資源描述：
《圖像邊緣檢測(cè)方法的研究畢業(yè)論文》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、圖像邊緣檢測(cè)方法的研究畢業(yè)論文目錄第一章緒論11.1課題研究的目的和意義11.2圖像邊緣檢測(cè)的發(fā)展與現(xiàn)狀21.3本文的研究?jī)?nèi)容51.4本文的結(jié)構(gòu)安排5第二章圖像放大的基本方法62.1邊緣檢測(cè)的內(nèi)容62.2基于微分算子的邊緣檢測(cè)方法62.2.1基于一階微分的邊緣檢測(cè)算子62.2.2基于二階微分的邊緣檢測(cè)算子92.3Canny邊緣檢測(cè)算法112.4經(jīng)典邊緣檢測(cè)方法的檢測(cè)結(jié)果14第三章小波變換理論基礎(chǔ)193.1小波變換概述193.1.1連續(xù)小波變換193.1.2離散小波變換203.1.3二進(jìn)小波變換213.2多分辨率分析213.3快速小波變換算法(M
2、allat算法)22第四章基于小波變換的邊緣檢測(cè)算子264.1基于邊緣檢測(cè)的小波基函數(shù)選取準(zhǔn)則264.2B樣條小波的定義與性質(zhì)274.3基于小波變換的圖像邊緣檢測(cè)原理274.3.1局部模極大值邊緣檢測(cè)的原理284.3.2基于二維圖像小波分解細(xì)節(jié)的邊緣檢測(cè)304.4閾值T的選擇324.5基于小波變換的邊緣檢測(cè)算法的檢測(cè)結(jié)果33結(jié)論35致謝36參考文獻(xiàn)37附錄381第一章緒論1.1課題研究的目的和意義邊緣是圖像的最基本特征，它包含了用于識(shí)別的有用信息，為人們描述或識(shí)別目標(biāo)以及解釋圖像提供了一個(gè)重要的特征參數(shù)。物體的邊緣是以圖像局部特性的不連續(xù)性為形
3、式出現(xiàn)的。從本質(zhì)上說，邊緣常常意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開始，它普遍存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、基元與基元之間，是圖像分割所依賴的重要特征，也是紋理特征的重要信息源和形狀特征的基礎(chǔ)。有了圖像邊緣，我們就可以確定物體的幾何尺寸并進(jìn)一步對(duì)其測(cè)量，確定物體在空間中的幾何位置，確定物體的形狀特征并對(duì)物體進(jìn)行識(shí)別。圖像的邊緣信息在圖像分析和計(jì)算機(jī)視覺中都是十分重要的，是圖像識(shí)別中提取圖像特征的一個(gè)重要屬性。盡管邊緣在數(shù)字圖像處理中的作用非常重要，但是到目前為止還沒有關(guān)于邊緣的精確且被廣泛承認(rèn)的數(shù)學(xué)定義。這里將邊緣定義為圖像局部特性的
4、不連續(xù)性，如灰度的突變、顏色的突變、紋理結(jié)構(gòu)的突變等。對(duì)于灰度圖像，邊緣是指灰度的突變，是圖像中灰度變化較劇烈的地方，也即我們通常所說的信號(hào)發(fā)生奇異變化的地方。通常沿邊緣走向的像素變化平緩，而垂直于邊緣走向的像素變化劇烈。圖像的邊緣有方向和幅度兩個(gè)特性。按照幅度的變化，邊緣可粗略分為兩種:一種是階躍型邊緣，它兩邊像素的灰度值有顯著不同;另一種是屋頂狀邊緣，它位于灰度值從增加到減少的變化的轉(zhuǎn)折點(diǎn)。圖1.1給出這兩種邊緣的示意圖。邊緣檢測(cè)就是要檢測(cè)出圖像中這種灰度的不連續(xù)性，同時(shí)確定它們?cè)趫D像中的精確位置，是在局部區(qū)域上針對(duì)“點(diǎn)”的一種運(yùn)算，表現(xiàn)為
5、一種典型的信號(hào)處理問題。在圖像處理、模式識(shí)別和計(jì)算機(jī)視覺中，圖像的邊緣檢測(cè)具有極其重要的意義。在大量的視覺模塊計(jì)算中，邊緣檢測(cè)通常是視覺計(jì)算的第一步，高層次計(jì)算機(jī)視覺處理的成功與否極大地依賴于邊緣檢測(cè)算子的優(yōu)越性能。階梯形邊緣屋頂形邊緣圖1.1邊緣的類型實(shí)際處理的圖像一般都混有噪聲，在提取邊緣的同時(shí)亦需要考慮方法的抗噪性能以消除噪聲干擾帶來的偽邊緣。而噪聲消除與邊緣定位是兩個(gè)相互矛盾的部分，是邊緣檢測(cè)中的“兩難”問題。如何從噪聲污染的圖像中準(zhǔn)確提取圖像邊緣將直接影響圖像的特征提取等后續(xù)處理，是圖像預(yù)處理的關(guān)鍵一步。第39頁共42頁1.2圖像邊緣
6、檢測(cè)的發(fā)展與現(xiàn)狀由于邊緣是圖像的最基本特征，它有能勾畫出區(qū)域的形狀、能被局部定義以及能傳遞大部分圖像信息等諸多優(yōu)點(diǎn)，所以邊緣信息的提取無論是對(duì)人類還是對(duì)機(jī)器視覺來說都是一個(gè)最重要、最經(jīng)典的課題。邊緣檢測(cè)的定義有很多種，其中最常用的一種定義為:邊緣檢測(cè)是根據(jù)引起圖像灰度變化的物理過程來描述圖像中灰度變化的過程。長(zhǎng)期以來，人們一直在研究各種能較好實(shí)現(xiàn)邊緣檢測(cè)的方法但由于以下原因:圖像本身的復(fù)雜性;有效邊緣與噪聲均為高頻信號(hào)，容易混淆;光照陰影及物體表面紋理等因素在圖像中均表現(xiàn)為邊緣;對(duì)于不同的使用者來說所關(guān)心的邊緣信息各不相同等因素的影響，使得邊緣
7、提取迄今為止仍然是一個(gè)難題。因此，目前對(duì)邊緣檢測(cè)方法的研究依然以根據(jù)具體要求設(shè)計(jì)新方法，或是對(duì)現(xiàn)有方法進(jìn)行改進(jìn)為主要方向。已有的邊緣檢測(cè)方法可分為以下幾類：1、經(jīng)典算子法經(jīng)典的邊緣檢測(cè)方法是以原始圖像為基礎(chǔ)，對(duì)圖像的各個(gè)像素考察它的某個(gè)領(lǐng)域內(nèi)灰度階躍變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律檢測(cè)邊緣。由于邊緣點(diǎn)往往對(duì)應(yīng)于一階微分值大的點(diǎn)，早期學(xué)者們提出的都是基于梯度的邊緣檢測(cè)算子:RobertS邊緣檢測(cè)算子、sobel邊緣檢測(cè)算子、Prewitt邊緣檢測(cè)算子、Kirsch邊緣檢測(cè)算子等。這些算子都是現(xiàn)在應(yīng)用比較廣泛的方法，它們運(yùn)算量小，操作簡(jiǎn)
8、單。但基于梯度的邊緣檢測(cè)算子在邊緣附近區(qū)域產(chǎn)生的響應(yīng)較寬，所以利用上述算子得到的邊緣還需后續(xù)的細(xì)化處理，從而使得邊緣定位精度不高一階微分的局部最大值對(duì)
