图像边缘检测的开题报告

中北大学信息商务学院毕业设计(论文)开题报告学生姓名：赵宝娟学号：08050643X07系别：信息与通信工程学院信息工程系专业：电子信息工程设计(论文)题目：图像边缘检测算法研究指导教师:桂志国2012年3月7日毕业设计（论文）开题报告1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，撰写2000字左右的文献综述：文献综述一、课题背景和研究意义伴随着计算机技术的高速发展，数字图像处理成为了一门新兴学科，并且在生活中的各个领域得以广泛应用。图像边缘检测技术则是数字图像处理和计算机视觉等领域最重要的技术之一。在实际图像处理中，图像边缘作为图像的一种基本特征，经常被用到较高层次的图像处理中去。边缘检测技术是图像测量、图像分割、图像压缩以及模式识别等图像处理技术的基础，是数字图像处理重要的研究课题之一。边缘检测是图像理解、分析和识别领域中的一个基础又重要的课题,边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。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强烈的地方，也即通常所说的信号发生奇异变化的地方。经典的边缘检测算法是利用边缘处的一阶导数取极值、二阶导数在阶梯状边缘处呈零交叉或在屋顶状边缘处取极值的微分算法。图像边缘检测一直是图像处理中的热点和难点。近年来，随着数学和人工智能技术的发展，各种类型的边缘检测算法不断涌现，如神经网络、遗传算法、数学形态学等理论运用到图像的边缘检测中。但由于边缘检测存在着检测精度、边缘定位精度和抗噪声等方面的矛盾及对于不同的算法边缘检测结果的精度却没有统一的衡量标准，所以至今都还不能取得令人满意的效果。另外随着网络和多媒体技术的发展，图像库逐渐变得非常庞大；而又由于实时图像的目标和背景间的变化都不尽相同，如何实现实时图像边缘的精确定位和提取成为人们必须面对的问题。二、国内外研究现状:作为计算机视觉的经典性研究课题，图像边缘的研究已有较长历史，涌现了许多方法，这些方法分为两大类：基于空间域上微分算子的经典方法和基于图像滤波的检测方法。基于空间域上微分算子的经典方法。在阶跃型边缘的正交切面上，阶跃边缘点周围的图像灰度xi表现为一维阶跃函数xi=x，边缘点位于图像灰度的跳变点。根据边缘点的特性，人们提出了基于图像灰度一阶导数、梯度、二阶导数以及更为复杂的laplace算子等提取图像边缘的方法。基于图像滤波的检测方法。在实际图像中，边缘和噪声均表现为图像灰度有较大的起落，同是高频信号，但相对来说边缘具有更高的强度。几种经典的边缘检测算法论述：（1）roberts算子。roberts边缘检测算子根据任意一对互相垂直方向上的差分用来计算梯度的原理，采用对角线方向相邻两像素之差，即：有了xf和yf之后，很容易计算出roberts的梯度幅值jir,，适当取门限t，作如下判断：jir,〉t，ji,为阶跃状边缘点，ji,为边缘图像。roberts算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。它适合于得到方向不同的边缘，对不同方向的边缘都比较敏感，检测水平和万垂直边缘的效果好于斜向边缘，定位精度高。但是在进行差分计算的过程中对噪声敏感，即有噪声影响的像素点可能被检测为边缘点。（2）sobel算子。对数字图像jif,的每个像素点，考察它上、下、左、右邻点灰度加权差，与之接近的邻点的权值大。sobel算子很容易在空间上实现，sobel边缘检测器不但产生较好的边缘检测效果，而且受噪声的影响也比较少。（3）log算子。前面介绍的梯度算子和拉普拉斯算子实际上都是微分或差分算法，因此算法对噪声十分敏感。所以，在边缘检测前，必须滤除噪声。marr和hildreth将高斯滤波和拉普拉斯边缘检测结合在一起，形成log（laplace-gauss）算法。log边缘检测器的基本特征是：平滑滤波器是高斯滤波器；增强步骤采用二阶导数（二维拉普拉斯函数）；边缘检测判断依据是二阶导数零交叉点并对应一阶导数的较大峰值：使用线性内插方法在子像素分辨率水平上估计边缘的位置。（4）Sobel算法的改进经典的Sobel图像边缘检测算法，是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个是检测垂直边缘，一个是检测水平边缘。算法的基本原理：由于图像边缘附近的亮度变化较大，所以可以把那些在邻域内，灰度变化超过某个适当阈值TH的像素点当作边缘点。Sobel算法的优点是计算简单，速度快。但由于只采用了两个方向模板，只能检测水平方向和垂直方向的边缘，因此，这种算法对于纹理较复杂的图像，其边缘检测效果欠佳；同时，经典Sobel算法认为，凡灰度新值大于或等于阈值的像素点都是边缘点。这种判定依据是欠合理的，会造成边缘点的误判，因为多噪声点的灰度新值也很大。图像加权中值滤波。由于图像中的边缘和噪声在频域中均表现为高频成分，所以在边缘检测之前有必要先对图像进行一次滤波处理，减少噪声对边缘检测的影响。中值滤波是一种非线性信号的处理方法，在图像处理中，常用来保护边缘信息；保证滤波的效果。加权中值滤波，首先对每个窗口进行排序，取适当的比例，进行曲线拟合，拟合后的曲线斜率表征了此窗口的图像特征，再根据图像各部分特性适当的选择权重进行加权。增加方向模板。除了水平和垂直两方向外，图像的边缘还有其它的方向，为了增加算子在某一像素点检测边缘的精度，可将方向模板由2个增加为8个即再在经典的方向模板的基础上增加6个方向模板。边缘的定位及噪声的去除。通常物体的边缘是连续而光滑的，且边缘具有方向和幅度两个特征，而噪声是随机的。沿任一边缘点走向总能找到另一个边缘点，且这两个边缘点之间的灰度差和方向差相近。而噪声却不同，在一般情况下，沿任一噪声点很难找到与其灰度值和方差相似的噪声点。基于这一思想，可以将噪声点和边缘点区分开来。