边缘检测技术综述.docVIP

边缘检测技术综述 摘要 图像是人们从客观世界获取信息的重要来源，而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。边缘是图象最基本的特征。边缘检测在计算机视觉、图象分析等应用中起着重要的作用,是图象分析与识别的重要环节,这是因为图象的边缘包含了用于识别的有用信息。所以边缘检测是图像分析和模式识别的主要特征提取手段。我们对一幅图像检测并提取出它的边缘就需要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。 边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合,灰度或结构等信息的突变处成为边缘。经典的边界提取技术大都基于微分运算。首先通过平滑来滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值来提取边界。这些算法尽管实时性较好，但抗干扰性差，不能有效克服噪声影响。 各个边缘检测算子的检测效果各有优缺点，这和它们各自采用的算法原理是一致的。为了正确地得到图像的边缘信息，现代边缘检测技术还从小波、 数学形态学、遗传算法、基于视觉机制等多种方法进行了研究，寻求算法较为简单、能较好地解决检测精度与抗噪声性能协调问题的边缘检测算法是当前图像处理与分析领域中的一个研究热点。 文中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：边缘；边缘检测算子；边缘检测技术；综述 1引言 图像是人们从客观世界获取信息的重要来源 [1]。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，它是图像分割所依赖的最重要的依据。边缘检测 [2]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。因此，研究图像边缘检测算法具有极其重要的意义。 图像边缘检测自从五十年代提出和应用以来，迄今已出现了大量方法，要对边缘检测的发展历史做一个清晰的划分是很难的。总体说来，边缘检测可以分为两大类，即传统的边缘检测算法和新兴的边缘检测算法。 传统的边缘检测算法主要是建立在梯度运算的基础上； 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，如基于数学形态学的边缘检测[3]、基于视觉机制[4]、小波变换和小波包变换的边缘检测法[5]、基于模糊理论的边缘检法[6]、基于神经网络的边缘检测法[7]、基于遗传算法的边缘检测法[8] 、多尺度边缘检测技术[9]等。 就传统的经典图像边缘提取算法，虽然效果不一定最好，但因其算法简单、成熟，计算量小，在经过一些改进之后，仍然有相当大的应用潜力。而小波变换、数学形态学理论等都属于近些年发展起来的高新信号处理技术，而且已经成功地运用到了数据压缩等方面，如何最有效地应用这些技术进行图像的边缘提取，仍然是目前研究的一个热点。 1?经典的边缘检测算法 1.1?边缘检测的发展与现状 最早的边缘检测算子可以追溯到上世纪六十年代，Roberts提出了基于梯度的边缘检测，这种利用对角方向相邻两像素之差计算梯度进行边缘检测的方法至今仍然适用的一种算法，也是最简单的一种算子，但该算子对噪声比较敏感，时常会出现孤立点；七十年代又出现了Prewitt算子、Sobel算子，这两种算子是目前在实践中计算数字梯度时最常用的方法，它们在计算梯度前，先计算邻域平均或者加权平均，再进行微分，这样便可以抑制噪声，但这几种算子比较容易出现边缘模糊；后来出现的Kirsch算子可以检测到多个方向上的边缘，减少了因取平均而丢失的细节，但却增加了计算量；以上这些传统的边缘检测算子，大部分为局域窗口梯度算子，它们对噪声非常敏感，随着噪声的增加，会检测出大量的伪边缘和噪声点，有时甚至无法检测出边缘；但对于图像来说噪声是无处不在的，所以这些算子对实际图像的处理效果并不令人满意，检测结果也不可靠。后来，先对图像做平滑，再利用平滑过程中的零交叉点来定位边缘位置的算子，如Marr提出的LOG算子，是微分法中应用最为广泛的检测算子，该算子虽然克服了抗噪能力比较差的缺点，但它对参数的依赖性较大，参数不同，会出现不同程度的虚假边缘或丢失边缘的现象。很多学者提出了多种方法避免噪声对算子的影响，解决准确定位，虚假边缘等问题，如基于小波的边缘检测算法，基于神经网络及数学形态学的边缘检测算法，其中1986年Canny提出的最佳边缘检测算子是检测阶跃型边缘效果最好的算子之一[10]，去噪能力强，同时该算子因处理被高斯白噪声污染的图像取得了的良好效果，而成为其它边缘检测算子性能评价的标准，但它同时也具有不可避免的缺点。 图像的复杂