，每一个元素都有一个特定的位置和幅值，这些元素称为图像元素、画面元素或像素。像素是广泛用于表示数字图像元素的词汇。 视觉是人类最高级的感知器官，所以，毫无疑问图像在人类感知中扮演着最重要的角色。然而，人 类感知只限于电磁波谱的视觉波段，成像机器则可覆盖几乎全部电磁波谱，从伽马射线到无线电波。它们可以对非人类习惯的那些图像源进行加工，这些图像源包括超声波、电子显微镜及计算机产生的图像。因此，数字图像处理涉及各种各样的应用领域。 图像处理涉及的范畴或其他相关领域（例如，图像分析和计算机视觉）的界定在初创人之间并没有 一致的看法。有时用处理的输入和输出内容都是图像这一特点来界定图像处理的范围。我们认为这一定义仅是人为界定和限制。例如，在这个定义下，甚至最普通的计算一幅图像灰度平均值的工作都不能算做是图像处理。另一方面，有些领域（如计算机视觉）研究的最高目标是用计算机去模拟人类视觉，包括理解和推理并根据视觉输入采取行动等。这一领域本身是人工智能的分支，其目的是模仿人类智能。人工智能领域处在其发展过程中的初期阶段，它的发展比预期的要慢的多，图像分析（也称为图像理解）领域则处在图像处理和计算机视觉两个学科之间。 从图像处理到计算机视觉这个连续的统一体内并没有明确的界线。然而，在这个连续的统一体中可 以考虑三种典型的计算处理（即低级、中级和高级处理）来区分其中的各个学科。 低级处理涉及初级操作，如降低噪声的图像预处理，对比度增强和图像尖锐化。低级处理是以输入、输出都是图像为特点的处理。中级处理涉及分割（把图像分为不同区域或目标物）以及缩减对目标物的描述，以使其更适合计算机处理及对不同目标的分类（识别）。中级图像处理是以输入为图像，但输出是从这些图像中提取的特征（如边缘、轮廓及不同物体的标识等）为特点的。最后，高级处理涉及在图像分析中被识别物体的总体理解，以及执行与视觉相关的识别函数（处在连续统一体边缘）等。 根据上述讨论，我们看到，图像处理和图像分析两个领域合乎逻辑的重叠区域是图像中特定区域或 物体的识别这一领域。这样，在研究中，我们界定数字图像处理包括输入和输出均是图像的处理，同时也包括从图像中提取特征及识别特定物体的处理。举一个简单的文本自动分析方面的例子来具体说明这一概念。在自动分析文本时首先获取一幅包含文本的图像，对该图像进行预处理，提取（分割）字符，然后以适合计算机处理的形式描述这些字符，最后识别这些字符，而所有这些操作都在本文界定的数字图像处理的范围内。理解一页的内容可能要根据理解的复杂度从图像分析或计算机视觉领域考虑问题。

外文翻译---图像的边缘检测

附：英文资料翻译 图像的边缘检测 To image edge examination algorithm research academic report Abstract Digital image processing took a relative quite young discipline, is following the computer technology rapid development, day by day obtains the widespread application.The edge took the image one kind of basic characteristic, in the pattern recognition, the image division, the image intensification as well as the image compression and so on in the domain has a more widespread application.Image edge detection method many and varied, in which based on brightness algorithm, is studies the time to be most long, the theory develops the maturest method, it mainly is through some difference operator, calculates its gradient based on image brightness the change, thus examines the edge, mainly has Robert, Laplacian, Sobel, Canny, operators and so on LOG. First as a whole introduced digital image processing and the edge detection survey, has enumerated several kind of at present commonly used edge detection technology and the algorithm, and selects two kinds to use Visual the C language programming realization, through withdraws the image result to two algorithms the comparison, the research discusses their good and bad points. 对图像边缘检测算法的研究学术报告摘要 数字图像处理作为一门相对比较年轻的学科, 伴随着计算机技术的飞速发展, 日益得到广泛的应用. 边缘作为图像的一种基本特征, 在图像识别,图像分割,图像增强以及图像压缩等的领域中有较为广泛的应用.图像边缘提取的手段多种多样,其中基于亮度的算法,是研究时间最久,理论发展最成熟的方法, 它主要是通过一些差分算子, 由图像的亮度计算其梯度的变化, 从而检测出边缘, 主要有Robert, Laplacian, Sobel, Canny, LOG 等算子. 首先从总体上介绍了数字图像处理及边缘提取的概况, 列举了几种目前常用的边缘提取技术和算法,并选取其中两种使用Visual C++语言编程实现,通过对两种算法所提取图像结果的比较,研究探讨它们的优缺点. First chapter introduction §1.1 image edge examination introduction The image edge is one of image most basic characteristics, often is carrying image majority of informations.But the edge exists in the image irregular structure and in

