基于matlab的图像边缘检测原理及应用

目录一．前言-----------------------------------------二．边缘检测的与提取-----------------------1.边缘检测的定义---------------------------2.图像边缘检测算法的研究内容---------3.边缘检测算子------------------------------3.1.Sobel算子-----------------------------3.2.Canny算子----------------------------4.基于Matlab的实验结果与分析---------三．图像边缘检测的应用---------------------一.前言在实际图像边缘检测问题中，图像的边缘作为图像的一种基本特征，经常被应用到较高层次的图像应用中去。它在图像识别，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，也是它们的基础。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边缘检测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边缘检测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。该课程设计具体考察了两种最常用的边缘检测算子并运用MATLAB进行图像处理比较。二.边缘检测于算子1.边缘检测的定义图像边缘是图像最基本的特征，边缘在图像分析中起着重要的用。所谓边缘（edge）是指图像局部特征的不连续性。灰度或结构信息的突变称为边缘，例如：灰度级的突变、颜色的突变、纹理结的突变。边缘是一个区域的结束，也是另一个区域的开始，利用该征可以分割图像。当人们看一个有边缘的物体时，首先感觉到的便是边缘，如一条理想的边缘应该具有如图2.1(a)所示模型的特性。每个像素都处在灰度级跃变的一个垂直的台阶上（例如图形中所示的水平线通过图像的灰度剖面图）。而实际上，诸如图像采集系统的性能、采样频率和获得图像的照明条件等因素的影响，得到的边缘往往是模糊的，边缘被模拟成具有“斜坡面”的剖面，如图2.1(b)所示，在这个模型中不再有细线（宽为一个像素的线条），而是出现了边缘的点包含斜坡中任意点的情况。由此可以看到：模糊的边缘使边缘的“宽度”较大，面清晰的边缘使边缘的宽度较小。图像的边缘有方向的幅度两个属性，沿边缘方向像素变化平缓，垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来，通常用一阶导数或二阶导数来检测边缘，不同的是一阶导数认为最大值对应边缘位置，而二阶导数以过零点对应边缘位置。实际上，对于图像中的任意方向上的边缘都可以进行类似的分析。图像边缘检测中对任意点的一阶导数可以利用该点梯度的幅度来获得，二阶导数可以用拉普拉斯算子得到。2.图像边缘检测算法的研究内容图像边缘检测和分析可定义为应用一系列方法获取、校正、增强、变换、检测或压缩可视图像的技术。其目的是提高信息的相对质量，以便提取有用信息。图像边缘检测中的变换属于图像输入-图像输出模式，图像边缘检测是一种超越具体应用的过程，任何为解决某一特殊问题而开发的图像边缘检测新技术或新方法，几乎肯定都能找到其他完全不同的应用领域。图像边缘检测的主要研究内容包括：（1）图像获得和抽样，其中通过人眼观察的视野获取图像的问题有：最常用的图像获取装置——电视（TV）摄像机问题，对所获得信号进行独立的采样和数字化就可用数字形式表达景物中全部彩色内容；电荷-耦合装置，用作图像传感器，对景物每次扫描一行，或通过平行扫描获得图像；选择正确的分辨力或采样密度，一幅图像实质上是二维空间中的信号，所以适用于信号处理的法则同样适用于图像边缘检测，在放射学中常常需要高分辨力，要求图像至少达到2048像素×2048像素；灰度量化，图像强度也必须进行数字化，通常以256级（按1字节编码）覆盖整个灰度，一般一幅灰度分辨力为8位，空间分辨力为512像素×512像素的图像需0.25兆字节的存贮容量。（2）图像分割，目的是把一个图像分解成它的构成成分，以便对每一目标进行测量。图像分割是一个十分困难的过程。但其测量结果的质量却极大地依赖于图像分割的质量。有两类不同的图像分割方法。一种方法是假设图像各成分的强度值是均匀的并利用这种均匀性；另一种方法寻找图像成分之间的边界，因而是利用图像的不均匀性。主要有直方图分割，区域生长，梯度法等。（3）边界查索，用于检测图像中线状局部结构，通常是作为图像分割的一个预处理步骤。大多数图像边缘检测技术应用某种形式的梯度算子，可应用对水平方向、垂直方向或对角线方向的梯度敏感的梯度算子，用它们的复合结果可检测任意方向的边界。（4）图像增强和复原，用于改进图像的质量。不同的增强技术可以用于不同的目的，这取决于应用的类型。如果打算直接观察图像，可以增强对比度。如果是为了进一步对图像作数字处理，可以选择分割（一种突出各图像成分之间的边界和线状结构的运算）。该技术可以是整体的或局部的，也可以在某个频域或者空间域中进行。