[2018年最新整理]一种有效的边缘检测方法.doc

一种有效的边缘检测算法 摘要:2 d-3d转换成3 d显示需要2 d内容。这个转换过程首先估计场景的三维结构,然后呈现现场;最后它生成3 d图像。在现有的系统中,Hybrid depth generation algorithm有三个深度线索来估计深度:运动信息、直线透视图和纹理特征。他们使用的边缘检测算子是索贝尔算子。为了找到准确的边缘我们提出一个新的的边缘检测算法取代sobel算子;这种边缘检测算法能减少图像中的数据，并且能检测出真正的边缘点和非边缘点。它能够最大化真正边缘点并且减少非边缘点。相似之处是最大化信号噪声比。检测到的边缘和真正的边缘很是接近。真正的边缘不结果检测到的边缘。使用一个精明的边缘检测算法可以提高图像的视觉感知。 I INTRODUCTION 无论是3 d电影还是3 d家庭设备，2 d到3 d转换已成为一个重要的立体内容创作方法。通常情况下,转换过程需要一个2 d显示器显示3 d内容。Depth map估计是3 d转换中的一个难题。不幸的是,2 d视频内容没有真正的深度信息。Depth-Image-Based Rendering(DIBR)结合深度信息与2 d图像,同时它使输出3 d图片呈现立体感。这些3 d技术被分为两种类型。第一个是被动立体类型和第二个主动立体感类型。被动立体需要戴眼镜,但“auto-stereoscopic”不需要戴眼镜。在两个图像分别发送到左边和右边的眼睛时，3 d视觉生成了。第三个维度可以通过人类的双眼差异的形式感觉到。 人类的眼睛能确定位置的小变异,从而感知现实世界的不同图像。大脑得到不同的图像,然后能够重建深度信息。3 d显示有一个优势,它的创建每一个场景的两个很小差异的图像,然后它将提交给不同的的眼睛。通过近似差异和校准我们可以实现精准的3d感知。 3 d内容对3 d系统的产生是非常重要的。很多特殊的相机通过相关设计能直接从2 d图像产生3 d图像。 II EXISTING SYSTEM 2 d到3 d转换是从2 d电影转换到3 d电影的一个过程,以至于产生虚构的景象。通过执行混合算法构建三维视图和根据深度估计：运动信息,线性观点,和纹理特征等估计的3 d图像的4个函数。首先,他们针对每一个框架创建一个深度地图或则归类相似的框架来标记场景中目标的深度。深度图是一个单独的灰度图像。他拥有和2d图像相同的维度。他使用不同深浅的灰度，因为他表示的是每一帧的每一部分的深度。 深度映射可以产生一个虚构的3 d对象的图像,然后噪声去除和平滑过程采用双边滤波器。通过实现混合算法，2 d到3 d转换过程执行时间是25%至35%,感知得分在75和85之间。最后三维图像左/右视图通过使用DIBR创建。 III. PROPOSED SYSTEM 边缘检测主要用于减少展现在一个图像中的数据量。 The Canny Edge Detection Algorithm.边缘检测有五个独立的步骤，他们将在分开的步骤中执行。 1. Smoothing: 噪音存在于所有由相机拍摄的图像里。平滑主要用于减少图像的噪声。首先,图像应该用高斯滤波器的平滑。在高斯滤波器里标准的偏差是cr = 1.4(1)。 2. Finding the Gradients: 边缘检测算法通常用于发现边缘。在哪个地方的灰度强度的地方发现图像的梯度。首先,我们平滑图像然后在每个像素点使用sobell-operator计算梯度。我们由核心方程得到x和y方向的梯度(2)。 Sobell算子 计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点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分别代表经纵向向及横向边缘检测的图像，其公式如下: 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。 然后可用以下公式计算梯度方向 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。 IV. IMPLEMENTATION RESULT 使用精明的边缘检测算法可以检测到精确的边缘检测,还可以提高视觉感知。 3D成像 3D成像是靠人两眼的视觉差产生的。人的两眼（瞳孔）之间一般会有8厘米左右的距离。要让人看到3D影像，就必须让左眼和右眼看到不同的影像，使两副画面产生一定差距，也就是模拟实际人眼观看时的情况。3D的立体感觉就是如此由来的。 在全球的电影院里商用化的3D放映技术主要