圖像的邊緣檢測(cè)(實(shí)驗(yàn)報(bào)告)(共5頁(yè))

1、精選優(yōu)質(zhì)文檔-傾情為你奉上數(shù)字信號(hào)處理實(shí)驗(yàn)圖像的邊緣檢測(cè) 圖像的邊緣檢測(cè)一，原理本實(shí)驗(yàn)主要是對(duì)圖像的邊緣進(jìn)行提取，通過對(duì)邊緣的分析來分析圖像的特征。首先，了解一些術(shù)語(yǔ)的定義：邊緣點(diǎn)：圖像中具有坐標(biāo)i,j且處在強(qiáng)度顯著變化的位置上的點(diǎn)。邊緣段：對(duì)應(yīng)于邊緣點(diǎn)坐標(biāo)i,j及其方位,邊緣的方位可能是梯度角。邊緣檢測(cè)器：從圖像中提取邊緣（邊緣點(diǎn)和邊緣段）集合的算法。輪廓：邊緣列表，或者是一條表示邊緣列表的擬合曲線。邊緣連接：從無序邊緣表形成有序邊緣表的過程，習(xí)慣上，邊緣表的表示采用順時(shí)針方向來排序。邊緣跟蹤：一個(gè)用來確定輪廓的圖像（指濾波后的圖像）搜索過程。邊緣就是圖像中包含的對(duì)象的邊界所對(duì)應(yīng)的位置。物體

2、的邊緣以圖像局部特性的不連續(xù)性的形式出現(xiàn)的，例如，灰度值的突變，顏色的突變，紋理結(jié)構(gòu)的突變等。從本質(zhì)上說，邊緣就意味著一個(gè)區(qū)域的終結(jié)和另外一個(gè)區(qū)域的開始。圖像邊緣信息在圖像分析和人的視覺中十分重要，是圖像識(shí)別中提取圖像特征的一個(gè)重要屬性。邊緣檢測(cè)（edge detection）在圖像處理和對(duì)象識(shí)別領(lǐng)域中都是一個(gè)重要的基本問題。由于邊緣的灰度不連續(xù)性，可以使用求導(dǎo)數(shù)的方法檢測(cè)到。最早的邊緣檢測(cè)方法都是基于像素的數(shù)值導(dǎo)數(shù)的運(yùn)算。本實(shí)驗(yàn)主要是對(duì)圖像依次進(jìn)行Sobel算子，Prewitt算子,Roberts算子，Laplace算子和Canny算子運(yùn)算，比較處理結(jié)果。邊緣檢測(cè)有三個(gè)共性準(zhǔn)則，1，好的檢測(cè)

3、結(jié)果，或者說對(duì)邊緣的誤測(cè)率盡可能低，就是在圖像邊緣出現(xiàn)的地方檢測(cè)結(jié)果中不應(yīng)該沒有；另一方面不要出現(xiàn)虛假的邊緣。2，對(duì)邊緣的定位要準(zhǔn)確，也就是我們標(biāo)記出的邊緣位置要和圖像上真正邊緣的中心位置充分接近。3，對(duì)同一邊緣要有盡可能低的響應(yīng)次數(shù)，也就是檢測(cè)響應(yīng)最好是單像素的。二，對(duì)圖像進(jìn)行各種算子運(yùn)算本實(shí)驗(yàn)中主要是對(duì)圖像依次進(jìn)行Sobel算子，Prewitt算子,Roberts算子，Laplace算子和Canny算子運(yùn)算。由于MATLAB對(duì)彩色圖像不能進(jìn)行分析。所以，我們要將圖像首先進(jìn)行灰度處理，處理后的圖像才能進(jìn)行各種算子的變換分析。程序如下所示：>> I=imread('C:Us

4、ersAdministratorDesktop草莓.jpg');>> subplot(3,3,1);>> imshow(I);title('（a）原始圖像');>> J=rgb2gray(I); %轉(zhuǎn)化為灰度圖像>> subplot(3,3,2);>> imshow(J);title('(b)灰度圖');>> K=imadjust(J,40/255 1);%調(diào)整灰度值>> subplot(3,3,3)>> imshow(K);title('(c)調(diào)整灰

