基于sobel、canny边缘检测实现.docxVIP

基于sobel、canny的边缘检测实现一．实验原理Sobel的原理：索贝尔算子（Sobel operator）是图像处理中的算子之一，主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量.该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。然后可用以下公式计算梯度方向。在以上例子中，如果以上的角度Θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。在边沿检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边沿的；另一个是检测垂直平边沿的。与和相比，Sobel算子对于象素的位置的影响做了加权，因此效果更好。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的，另一个是检测垂直平边沿的。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性，我们可以发现，处理该类型图像轮廓时，并不需要对梯度方向进行运算，所以程序并没有给出各向同性Sobel算子的处理方法。由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。Canny的原理：(1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。(2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。(3)类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。Canny边缘检测算法step1:用高斯滤波器平滑图象；step2:用一阶偏导的有限差分来计算梯度的幅值和方向；step3:对梯度幅值进行非极大值抑制step4:用双阈值算法检测和连接边缘二．实验过程 利用上述原理实现车牌号的检测及识别实验程序：％这是一个图像对象提取方案。车辆号牌的书面分割和提取clc;clear all;im=imread(bmw.bmp);im1=rgb2gray(im);im1=medfilt2(im1,[3 3]); %中值滤波消除图像噪声％BW = edge(im1,sobel); %寻找边缘[imx,imy]=size(BW);msk=[0 0 0 0 0; 0 1 1 1 0; 0 1 1 1 0; 0 1 1 1 0; 0 0 0 0 0;];B=conv2(double(BW),double(msk)); %平滑图像，减少连接的元件数量L = bwlabel(B,8);%计算连通 mx=max(max(L))[r,c] = find(L==17); rc = [r c];[sx sy]=size(rc);n1=zeros(imx,imy); for i=1:sx x1=rc(i,1); y1=rc(i,2); n1(x1,y1)=255;end %存储在数组中提取图像DD=edgecolor(bmw.bmp);%此处实现cany检测，通过调用函数的方式实现，函数代码在下面附有figure,imshow(im);title(原始的彩色图像)figure,imshow(im1);title(转换后的二值图像)figure,imshow(B);title(sobel边缘检测后的图像)figure,imshow(B);title(canny边缘检测后的图像)CANY检测的函数部分：function R=edgecolor(nm);img=imread(nm);[x y z]=size(img);if z==1 rslt=edge(img,canny);elseif z==3 img1=rgb2ycbcr(img); dx1=edge(img1(:,:,1),canny); dx1=(dx1*255); img2(:,:,1)=dx1; img