图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。（5）图像分类（识别），图像分类（识别）属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。图像分类常采用经典的模式识别方法，有统计模式分类和句法（结构）模式分类，近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。（6）图像变换：由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性，它在图像边缘检测中也有着广泛而有效的应用。3.边缘检测算子3.1Sobel算子索贝尔算子（Sobeloperator）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:101202*101xGA121000*121yGA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。22xyGGG然后可用以下公式计算梯度方向。arctan()yxGG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。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。Sobel算子另一种形式是各向同性Sobel(IsotropicSobel)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算子比普通Sobel算子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。Sobel边缘算子的卷积和图3.2所示,图像中的每个像素都用这两个核做卷积。这两个核分别对垂直边缘和水平边缘响应最大，两个卷积的最大值作为该点的输出位。运算结果是一幅边缘幅度图像。Sobel算子认为邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越大，产生的影响越小。-1-2-1000121-101-202-101图3.2Sobel边缘算子3.2Canny算子检测阶跃边缘的基本思想是在图像中找出具有局部最大梯度幅值的像素点。图像边缘检测必须满足两个条件：一是必须能有效地抑制噪声；二是必须尽量精确确定边缘的位置。既要提高边缘检测算子对边缘的敏感性，同时也提高了对噪声的敏感。1.Canny边缘检测基本原理：(1)具有既能滤去噪声又保持边缘特性的边缘检测最优滤波器，其采用一阶微分滤波器。采用二维高斯函数的任意方向上的一阶方向导数为噪声滤波器，通过与图像卷积进行滤波；然后对滤波后的图像寻找图像梯度的局部最大值，以此来确定图像边缘。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。(2)类似与Marr（LOG）边缘检测方法，也属于先平滑后求导数的方法。2.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。其数学描述如下：step1:二维为高斯函数为：),(yxG=2212222expyx在某一方向n上是),(yxG的一阶方向导数为：nG=nG=n▽Gn=sincosG=yGxG式中：n式方向矢量，▽G是梯度矢量。将图像),(yxf与nG作卷积，同时改变n的方向，nG*),(yxf取得最大值时的n就是正交于检测边缘的方向。step2:XE=*xG),(yxf，yE=yG*),(yxf),(yxA=22YXEEYXEEArctan),(yxA反映了图像(x,y)点处的边缘强度，是图像(x,y)点处的法向矢量。step3: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。（non-MaxiMasuppression,NMS）解决方法：利用梯度的方向。图示--非极大值抑制四个扇区的标号为0到3，对应3*3邻域的四种可能组合。在每一点上，邻域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大，则令M=0。step4:减少假边缘段数量的典型方法是对G(x,y)使用一个阈值。将低于阈值的所有值赋零值。但问题是如何选取阈值？解决方法：双阈值算法进行边缘判别和连接边缘。①首先是边缘判别：凡是边缘强度大于高阈值的一定是边缘点；凡是边缘强度小于低阈值的一定不是边缘点；如果边缘强度大于低阈值又小于高阈值，则看这个像素的邻接像素中有没有超过高阈值的边缘点，如果有，它就是边缘点，如果没有，它就不是边缘点。②其次是连接边缘：双阈值算法对非极大值抑制图像作用两个阈值τ1和τ2，且2τ1≈τ2，从而可以得到两个阈值边缘图像G1(x,y)和G2(x,y)。由于G2(x,y)使用高阈值得到，因而含有很少的假边缘，但有间断(不闭合)。双阈值法要在G2(x,y)中把边缘连接成轮廓，当到达轮廓的端点时，该算法就在G1(x,y)的8邻点位置寻找可以连接到轮廓上的边缘，这样，算法不断地在G1(x,y)中收集边缘，直到将G1(x,y)连接起来为止。实际上，还有多种边缘点判别方法，如：