数字图像处理中的边缘检测技术

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

科技英语翻译Unit 1—Unit 7

Unit 1 Electronics:Analog and Digital 1.As with series resonance, the greater the resistance in the circuit the lower the Q and, accordingly, the flatter and broader the resonance curve of either line current or circuit impedance. 对于串联谐振，电路中的电阻愈大Q值就愈低，相应地线路电流或电路阻抗的谐振曲线也就愈平、愈宽。 2.A wire carrying a current looks exactly the same and weighs exactly the same as it does when it is not carrying a current. 一根带电的导线其外表与重量都与不带电导线完全一样。 3.Click mouse on the waveform and drag it to change the pulse repetition rate, or directly enter a new value of the period in the provided dialogue box, while keeping the pulse width unchanged. 在波形上点击鼠标并拖动来改变脉冲重复频率，或者在提供的对话框中直接输入新的周期值，而保持脉冲宽度不变。 4.Electronics is the science and the technology of the passage of charged particles in a gas, in a vacuum, or in a semiconductor. Please note that particle motion confined within a metal only is not considered electronics. 电子学是一门有关带电粒子在气体、真空或半导体中运动的科学技术。注意，在本书中粒子运动仅限于金属的情况不属于电子学。 5.Hardware technologies have played vital roles in our ability to use electronic properties to process information, but software and data processing aspects have not developed at the same speed. 硬件技术在我们使用电子特性来处理信息的能力中一直起着重要作用，而软件及数字处理方面却没能与硬件同步发展。 6.However, in a properly designed DC amplifier the effect of transistor parameter variation, other than Ico, may be practically eliminated if the operation point of each stage is adjusted so that it remains in the linear operation range of the transistor as temperature varies. 然而在设计得当的直流放大器中，若调节每一级的工作点使之在温度变化时保持在晶体管线性区，就能在实际上消除Ico以外的晶体管参数变化所造成的影响。

图像处理外文翻译

杭州电子科技大学 毕业设计（论文）外文文献翻译 毕业设计（论文）题目基于遗传算法的自动图像分割软件开发 翻译（1）题目Image Segmentation by Using Threshold Techniques 翻译（2）题目 A Review on Otsu Image Segmentation Algorithm 学院计算机学院 专业计算机科学与技术 姓名刘xx 班级11xxxxxx 学号1115xxxx 指导教师孔xx

使用阈值技术的图像分割 1 摘要 本文试图通过5阈值法作为平均法，P-tile算法，直方图相关技术（HDT），边缘最大化技术（EMT）和可视化技术进行了分割图像技术的研究，彼此比较从而选择合的阈值分割图像的最佳技术。这些技术适用于三个卫星图像选择作为阈值分割图像的基本猜测。 关键词：图像分割，阈值，自动阈值 1 引言 分割算法是基于不连续性和相似性这两个基本属性之一的强度值。第一类是基于在强度的突然变化，如在图像的边缘进行分区的图像。第二类是根据预定义标准基于分割的图像转换成类似的区域。直方图阈值的方法属于这一类。本文研究第二类（阈值技术）在这种情况下，通过这项课题可以给予这些研究简要介绍。阈分割技术可分为三个不同的类： 首先局部技术基于像素和它们临近地区的局部性质。其次采用全局技术分割图像可以获得图像的全局信息（通过使用图像直方图，例如;全局纹理属性）。并且拆分，合并，生长技术，为了获得良好的分割效果同时使用的同质化和几何近似的概念。最后的图像分割，在图像分析的领域中，常用于将像素划分成区域，以确定一个图像的组成[1][2]。 他们提出了一种二维（2-D）的直方图基于多分辨率分析（MRA）的自适应阈值的方法，降低了计算的二维直方图的复杂而提高了多分辨率阈值法的搜索精度。这样的方法源于通过灰度级和灵活性的空间相关性的多分辨率阈值分割方法中的阈值的寻找以及效率由二维直方图阈值分割方法所取得的非凡分割效果。实验的结果表明，这种方法可以得到的分割结果与详尽二维直方图方法相类似，而计算复杂度与分辨率等级的增加而呈指数下降[3]。 图像的阈值问题，被视为在图像处理的一个重要问题，它不仅可以减少图像数据，同时也奠定了多目标识别和图像认知提供了良好的基础。全局阈值分割和局部阈值的字符图像分割进行了分析。一个新的阈值统计迭代算法，提出要克服的直接阈值，针对一些光照不对称和明显的缺陷，或者更大的数字比例在各种各样的背景灰度图像中。统计迭代阈值分割，基于图像灰度直方图和高斯分布的统计，获得统计迭代法理论表达和最值得阈值法和步骤。航空图像通过分别使用统计迭代算法，直方图技术和自适应方法进行阈值分割。比较三种阈值结果，它表明统计迭代方法大大提高了图像分割的抗噪能力，并且有更好的图像结果，并且不容易在阈值方法中分段[4]。 模糊C均值改进算法和遥感图像分割策略，可以提供较少的迭代次数收敛到全局1Salem Saleh Al-amri1, N.V. Kalyankar2 and Khamitkar S.D 3JOURNAL OF COMPUTING,

