数字图像边缘检测算法的分析实现.pptVIP

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 经典边缘检测算子 梯度的幅值和方向 : 梯度方向就是函数增大时的最 大变化率方向： 梯度是图像对应二维函数的一阶导数 ： 梯度是灰度 f （ x ， y ） 在 xy 坐 标方向上的导数、表示灰 度 f(x ， y) 在 xy 坐标方向上 的变化率，梯度为方向矢 量 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? y f x f y x G G y x G ? ? ? ? ) , ( 范数梯度 ， 2 | ) , ( | 2 2 y x G G y x G ? ? 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。 两个卷积核分别