外文翻译---基于模糊逻辑技术图像上边缘检测.docxVIP

译文二：基于模糊逻辑技术图像上边缘检测[2]摘要：模糊技术是经营者为了模拟在数学水平的代偿行为过程的决策或主观评价而引入的。下面介绍经营商已经完成了的计算机视觉应用。本文提出了一种基于模糊逻辑推理战略为基础的新方法，它被建议使用在没有确定阈值的数字图像边缘检测上。这种方法首先将用33的浮点二进制矩阵将图像分割成几个区域。边缘像素被映射到一个属性值与彼此不同的范围。该方法的鲁棒性所得到的不同拍摄图像将与线性Sobel运算所得到的图像相比较。并且该方法给出了直线的线条平滑度、平直度和弧形线条的良好弧度这些永久的效果。同时角位可以更清晰并且可以更容易的定义。关键词：模糊逻辑，边缘检测，图像处理，电脑视觉，机械的部位，测量1. 引言在过去的几十年里，对计算机视觉系统的兴趣，研究和发展已经增长了不少。如今，它们出现在各个生活领域，从停车场，街道和商场各角落的监测系统到主要食品生产的分类和质量控制系统。因此，引进自动化的视觉检测和测量系统是有必要的，特别是二维机械对象[1,8]。部分原因是由于那些每天产生的数字图像大幅度的增加(比如，从X光片到卫星影像)，并且对于这样图片的自动处理有增加的需求[9,10,11]。因此，现在的许多应用例如对医学图像进行计算机辅助诊断，将遥感图像分割和分类成土地类别(比如，对麦田，非法大麻种植园的鉴定，以及对作物生长的估计判断)，光学字符识别，闭环控制，基于目录检索的多媒体应用，电影产业上的图像处理，汽车车牌的详细记录的鉴定，以及许多工业检测任务(比如，纺织品，钢材，平板玻璃等的缺陷检测)。历史上的许多数据已经被生成图像，以帮助人们分析(相比较于数字表之类的，图像显然容易理解多了)[12]。所以这鼓励了数字分析技术在数据处理方面的使用。此外，由于人类善于理解图像，基于图像的分析法在算法发展上提供了一些帮助(比如，它鼓励几何分析)，并且也有助于非正式确认的结果。虽然计算机视觉可以被总结为一个自动(或半自动)分析图像的系统，一些变化也是可能的[9,13]。这些图像可以来自超出正常灰度和色彩的照片，例如红外光，X射线，以及新一代的高光谱卫星数据集。其次，许多不同的计算技术在计算机视觉系统上已经被采用，如标准的优化方法，人工智能的搜索策略，退火模拟，遗传算法[14,15,16]。具体的线性时间不变过滤器的使用是最常见的应用到边缘检测问题的程序，并且计算量最小。在第一阶滤波器的情况下，边缘被解释为两个相邻像素灰度值的突然变化。在这种情况下的目标是确定图像中第一个派生的灰度点，它将起到很大的重要性。通过应用新输出图像的门槛，边缘在任意方向都可以被检测到。在其他方面，边缘检测滤波器的输出是多边形逼近技术的输入，多边形逼近技术提取将要被检测特征[1]。被确认为具有特殊属性的特征点以及像素在图像分析中扮演了一个非常重要的角色。特征点包括由著名最优秀的边缘发现者PreWitt, Sobel, Marr, and Canny测定的边缘像素[17:21]。最近许多人对由一些运算子产生的特征点恢复了兴趣，比如Plessey“角”运算子，或者是Motavec介绍的兴趣点运算子[24,25]。古典算子定义了一个像素作为特征点的特殊类。古典算子在图像研究区域是高对比情况下运作良好。事实上，在一些可以将图像通过简单阀值的转换成二进制图像的区域上，古典算子运作十分良好，如图一所示。同时要明确古典算子的不足：古典边缘检测对标记边缘像素效果不佳，就算是明确的边缘，也只代表小小的灰度跳跃。但往往这样的边缘人眼都能清晰可辨。总之，特征点是通过窗口上的像素值之间的关系来特征化的。 阈值 灰度图 二进制图图1 测量物体的灰度和二进制图像图二 模糊图像处理的一般结构最近的研究发现可以使用神经模糊功能开发边缘检测，在一个相对较小的原型边缘设置上训练之后，再用古典边缘检测在样品图像中进行分类。这项工作是Bezdek等人开创的，他们训练一个神经网络去像正规的Sobel算子一样给出相同的模糊的结果。然而，通过笔者和合作者的工作已表明训练神经网络去分类脆值是个更有效的Bezdek计划变体。神经模糊边缘检测的优势甚至超过传统的边缘检测。在[27, 28]系统中的描述，模糊推理系统的输入是通过向原始图像申请高通滤波器，Sobel算子和低通滤波器而获得的。然后整个结构转换成对比增强滤波器起作用，另一个问题是，转换成输入类里指定数量的部分图像。为数字图像上的边缘检测，一种新型的基于模糊逻辑推理策略的FIS方法已经准备好了，而不是确定阀值或需要训练算法。这种提出的方法通过将图像分割成浮动3*3的二进制区域开始。一个直接的模糊推理系统测绘一个从浮动矩阵上得到不同值的范围来检测边缘。A 模糊图像处理模糊图像处理是所有方法的集合，包括理解，描绘或处理作为模糊集的段或特征的图像。描绘