边缘检测研究

第1章绪论1．1课题的背景和意义计算机视觉通过对图像的数字感知和理解来模拟人类视觉。通常情况下，计算机视觉包括两部分：低层视觉和高层视觉。低层视觉就是常说的图像处理，包括图像分割、图像滤波和边缘检测等部分；高层视觉主要是模拟人类对图像信息的认知和决策能力，包括图像分析和图像理解。图像是人类认识世界的重要信息来源，边缘作为图像中最基本的特征，包含了丰富的信息，为人们描述或识别目标以及理解图像提供了一个非常有价值的重要特征参量。它是图像分割所依赖的重要特征，也是纹理特征提取、形状特征提取以及其他一些特征提取的重要信息来源。边缘检测是在图像的局部区域上针对像素点的一种运算，在计算机视觉、图像理解等应用中扮演着重要的角色，同时也是图象分析与模式识别的重要环节，这是因为图像的边缘包含了模式识别的有用信息，对于一幅图像来说信息量巨大，而边缘信息是图像信息的精要所在，它所包含的往往是图像中最重要的信息，所以边缘检测是图像分析和模式识别中特征提取的主要手段。由于这些原因使得边缘检测在计算机视觉的一些预处理算法中有着重要的地位。边缘检测也是图像处理领域中最基本的问题，是最经典的技术难题之一，在做图像的边缘检测时，由于成像过程中的投影、混合、畸变和噪声等因素影响导致图像模糊和变形，边缘往往难于检测，这就使得很多年来人们一直致力于构想具有良好性质的边缘检测算子，一方面是由于课题本身的重要性，另一方面也反映了这个课题的深度和难度。所以，在边缘检测方面的研究具有非常重要的理论意义。另外，随着科技日新月异的发展，边缘检测技术也逐渐运用到生产和生活中，例如，车牌识别、智能交通、遥感、测绘等众多领域。因此，对边缘检测的研究也有很重要的实际应用价值。第1章绪论边缘检测技术研究1．2课题的研究历史和发展趋势边缘检测技术作为一个低级计算机视觉处理，是一个古老而年轻的课题，早在1959年，文献【l】就提到过边缘检测。1965年，L．G．Roberts最早开始系统研究边缘检测【2】。从那以后，关于边缘检测方面的新理论新方法不断涌现。由于边缘检测的价值、意义以及其难度和深度，所以对边缘检测的研究一直是图像处理领域的热点、难点问题。至今为止，对于边缘检测的方法和理论仍有待进一步提高。微分算子是边缘检测和边缘提取的主要方法，人们最早提出的是一阶微分算子，1965年L．G．Roberts提出Robert算子[21，随后，在Robert算子基础上人们经过改进得到的Sobel算子、Prcwitt算子和Kirsh算子等。但是，这些算子检测到的边缘往往不是很理想，边缘较宽，还需要进行细化处理，这样又影响到边缘的定位。在这种情况下，Laplacian算子【3】应运而生。这种算子利用二阶导数的过零点来检测边缘位置，所得边缘较细，不需要边缘细化，定位精确度也相应的得到了提高。我们在研究图像的边缘时，不可避免的会遇到噪声的干扰。用微分算子法可以检测图像的边缘同时也会检测到噪声，为了减少噪声的干扰，人们很自然地提出在进行边缘检测之前对图像进行适当的平滑滤波。基于这种思想Mart和Hildreth提出了LOG(LaplacianofGaussian)算子【4】。随着研究的进一步深入，后来CannyJF指出高斯函数的一阶导数可以近似为最优边缘检测算子，基于这种思想，提出Canny算子【5J，这种算子具有较理想的检测标准、定位标准和单响应标准。后来在Canny算子思想的影响下，Deriche将Canny的算法作了一定的简化[61改进了这种算子。检测边缘之前采用滤波处理的方法，虽然有效地减少了噪声对图像边缘的干扰，但是对图像进行平滑难免会或多或少的牺牲了图像的一些边缘细节。想多保留细节，就不能有力地抑制噪声。为了解决这个矛盾人们提出了自适应边缘检测的方法r71。自适应方法的思想是利用一个通用算子对信号进行平滑，该算子能使其本身与信号的局部结构相适应。根据模板所在位置的灰度变化情况自动调整模板权重，以达到保留细节，平滑噪声的目的。本文在图像滤波环节所改进的基于灰色关联度的图像滤波方法就是一种自适应滤波算法。2边缘检测技术研究第1章绪论从边缘检测过程中出现的问题以及边缘检测的理论意义和现实意义来看，人们对边缘检测的研究有以下几个趋势：1)对原有算法的不断改进。2)新方法、新概念的引入和多种方法的有效综合运用。人们逐渐认识到现有的任何一种单独的边缘检测算法都难以从一般图像中检测得到令人满意的边缘图像，因而很多人在把新方法和新概念不断地引入边缘检测领域的同时，也更加重视把各种方法综合起来运用。3)越来越注重彩色图像、遥感图像、合成孔径雷达(SAR)图像等特殊图像的边缘检测技术的研究。41更加注重边缘检测在实际生产生活中的应用，如土地监管，车牌识别，智能交通系统等等。1．3边缘检测中常出现的问题检测边缘最基本的要求是边缘精度高，抗噪能力强，不漏检实际边缘，不误检虚假边缘，在有些应用中还要求具有高的定位精度。但同时做到这些常常比较困难。这是因为：(1)实际图像都含有噪声，噪声和边缘同属高频信号，并且噪声的分布信息也是随机的，所以在检测边缘时必需对图像进行滤波处理，但是很多滤波算法在滤除噪声的同时也损坏了图像的边缘信息。(2)边缘检测算子既要增强图像的边缘信息，又要明确边缘的方向，但近年来提出的一些基于新的数学模型的梯度算子并不能检测出图像的边缘方向，严重影响了边缘定位。(3)由于检测算法本身的缺陷或者是尺度选择的不同导致检测出的边缘结果精度不够，出现边缘较粗，有偏移等问题。(4)合理有效的将灰度图像的边缘检测算法拓展到彩色图像边缘检测中去至今还难以得到实质性的解决。(5)在检测彩色图像的边缘时，由于人类的视觉感知和传统RGB颜色空间的差异，这样使得在做彩色图像的边缘检测时可能会出现检测结果不符合人类视觉感知的现象。因此，传统的边缘检测算法检测效果并不理想。