边缘检测实验报告.doc

word完美格式 精心整理 学习帮手 图像边缘提取实验报告 一、实验目的 通过课堂的学习，已经对图像分割的相关理论知识已经有了全面的了解，知道了许多图像分割的算法及算子，了解到不同的算子算法有着不同的优缺点，为了更好更直观地对图像分割进行深入理解，达到理论联系实际的目的，特制定如下的实验。 实验原理 检测图像边缘信息，可以把图像看做曲面，边缘就是图像的变化最剧烈的位置。这里所讲的边缘信息包含两个方面：一是边缘的具体位置，即像素的坐标；而是边缘的方向。微分算子有两个重要性质：定域性(或局部性)、敏感性(或无界性)。敏感性就是说，它对局部的函数值变化很敏感，但是因其对变化过于敏感又有了天然的缺陷——不能抵抗噪声。局部性意思是指，每一点的导数只与函数在该点邻近的信息有关。 主要有两大类基于微分算子的边缘检测技术：一阶微分算子边缘检测与二阶微分算子边缘检测。这些检测技术采用以下的基本步骤： 将相应的微分算子简化为离散的差分格式，进而简化为模板(记为T)。 利用模板对图像f(m,n)进行运算，获得模板作用后的结果Tf(m,n)。 提出阈值h,在采用一阶微分算子情形记录下高于某个阈值h的位置坐标 (而采用二阶微分算子情形，一般是对某个阈值确立 ) 对集合进行整理，同时调整阈值h。 Roberts算子 Roberts算子是一种利用局部差分算子寻找边缘的算子，两个模板分别为 则，= = 算法的步骤为： 首先用两个模板分别对图像作用得到和； 对，进行阈值判决，若大于阈值则相应的点 位于便于边缘处。 对于阈值选取的说明：由于微分算子的检测性能受阈值的影响较大，为此，针对具体图像我们采用以下阈值的选取方法，对处理后的图像统计大于某一阈值的点，对这些数据求平均值，以下每个程序均采用此方法，不再做说明。 Sobel算子 Sobel算子采用中心差分，但对中间水平线和垂直线上的四个邻近点赋予略高的权重。两个模板分别如下： Prewitt算子 Prewitt算子也属于中心差分类型，但没有给最邻近点较高的权重，两个模板如下： 采用一阶微分算子很难找到一个一致的阈值选择办法，保证检测出的图像有相对均匀的宽度，克服这个障碍的办法是改用二阶微分算子进行边缘检测定位。 Laplace 采用一阶微分算子很难找到一个一致的阈值选择办法，保证检测出的图像有相对均匀的宽度，克服这个障碍的办法是改用二阶微分算子进行边缘检测定位。 经常采用如下Laplace微分算子： 并进而寻找的跨零点的位置(零点的局部正和负的取值都有)。 当然实践中可以通过模板来实现，本程序采用如下模板： 无论什么样的微分算子，直接用来进行边缘检测，会受到噪声很大的干扰。即使是二阶微分算子也不能克服噪声干扰。但是如果采用高斯低通滤波，所得的结果则比较好地保留了图像的边缘特征。 Marr-Hildrech的LOG边缘检测算法： Canny检测子 Canny算子采用和数据内容相关的滤波技术。 Canny算子求边缘点具体算法步骤如下： 1. 用高斯滤波器平滑图像． 2. 用一阶偏导有限差分计算梯度幅值和方向. 3. 对梯度幅值进行非极大值抑制 ． 4. 用双阈值算法检测和连接边缘． 步1. 图像与高斯平滑滤波器卷积: 步3. 对梯度幅值进行非极大值抑 制(non_maxima suppression，NMS): 仅仅得到全局的梯度并不足以确定边缘，因此为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。 解决方法：利用梯度的方向: 步4. 用 双阈值算法检测和连接边缘: 对非极大值抑制图像作用两个阈值th1和th2，两者关系th1=0.4th2。我们把梯度值小于th1的像素的灰度值设为0，得到图像1。然后把梯度值小于th2的 像素的灰度值设为0，得到图像2。由于图像2的阈值较高，去除大部分噪音，但同时也损失了有用的边缘信息。而图像1的阈值较低，保留了较多的信息，我们可以以图像2为基础，以图像1为补充来连结图像的边缘。 链接边缘的具体步骤如下： 对图像2进行扫描，当遇到一个非零灰度的像素p(x,y)时，跟踪以p(x,y)为开始点的轮廓线，直到轮廓 线的终点q(x,y)。 考察图像1中 与图像2中q(x,y)点位置对应的点s(x,y)的8邻 近区域。如果在s(x,y)点的8邻近区域中有非零像素s(x,y)存 在，则将其包括到图像2中，作为r(x,y)点。从r(x,y)开始， 重复第一步，直到我们在图像1和图像2中都无法继续为止。 当完成对包含p(x,y)的 轮廓线的连结之后，将这条轮廓线标记为已经访问。回到第一步，寻找下一条轮廓线。重复第一步、第二步、第三步，直到图像2中找 不到新轮廓线为止。 至此，完