基于图像识别和边缘检测中的小波算法分析.docVIP

基于图像识别和边缘检测中的小波算法分析 　　摘 要 当前，我国的图形识别技术与图像处理水平已经得到了较快的发展，在这种情况之下，小波算法在图像识别与边缘检测中的应用也更加广泛。利用小波信号实现图像识别与边缘检测具有非常好的效果。本文分别对图像识别中小波算法的应用与边缘检测中小波算法的应用两个方面进行了阐述。 　　【关键词】图像识别 边缘检测 小波算法 　　小波算法在图形识别、压缩等方面有着较为广泛的应用，且具有较高的应用效率。在图形识别与压缩中实现小波算法的应用，能够更加有效地实现应用数据的识别与压缩。当前，在图像识别与边缘检测领域中依旧存在着计算方法相对单一的情况，这种局限性对图像识别与边缘检测的进一步发展造成了严重的阻碍作用。因此，要实现小波算法在图像识别与边缘检测中的广泛应用，促进其进一步发展。 　　1 小波算法概述 　　法国地球物理学家J?Morlet在1984年首次提出了小波的概念，随后Hardy空间分子解说研究为小波算法的诞生奠定了理论基础。当前，小波算法在图像处理中有着非常广泛的应用，并且其应用效果非常良好。小波算法主要是对非平稳的信号进行分析，在小波算法压缩、平移等处理功能的支持之下，能够从多个尺度对函数或者信号进行分析，实现空间域与频率域的具备变换，从而能够更加有效地对信息进行检索。因此，小波算法属于新兴的信号处理技术。 　　在传统的信号表示中，正交基有着非常广泛的应用。基函数具有正交性，这使得基函数相应的表示函数能够通过内积进行计算。小波算法实现了局部化思想的发展，属于信号的“时间――频率”分析方法，其主要的特点为多分辨率分析，同时在时间域与频率域中都能够对信号的具备特征进行表示。 　　2 图像识别中小波算法的应用分析 　　图像识别指的是通过计算机实现对图像的处理、分析与理解。通过图像识别工作能够实现不同模式目标、对象的计算机识别工作。一般情况下，图像识别的有效支持包括两个方面，一方面是进入到系统中的信息，另一方面是系统中原本保存的信息，通过对这两种信息的对比之后实现对图像的有效识别。不同的图像具有不同的特征，计算机在进行图像识别的过程中通常会将视线集中在图像较为突出的特征方面，从一个突出的特征向下一个突出的特征进行依次扫描。因此，在图像识别的过程中，知觉机制的工作原理为排除多余信息、识别关键信息，因此小波算法有着非常关键的作用。一般情况下，在图像识别中实现小波算法的应用，能够有效地整理按照阶段获得的信息，以此为基础形成完成的知觉映像。此外，在图像识别中实现小波算法的应用还能够有效地处理与计算信息的细节，促进图像识别效率的提高。 　　利用冗余小波对图像进行J个尺度的二维小波变换，得到3?J+1幅子图像，其公式为 　　[Cj?{dj1，dj2，dj3}，j=1，2，3，……，J] （1） 　　其中，Cj代表原图像尺度aj上的二维小波变换得到的低频子带图像；djk代表原图像在尺度2j与方向k上的二维小波变换得到的高频细节自带图像，其中k=1，2，3，分别对应高频子带图像的水平部分，垂直部分与对角线部分。 　　3 边缘检测中小波算法的应用分析 　　在计算机视觉中，边缘检测是非常重要的核心问题之一。一般情况下，边缘检测的主要目的就是对数字图像中具有明显亮度变化的点进行标识。在边缘检测的过程中，图像属性中一些较为显著的变化能够对重要事件、变化等进行反映。例如，如果在图像的属性方面出现了表面方向不连续的情况，这就说明在这一地方存在着比较重要的事件、变化等。此外，边缘检测在图像处理与计算机视觉中还发挥着特征提取的关键作用。实现了小波算法在边缘检测中的应用，能够在很大程度上实现相应数据计算量的降低，同时还能够将计算机视觉中一些不相干的冗杂信息进行有效的剔除，同时能够合理地对结构属性进行辨识与保留。小波算法在边缘检测中的应用包括两种类型，第一种类型为查找计算，第二种类型为穿越计算。在边缘检测的查找计算中，工作人员通过以查找方法为基础的小波算法对计算机图像中的一阶导数最大值与最小值进行寻找，从而实现边缘检测工作。在边缘小波基选取的过程中，遵循的原则包括：第一，边缘检测小波应该选择高通滤波器，滤波器的脉冲回应函数包括奇对称与偶对策两个部分， 　　f（x）=f1（x）+f2（x），其中f1（-x）=-f1（x），f2（-x）=f2（x） 　　除此之外，小波算法在边缘检测的应用过程中，其主要的应用效果还包括在数据压缩方面取得了较好的效果。小波算法首先对边缘检测中的线性频率进行分析，之后实现相关信息与数据的压缩与处理，通过小波算法实现压缩与处理之后，其图像的分辨率普遍较高，出现这种情况的主要原因是在边缘检测中实现小波算法的应用能够使边缘检测中存在的高频信号进行消除，在高频信号消除的基础上对信息与数