图像边缘检测算法体验步骤

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

图像锐化的目的和意义

图像锐化的目的和意义图像模糊的主要原因是图像中的高频成分低于低频成分，它对图像质量的影响体现在两个不同均匀灰度区域的边界部分。 当成像参数正确，图像的亮度变化传递正常时，在图像中对象边缘与背景之间的理想边缘面应该时阶梯形的，这样的图像看上去边缘清晰，反之，则会边缘模糊，其特征时对象与背景间的灰度改变有一个过渡带，这将损害图像的视觉效果。要消除图像中不应又的模糊边缘，需要增强图像中的高频成分，使边缘锐化。 图像锐化是一种使图像原有的信息变换到有利于人们观看的质量，其目的是为了改善图像的视觉效果，消除图像质量劣化的原因（模糊），使图像中应又的对象边缘变得轮廓分明。 图像的锐化，需要利用积分的反运算（微分），因为微分运算是求信号的变化率，又加强图像中高频分量的作用，从而要锐化图像需要采用各向同性的，具有旋转不变特征的线性微分算子。 图像锐化是一种补偿轮廓、突出边缘信息以使图像更为清晰的处理方法. 锐化的目标实质上是要增强原始图像的高频成分 .常规的锐化算法对整幅图像进行高频增强 , 结果呈现明显噪声 .为此, 在对锐化原理进行深入研究的基础上 ,提出了先用边缘检测算法检出边缘 , 然后根据检出的边缘对图像进行高频增强的方法 . 实验结果表明 , 该方法有效地解决了图像锐化后的噪声问题图像的锐化可以在空间域中进行，也可以在频率域中实现。 一. 图像信号的锐化过程 1. 空间域中锐化图像的目的在空间域中进行图像的锐化也成为空间滤波处 理，目的又 （1）一是提取图像中用于认识和识别图像特征的参量，为图像识别准备数据 （2）消除噪声。图像数字化时产生的噪声主要是造成对图像内容的干扰，这用图像的平滑处理。图像数字化时在信号高频区域产生的 误差以及设备自身噪声对图像的高频（轮廓特征）干扰同样也是一 种噪声，可以用空间滤波的方法去除。 （3）采用空间滤波的方法可以更鲜明地保持图像的边缘特征，这也是空间滤波的主要目的，即锐化图像。处理效果 锐化的目的在于使图像中对象轮廓上的像素灰度大的更大，小的更小，但

数字图像处理_边缘检测算子与锐化算子(含MATLAB代码)

数字图像处理实验五 15生医 一、实验内容 对某一灰度图像，进行如下处理： （1）分别用Roberts、Prewitt和Sobel边缘检测算子进行边缘检测；（2）将Roberts、Prewitt和Sobel边缘检测算子修改为锐化算子，对原图像进行锐化，同屏显示原图像、边缘检测结果和锐化后图像，说明三者之间的关系。一灰度图像的二值化。 二、运行环境 MATLAB R2014a 三、运行结果及分析 运行结果如图所示：可以观察出原图像、边缘检测结果和锐化后图像三者之间的关系为：原图像+边缘检测结果=锐化后图像 四、心得体会 通过MATLAB编程更加熟悉了课本上关于锐化与边缘检测的相关知识