5、度后的圖');>> I1=edge(K,'sobel');>> subplot(3,3,4);>> imshow(I1);title('（d）Sobel算子');>> I2=edge(K,'prewitt');>> subplot(3,3,5);>> imshow(I2);title('（e）Prewitt算子');>> I3=edge(K,'robert');>> subplot(3,3,6);>>

6、 imshow(I3);title('（f）Robert算子');>> I4=edge(K,'log');>> subplot(3,3,7);>> imshow(I4);title('（g）Laplace算子');>> I5=edge(K,'canny');>> subplot(3,3,8);>> imshow(I5);title('（h）Canny算子');圖像進(jìn)行分析之后的結(jié)果如圖1所示。圖1 對(duì)原圖進(jìn)行各種算子變換的結(jié)果 通過對(duì)上述幾種算

7、子的研究，我們可以發(fā)現(xiàn)，Prewit t 算子和Sobel 算子都是對(duì)圖像進(jìn)行差分和濾波運(yùn)算,僅在平滑部分的權(quán)值選擇上有些差異,但是圖像產(chǎn)生了一定的模糊, 而且有些邊緣還檢測(cè)不出來，所以檢測(cè)精度比較低, 該類算子比較適用于圖像邊緣灰度值比較明顯的情況。Robert s 算子檢測(cè)精度比較高, 但容易丟失一部分邊緣, 使檢測(cè)的結(jié)果不完整，同時(shí)圖像沒經(jīng)過平滑處理,不能抑制噪聲,所以該算子對(duì)具有陡峭的低噪聲圖像響應(yīng)最好。Laplace算子通過高斯函數(shù)對(duì)圖像進(jìn)行了平滑處理,對(duì)噪聲的抑制作用比較明顯, 但處理的同時(shí)也可能將原有的邊緣平滑, 造成某些邊緣無法檢測(cè)到。此外，噪聲對(duì)其影響也較大，檢測(cè)到的圖細(xì)節(jié)很

8、豐富,同時(shí)就可能出現(xiàn)偽邊緣。但是，如果要降低偽邊緣的話，又可能使檢測(cè)精度下降，丟失很多真邊緣。因此, 對(duì)于不同圖像應(yīng)選擇不同參數(shù)。Canny 算子也采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理,也具有較強(qiáng)的去噪能力, 但同樣可能會(huì)丟失一些邊緣信息，但是，從圖中可以看出，Canny 算子比Laplace算子的檢測(cè)邊緣的精度要高些。通過實(shí)驗(yàn)結(jié)果可以看出,該算子在上述幾種邊緣檢測(cè)算子當(dāng)中效果最好。三，加入噪聲對(duì)圖像加入一定的噪聲，然后觀察各種算子對(duì)噪聲的影響。（加入高斯噪聲（=0，2=0.01）其程序如下：>> K_g1 = imnoise(K,'gaussian',0,0.01);&

9、gt;> BW_sobel = edge(K_g1,'sobel');>> BW_prewitt = edge(K_g1,'prewitt');>> BW_roberts = edge(K_g1,'roberts');>> BW_laplace = edge(K_g1,'log');>> BW_canny = edge(K_g1,'canny');>> figure(2)>> subplot(2,3,1);imshow(K_g1),tit

10、le('加入高斯噪聲(=0，2=0.01)圖像');>> subplot(2,3,2),imshow(BW_sobel),title('sobel檢測(cè)');>> subplot(2,3,3),imshow(BW_prewitt),title('prewitt檢測(cè)');>> subplot(2,3,4),imshow(BW_roberts),title('roberts檢測(cè)');>> subplot(2,3,5),imshow(BW_laplace),title('laplace檢測(cè)');>> subplot(2,3,6),imshow(BW_canny),title('cann