二值圖像處理

湘潭大學(xué)畢業(yè)設(shè)計說明書題目：二值形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用研究學(xué)院：信息工程學(xué)院專業(yè)：電子信息工程學(xué)號：2021550610姓名：梁恩栓指導(dǎo)教師：馬茜完成日期：2021年5月湘潭大學(xué)畢業(yè)設(shè)計任務(wù)表設(shè)計題目二值形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用研究學(xué)號2021550610學(xué)生姓名梁恩栓專業(yè)電子信息工程指導(dǎo)教師：馬茜系主任：李志軍一、主要內(nèi)容及根本要求本設(shè)計要求對常用的邊緣檢測算法進行試驗比照分析，掌握二值形態(tài)學(xué)理論，研究其邊緣檢測中的應(yīng)用。要求：(1)熟悉邊緣檢測中經(jīng)典的邊緣檢測算子，熟悉二值形態(tài)運算〔腐蝕，膨脹，開運算，閉運算〕，掌握形態(tài)學(xué)操作〔骨架化操作，填充操作，邊界提取操作〕以及利用二值形態(tài)學(xué)進行圖像邊緣檢測的設(shè)計思路和方法(2)軟件設(shè)計，編程實現(xiàn)幾種經(jīng)典的邊緣檢測算子，并進行試驗比擬。實現(xiàn)二值形態(tài)學(xué)進行邊緣檢測。二、重點研究的問題(1)試驗比擬幾種經(jīng)典邊緣檢測算子。(2)掌握利用二值形態(tài)學(xué)進行檢測的方法，并編程實現(xiàn)。三、進度安排序號各階段完成的內(nèi)容完成時間1查閱資料、調(diào)研2021．01.01~2012開題報告、制訂設(shè)計方案2021．02.02~2021．03.013實驗〔設(shè)計〕2021．03.02~2021．03.204分析、調(diào)試等2021．03.21~2021．04.085寫出初稿2021．04.09~2021．04.246修改，寫出第二稿2021．04.25~2021．05.067寫出正式稿2021．04.07~2021．04.128辯論2021．04.24~2021．04.25四、應(yīng)收集的資料及主要參考文獻[1]曾俊.圖像邊緣檢測技術(shù)及其應(yīng)用研究[D].華中科技大學(xué),2021年.[2]章毓晉.圖像處理和分析[M]．清華大學(xué)出版社,2004年．[3]郭津．機器視覺邊緣檢測技術(shù)及應(yīng)用研究[D].廣東工業(yè)大學(xué),2021年．[4]侯小麗.圖像邊緣檢測技術(shù)開展綜述[J].太原城市職業(yè)技術(shù)學(xué)院學(xué)報,2021年.[5]曲賀楠.基于手動模板的視頻序列幀輪廓及線描提取系統(tǒng)[D].合肥工業(yè)大學(xué),2021年.[6]張建榮.視頻圖像分割及背景提取算法研究[D].太原理工大學(xué),2021年.[7]黃玥.復(fù)雜背景下的灰度圖像分割算法研究[D].太原理工大學(xué),2021年.[8]沈陽.基于形態(tài)學(xué)的圖像邊緣檢測技術(shù)研究[D].電子科技大學(xué),2021年.[9]韋春桃.log算子進行邊緣檢測的研究[R].桂林工學(xué)院報告,1999年.[10]盧曉霞.基于圖像處理的混凝土裂縫寬度檢測技術(shù)的研究[D].電子科技大學(xué),2021年.[12]劉洪鳴.圖像邊緣檢測技術(shù)的研究與比擬[J].科技信息,2021年.[13]陳正慧.基于DSP的汽車牌照識別技術(shù)研究[D].貴州大學(xué),2021年.[14]朱士虎.形態(tài)學(xué)運算中結(jié)構(gòu)元素選取方法研究[J].現(xiàn)代計算機,2021年311期.[16]伍煉.醫(yī)學(xué)超聲圖像的三維可視化研究[D].哈爾濱工業(yè)大學(xué),2021年.[17]李迎.基于數(shù)學(xué)形態(tài)學(xué)的二值圖像細化研究[A].計算機科學(xué)學(xué)院,2005年.[18]李露.一種基于二值形態(tài)學(xué)原理的肺部輪廓提取算法[J].中國醫(yī)療器械雜志,2021年06期.湘潭大學(xué)畢業(yè)設(shè)計評閱表學(xué)號:2021550610姓名：梁恩栓專業(yè)：電子信息工程畢業(yè)設(shè)計題目：二值形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用研究評價工程評價內(nèi)容選題1.是否符合培養(yǎng)目標，表達學(xué)科、專業(yè)特點和教學(xué)方案的根本要求，到達綜合訓(xùn)練的目的；2.難度、份量是否適當；3.是否與生產(chǎn)、科研、社會等實際相結(jié)合。能力1.是否有查閱文獻、綜合歸納資料的能力；2.是否有綜合運用知識的能力；3.是否具備研究方案的設(shè)計能力、研究方法和手段的運用能力；4.