对于一幅数字图像yxf,，利用上述的8个方向模板Sobel算子对图像中的每个像素计算，取得其中的最大值作为该点的新值，而该最大值对应的模板所表示的方向为该像素点的方向。若jyixfyxf,,〉TH2，对于任意i=0，1，-1；j=0，1，-1均成立，则可判断点yx,为噪声点。图2给出了图像边缘检测系统改进算法的软件流程图。毕业设计（论文）开题报告２．本课题要研究或解决的问题和拟采用的研究手段（途径）：边缘检测算法有如下四个步骤：滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能，需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失。因此，增强边缘和降低噪声之间需要折衷，增强：增强边缘的基础是确定图像各点领域强度的变化值，增强算法可以将领域（或局部）强度值有显著变化的点突显出来，边缘增强一般是通过计算梯度幅值来完成的，检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某些方法确定哪些点是边缘点，最简单的边缘检测判据是梯度幅值阈值判据，定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。毕业设计（论文）开题报告指导教师意见：指导教师：年月日所在系审查意见：系主任：年月日参考文献[1]LucatL，SiohanP，BarbaD．Adaptiveandglobaloptimizationmethodsforweightedvectormedianfilters[J]．SignalProcessing：ImageCommunication，17(7)：509—524．2002[2]LukaeR，SmolkaB，MartinK，eta1．Vectorfilteringforcolorimaging[J]．IEEESignalProcessingMagazine，22(1)：748—6．2005[3]ZhengJ．ValavanisKP．GauchJM．NoiseremovalfromcolorimageslJj．JournalofIntelligentandRoboticSystems，7(3)：257—285．1993[4]RantanenH．KarlssonM．processingwithmedianfiltersElectronics，38(3)：1PohjalaP，eta1．Colorvideosignal[J]．IEEETransactionsOilConsumer57—16l，1992[5]HardieRC．BonceleCG．Aclassofrank—order—basedfiltersforsmoothingandsharpening[J]．IEEETransactionsonSignalProcessing，41(3)：1061—1076．1993[6]AstolaJ，HaavistoP，NeuvoY．Vectormedianfilters[J]．ProceedingsoftheIEEE．78(4)：678—689．1990[7]TrahaniasPE，VenetsanopoulosAN．Vectordirectionalfilters：anewclassofmuhichannelimageprocessingfilters[J]．IEEETransactionsonImageProcessing，2(4)：528—534．1993[8]TrahaniasPE．KarakosDG，Vene￡sanopoulosAN．Directionalprocessingofcolorimages：theoryandexperimentalresults[J]．IEEETransactionsonImageProcessing，5(6)：868—880．1996[9]KarakosDG，TrahaniasPE．Generalizedmuhichannelimage—filteringstructures[J]．IEEETransactionsonImageProcessing，6(7)：1038—1045．1997[10]PlataniotisKN，AndroutsosD，Venetsa“0p0ulosAN．Adaptivefuzzysystemsformuhichannelsignalprocessing[J]．ProceedingsoftheIEEE，87(9)：1601一l622．1999[11]LukacR，MarchevskyS．AdaptivevectorLUMsmoother[A]．In：ProceedingsoftheIEEEInternationalConferenceonImageProcessing(ICIP)[C]，Thessaloniki，Greece，：878—881，2001[12]LukacR．VectorLUMsmoothersasimpulsedetectorforcolorimages[A]．In：ProceedingsofEuropeanConferenceonCircuitTheoryandDesign(ECCTD)[C]，Espoo，Finland，l37—140．2001[13]LukacR，SmolkaB。PlataniotisKN，eta1．Selectionweightedvectordirectionalfilters[J]．ComputerVisionandImageUnderstanding．94(1-3)：140—167．2004[14]胡瑞安,胡纪阳,徐树公.分形的计算机图像及其应用[M].北京:中国铁道出版社,1995.[15]谢佳峰,谭冠政.基于Matlab的静止图像车牌定位研究[J].可编程控制器与工厂自动化,2009(1):68-71.[16]崔夏荣,陆爱萍.基于小波变换和微分算子的图像边缘检测[J].南平师专学报,2007(4):35-38.[17]王晓