像局部特性的不连续性如灰度的突变颜色的突变纹理 - Read.PDFVIP

山东 大 学硕 七学位 论 文 第一章 绪论 1.1课题的研究背景及意义 边缘是图像的最基本特征，它包含了用于识别的有用信息 为人 们描述或识别目标以及解释图像提供了一个重要的特征参数。物体的 边缘是以图像局部特性的不连续性为形式出现的。从本质上说，边缘 常常意味着一个区域的终结和另一个区域的开始，它普遍存在于目标 与背景、目标与目标、区域与区域、基元与基元之间，是图像分割所 依赖的重要特征，也是纹理特征的重要信息源和形状特征的基础。有 了图像边缘，我们就可以确定物体的几何尺寸并进一步对其测量，确 定物体在空间中的几何位置，确定物体的形状特征并对物体进行识别。 图像的边缘信息在图像分析和计算机视觉中都是十分重要的，是图像 识别中提取图像特征的一个重要属性。 尽管边缘在数字图像处理中的作用非常重要，但是到 目前为止还 没有关于边缘的精确且被广泛承认的数学定义。这里将边缘定义为图 像局部特性的不连续性，，如灰度的突变、颜色的突变、纹理结构的突 变等。对于灰度图像，边缘是指灰度的突变，是图像中灰度变化较剧 烈的地方，也即我们通常所说的信号发生奇异变化的地方。通常沿边 缘走向的像素变化平缓，而垂直于边缘走向的像素变化剧烈。图像的 边缘有方向和幅度两个特性。按照幅度的变化，边缘可粗略分为两种: 一种是阶跃型边缘，它两边象素的灰度值有显著不同;另一种是屋顶 状边缘，它位于灰度值从增加到减少的变化的转折点。图1.1给出这两 种边缘的示意图。 边缘检测就是要检测出图像中这种灰度的不连续性，同时确定它 们在图像中的精确位置，是在局部区域上针对 “点”的一种运算，表 现为一种典型的信号处理问题。在图像处理、模式识别和计算机视觉 中，图像的边缘检测具有极其重要的意义。在大量的视觉模块计算中， 边缘检测通常是视觉计算的第一步，高层次计算机视觉处理的成功与 山东人学硕 十学位 论文 否极大地依赖于边缘检测算子的优越性能。 a()阶跃型边缘 (b)屋顶状边缘 图1.1边缘类型 实际处理的图像一般都混有噪声，在提取边缘的同时亦需要考虑 方法的抗噪性能以消除噪声干扰带来的伪边缘。而噪声消除与边缘定 位是两个相互矛盾的部分，是边缘检测中的 “两难即问题。如何从噪 声污染的图像中准确提取图像边缘将直接影响图像的特征提取等后续 处理，是图像预处理的关键一步。 1.2课题的发展现状 图像的边缘检测有着很长的研究历史，学术思想非常活跃，新理 论、新方法不断涌现，一直是国内外图像处理领域研究的热点，目前 为止已经提出了许多方法和理论，对该领域相关研究的回顾请参考文 献.114].这一方面是由于课题本身的重要性，另一方面也反映了该课题 的深度和难度。至今提出的关于边缘检测的方法和理论尚存在不足之 处，在某些具体情况下仍然无法很好的检测出目标物体的边缘，难以 找到一种普遍适应性的边缘检测方法。因此，根据具体的应用要求设 计新的边缘检测方法，或对现有的方法进行改进以得到满意的边缘检 测结果，这些依然是研究的主流方向。 现有的边缘检测方法大致有以下几类511: 1、微分法 传统的图像边缘检测方法大多归结为图像高频分量的增强过程， 微分运算自然就成了边缘检测与提取的主要手段.基于边缘点往往对 应于一阶微分幅值大的点，研究者最早提出了一些基于梯度的边缘检 测算子1‘1·0]，例如Roberts算子、Prewitt算子、sobel算子、Kirsch算 山 东人 学 硕 十学位 论 文 子等。基于梯度的边缘检测算子是现在应用比较广泛的方法，它们运 算量小，操作简单。但是由于基于梯度的边缘检测算子通常在图像边 缘附近的区域内产生较宽的响应，所以采用上述算子检测的边缘一般 需要作细化处理，这就影响了边缘定位的精度。一阶微分的局部最大 值对应着二阶微分的过零点，这意味着在图像边缘点处有一阶微分的 峰值同样会有二阶微分的零交叉点，因此人们也提出了二阶微分算子 进行边缘检测-51明，例如拉普拉斯算子。与基于梯度的边缘检测算子 相比，拉普拉斯算子对噪声更加敏感，增强了噪声对图像的影响。实 际应用中使用基于梯度和二阶微分的边缘检测算子时，通常需要先对