基于概率推断的全局轮廓检测技术文献综述.docVIP

文献综述 课题名称：基于概率推断的全局轮廓检测技术 学院(系)： 信息科学与工程学院 年级专业： 2006级电子信息工程 学生姓名： 孙有铭 指导教师： 胡正平 完成日期： 2010-4-11 一、课题国内外现状 边缘检测是图像处理中的重要内容。边缘是图像的最基本特征。所谓边缘，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。 Poggio等在中说边缘或许对应着图像中物体(的边界)或许并没有对应着图像中物体(的边界)，但是边缘具有十分令人满意的性质，它能大大地减少所要处理的信息但是又保留了图像中物体的形状信息并定义边缘检测为主要是(图像的)灰度变化的度量、检测和定位边缘与图像中物体的边界有关但又是不同的。边缘反映的是图像灰度的不连续性。边缘在边界检测、图像分割、模式识别、机器视觉等中有很重要的作用。边缘是边界检测的重要基础，也是外形检测的基础。边缘广泛存在于物体与背景之间、物体与物体之间，基元与基元之间，因此它也是图像分割所依赖的重要特征。 边缘检测对于物体的识别也是很重要的。主要有以下几个理由首先，人眼通过追踪未知物体的轮廓(轮廓是由一段段的边缘片段组成的)而扫视一个未知的物体第二，经验告诉我们如果我们能成功地得到图像的边缘那么图像分析就会大大简化，图像识别就会容易得多。第三，很多图像并没有具体的物体，对这些图像的理解取决于它们的纹理性质，而提取这些纹理性质与边缘检测有极其密切的关系。 计算机视觉处理可以看作是为了实现某一任务从包含有大量的不相关的变量中抽取不变量，总之就是简化信息。这就意味着要扔掉一些不必要的信息而尽可能利用物体的不变性质而边缘就是最重要的不变性质:光线的变化显著地影响了一个区域的外观，但是不会改变它的边缘。更重要的是人的视觉系统也是对边缘很敏感的。 研究边缘检测的文章有十分多。1959年，文献上最早提到边缘检测1965年L. G. Roberts最早开始系统研究边缘检测从那以后每年都会出现很多关于边缘检测的文章边缘检测的重要的文章大都发表在IEEE Trans. On Pattern Analysis and Machine Intelligence，CVGIP: Image Processing，IEEE Trans. On Image Processing(1990年创刊)，Journal of the ACM等上。 边缘检测的方法主要有以下几种： 第一种检测梯度的最大值。由于边缘发生在图像灰度值变化比较大的地方，对应连续情形就是说是函数梯度较大的地方，所以研究比较好的求导算子就成为一种思路。Roberts算子、Prewitt算子和Sobel算子等就是比较简单而常用的例子。还有一种比较直观的方法就是利用当前像素邻域中的一些像素值拟合一个曲面，然后求这个连续曲面在当前像素处梯度。从统计角度来说，我们可以通过回归分析得到一个曲面，然后也可以做类似的处理。 第二种是检测二阶导数的零交叉点。这是因为缘处的梯度取得最大值(正的或者负的)，也就是灰度图像的拐点是边缘。从分析学上我们知道，拐点处函数的二阶导数是0。 第三种统计型方法。比如说利用假设检验来检测边缘，利用对二阶零交叉点的统计分析得到了图像中各个像素是边缘的概率，并进而得到边缘检测的方案。 第四种小波多尺度边缘检测。九十年代，随着小波分析的迅速发展，小波开始用于边缘检测。作为研究非平稳信号的利器，小波在边缘检测方面具有得天独厚的优势，Mallat在这一方面做了不少工作。 当然还有其它一些方法，比如说模糊数学的方法，最近提出来的利用边缘流(Edgeflow)来检测边缘， 基于积分变换的边缘检测方法，还有基于张量的边缘检测方法等。 二、研究主要成果 1. 微分算子法 利用不同形式的微分算子，计算各象素灰度的空间导数，给出微分锐化图象. 如梯度算子、Roberts、Laplacian、Kirsch 、Sobel 、Prewitt 等算子. Roberts 算子是2 ×2 算子，对具有陡峭边缘的低噪声图象响应最好. 其它的3 ×3 算子，对灰度渐变和噪声较多的图象处理较好，但Laplacian 算子没有平滑噪声的能力。 1.1.1 Roberts边缘检测算子 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。检测水平和垂直边缘的效果好于斜向边缘，定位精确度较高，对噪声较敏感。1.1.2 Prewitt边缘检测算子和Sobel边缘检测算子 Sobel算子利用像素点上下、左右邻点的