点，对二者的关系也有了具体的认识。同时，对MATLAB图像导入函数、图像边缘检测函数、锐化窗口矩阵卷积函数的调用及实现机理也有所掌握，比如后边附的程序中会提到的“%”标注的思考。 五、具体程序 size=512; Img_rgb=imread('E:\lena.jpg'); %读取图像 Img_gray=rgb2gray(Img_rgb); %进行RGB到灰度图像的转换（虽然原来在网上下载的lena就是黑白图像，但是这一步必须要有！否则处理结果不正确） figure(1); subplot(2,3,1); imshow(Img_gray); title('原图像'); Img_edge=zeros(size); a={'roberts','prewitt','sobel'}; for i=1:3 Img_edge=edge(Img_gray,a{i}); figure(1); subplot(2,3,i+1); imshow(Img_edge); axis image; title(a(i)); end A=imread('E:\lena.jpg'); B=rgb2gray(A); B=double(B); Window=[-1 -1 -1;-1 9 -1;-1 -1 -1]; %八邻域拉普拉斯锐化算子（α取1） C=conv2(B,Window,'same'); Img_sharp=uint8(C); subplot(2,3,5); imshow(Img_sharp); title('sharp');

人眼识别外文翻译译文

译文： 惺忪眼睛识别之睡意检测 林信锋，林家仁，姚志 国立东华大学，台湾花莲 摘要：随着科学技术和汽车工业的进步，道路上有了越来越多的车辆。其结果是，繁忙的交通经常导致越来越多的交通事故。普通交通事故，司机注意力不集中通常是一个主要原因。若要避免这种情况，本文提出了惺忪的眼识别系统的嗜睡检测。首先，级联Adaboost算法与Haar特征分类器来找出人脸。第二，眼睛区域位于主动形状模型（ASM）搜索算法。然后采用二进制的模式和边缘检测的眼睛特征提取和确定眼睛的状态。实验结果表明即使没有系统训练阶段也能与其他方法的性能比较。 关键词：人脸检测；人眼识别；睡意。 一、引言 在过去的几十年中，随着车辆技术的发展交通事故发生率越来越高。驾驶员疲劳驾驶被认为是一个重要因素。许多研究显示长时间驾驶的危险是相当于醉酒驾驶。因此，驾驶员疲劳驾驶已成为一个普遍的问题。其结果是，大量的研究一直致力于检测系统的不安全驾驶。 安全驾驶系统可以概括为两大类。一种是车辆的"以车为本"的 [1] [2] 方法，其中着重论述，如车辆的道路上，位置状态变化的速度，等等。另一类是"以人为本"的方法，侧重于驱动程序的状态。此方法分析了驱动程序的人脸图像与图像处理和模式识别，如眨眼频率和眼睛关闭 [3] 的时间。提出的方法基于这一类别。 林 et al.[4] 评估几个功能集和分类 对于亲密关系的人眼检测。他们采用灰度值，Gabor 小波、局部二进制模式（LBP）及直方图的面向梯度（HOG）来表示功能集，并与三种类型的分类器（即，邻近取样（NN），支持向量机（SVM）和 Adaboost算法）比较。

实验结果表明，各种特征描述符的结合大大提高了精度。 吴吴 et al.[5] 提出了一种识别眼睛的状态方法。他们用 haar 特征和Adaboost 分类器 [6] 来找出人脸区域。LBP 被考虑作为图像的特征和特点采用支持向量机训练。然后利用支持向量机识别眼睛的状态。他们证明了该方法能有效地检测司机睡意，通过计算 PERCOLS （眼闭百分比）。 在本文中，我们提出惺忪的眼识别系统训练阶段无睡意检测。一个级联的Adaboost 分类器 haar 特征 [7] 与主动形状模型（ASM） [8] 用于找出人脸定位和眼区。然后采用二进制的模式和边缘检测的眼睛特征提取和确定眼睛的状态。实验结果与其它的方法，有训练阶段将演示的性能比较。 本文的结构如下。第 2 节中，描述了拟议的方法。节 3 演示实验结果。最后，第 4 节中得出结论。 二.拟议的方法 提出的方法具有四个主要步骤： 1）图像预处理；2）人脸检测；3）眼睛检测；4）的眼睛的状态识别。图 1 说明了驾驶员瞌睡侦测系统的流程图。在下面的小节提出了所提出方法的细节。

Matlab做图像边缘检测的多种方法

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