数字图像边缘检测算法分析实现.pot.pptVIP

基于图像处理的零件二维几何尺寸测量算法研究 (图像预处理部分) 2012110031徐扬 整体思路 本课题研究的主要思路如下：以计算机为开发平台，首先利用图像传感器CCD、图像采集卡、照明系统以及其它硬件构成图像测量系统，采集被测目标（工业零件）的图像；然后再VC++6.0软件开发环境中，用C++语言实现图像预处理、图像边缘检测、图像零件几何测量等算法，最后针对工业圆形零件和矩形零件，完成对几何参数测量。 图像预处理 该课题图像噪声主要为脉冲噪声和高斯噪声，在图像预处理过程中，针对图像的主要噪声采用中值滤波算法和均值滤波算法可以分别滤除图像中的脉冲噪声和高斯噪声，但考虑图像往往会受到脉冲噪声、高斯噪声两种不同性质噪声的共同干扰，提出了一种混合噪声滤波算法，经试验表明该混合噪声滤波算法的滤波效果大大好于利用单独采用中值滤波算法或均值滤波算法的滤波效果。 均值滤波算法的基本指导思想是采用滤波窗口内所用像素灰度值得平均值来代替中心像素的灰度值。高斯噪声有很好的滤波效果中值滤波算法的基本思想让图像中与周围像素灰度值的差比较大的像素点改取为与周围像素值比较接近的值，所以该算法对孤立点噪声像素的去噪能力特别强，即对脉冲噪声的去噪效果非常显著。 混合噪声滤波算法 首先对含有混合噪声的图像通过算法进行噪声检测，即将含有高斯噪声和脉冲噪声的像素点区分开来；然后针对不同的噪声对象采用不同的滤波算法进行分别处理。对分离出的脉冲噪声采用中值滤波，对高斯噪声采用均值滤波 着重讨论，研究的是图像的噪声分离规则。图像的脉冲噪声（椒盐噪声）常常是一些孤立的像素点，在灰度特征上与其它像素点有比较明显的区别，通常是其领域中灰度值的正极值或负极值点。但是这些正极值点或者负极值点并不一定都是噪声像素点，因为在一些不含有噪声像素点的图像灰度平滑区域或者有强边界的区域也有正极值点或者负极值点的存在。以一副8位的256灰度图像为例，脉冲噪声的像素点的灰度值一定是0或者255，但灰度值位0或者255的像素点不一定就是图像的噪声像素点。 为此，我们还需要通过一定的手段进一步判别出图像的脉冲噪声像素点。根据图像的脉冲噪声具有孤立分布的性质，进一步对极值点是否是脉冲噪声像素点做出判断。我们设x（i，j）属于正极值点或者负极值点，以x（i，j）为中心做一个5x5的窗口，以本课题研究的8位的256灰度图像为例，如果x（i，j）=255，统计窗口内x（i，j） ≠ 255的像素点的个数，共有m个；如果x（i，j）=0，统计窗口内x（i，j）≠0的像素点的个数，共有m个，如果当m≥M的时候，就判定该像素点是脉冲噪声像素点，如果当mM的时候，就判定该像素点不是脉冲噪声像素点。M为脉冲噪声判定阈值，通过大量的实验，我们发现脉冲噪声判定阈值一般取12-16之间。 接下来，我们对分离出的脉冲噪声和高斯噪声分别用不同的滤波算法进行滤波处理。具体步骤如下，如果m ≥ M，就判定该像素点是脉冲噪声像素点，我们采用中值滤波算法进行滤波处理；如果mM，则判定该像素点不是脉冲噪声像素点，我们采用均值滤波算法进行处理。 基于图像处理的零件二维几何尺寸测量算法研究 (图像边缘检测算法的分析与实现部分) 2012110038付勇 经典边缘检测算子 边缘检测：边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。 边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。 roberts算子 sobel算子 laplacian算子 log算子 1 Roberts算子 Roberts算子是一种利用局部差分算子寻找边缘的算子，对于边界陡峭且噪比较小的图像检测效果比较好，它在2×2邻域上计算对角导数，通过1范数衡量梯度的幅值。 roberts算子实验结果分析 2 Sobel算子 传统的Sobel图像边缘检测方法，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检测垂直边缘，一个检测水平边缘。 soble算子实验结果分析 3 Prewitt算子 Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到 极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用 。其原理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检测水平边缘，一个检测垂直边缘。 Prewitt算子实验结果分析 prewitt边缘检测算子的元算过程与Sobel边缘检查算子的运算过程都一样，都是首先将算子的中心与图像中心的像素点相对应，然后进行卷积运算，连个卷积的最大值作为该像素点的输出值，则运算结果就是一幅边缘幅度图像从图中可以看出，prewitt算子和so