是否具備一定的外文與計算機應(yīng)用能力；5.工科是否有經(jīng)濟分析能力。論文〔設(shè)計〕質(zhì)量1.立論是否正確，論述是否充分，結(jié)構(gòu)是否嚴謹合理；實驗是否正確，設(shè)計、計算、分析處理是否科學(xué)；技術(shù)用語是否準確，符號是否統(tǒng)一，圖表圖紙是否完備、整潔、正確，引文是否標準；2.文字是否通順，有無觀點提煉，綜合概括能力如何；3.有無理論價值或?qū)嶋H應(yīng)用價值，有無創(chuàng)新之處。綜合評價選題符合培養(yǎng)目標，表達了本學(xué)科、專業(yè)特點及教學(xué)方案的根本要求，能夠到達綜合訓(xùn)練的目的，難度適當.作者具備較好查閱文獻的能力，能夠具有一定綜合運用知識的能力，初步掌握了科研的一般方法，具備較好的外文和計算機應(yīng)用能力。設(shè)計方案根本正確，論述較為充分，結(jié)構(gòu)合理，仿真結(jié)果正確，圖表較為完備、清晰，文章比擬標準，文字通順，有一定的綜合概括能力，研究課題有一定的應(yīng)用價值。工作量較為飽滿，論文的篇幅到達規(guī)定要求。評閱人：年月日湘潭大學(xué)畢業(yè)設(shè)計鑒定意見學(xué)號2021550610姓名：梁恩栓專業(yè)：電子信息工程畢業(yè)設(shè)計說明書30頁圖表34張論文〔設(shè)計〕題目:二值形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用研究內(nèi)容提要：邊緣是圖像最根本特征，邊緣檢測是基于物體與背景間灰度或紋理特征特性上某種不連續(xù)或突變性的一種檢測技術(shù)，是圖像處理的重要內(nèi)容，也是圖像分割，模式識別，機器視覺，區(qū)域形狀提取等領(lǐng)域分析方法根底，邊緣檢測算法的優(yōu)略將直接影響提取輪廓的精度和系統(tǒng)的性能。本文研究和實現(xiàn)了常用經(jīng)典邊緣檢測算子〔Roberts算子，Sobel算子，Canny算子等〕，針對試驗結(jié)果進行分析比照，總結(jié)各種算子適合處理對象的條件。在研究二值形態(tài)學(xué)根底理論，將candy算子結(jié)合二值形態(tài)學(xué)應(yīng)用于圖像的邊緣檢測，并仿真實現(xiàn)。試驗結(jié)果說明運用二值形態(tài)學(xué)進行邊緣檢測，簡化處理的處理復(fù)雜度，能夠有效的提高邊緣提取的精度，降低偽邊緣出現(xiàn)的概率，減少運算量，從而為后續(xù)圖像的處理提供方便。

指導(dǎo)教師評語該同學(xué)能夠根本完成“二值形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用研究〞的畢業(yè)設(shè)計任務(wù)，解決方案尚可，能夠根本到達預(yù)期目標；圖、表根本合格，文理尚通順；具有一定運用已學(xué)知識分析、解決問題的能力；工作態(tài)度尚可。經(jīng)本人申請，同意其參加辯論，建議成績評定為“中等〞指導(dǎo)教師：年月日辯論簡要情況及評語辯論中，條理較清晰、重點根本清楚、主要問題的答復(fù)根本正確。經(jīng)辯論小組討論，建議評定成績?yōu)椤爸械权暤燃?。辯論小組長：年月日辯論委員會意見經(jīng)辯論委員會討論，同意該畢業(yè)設(shè)計成績評定為。辯論委員會主任：年月日目錄TOC\o"1-3"\h\u27962摘要 I5163Abstract II4575第一章概述 181551.1選題的背景以及意義 111661.2國內(nèi)外研究的現(xiàn)狀 1324311.3本論文的研究工作以及章節(jié)安排 223311第二章常用經(jīng)典邊緣算子檢測研究 3233862.1各種經(jīng)典邊緣檢測算子原理簡介 3310162.2梯度算子 3263362.2.1Reborts算子 478722.2.2Sobel算子 6124742.2.3Prewitt算子 8225102.3Laplace算子 10279312.4LOG算子〔高斯拉普拉斯算子〕 10262842.5Canny算子 126042.6各種經(jīng)典邊緣檢測算子性能比擬 14151192.7本章小結(jié) 1416096第三章二值形態(tài)學(xué)根本方法 15302423.1形態(tài)學(xué)運算 15253193.1.1二值腐蝕 1553523.1.2二值膨脹 16179613.1.3二值開運算 1630793.1.4二值閉運算 17243783.2形態(tài)學(xué)操作 1887453.3本章小結(jié) 1925338第四章二值形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用 2015644.1檢測思路 2093814.2邊緣檢測步驟 21182274.3檢測的實現(xiàn)： 22254024.4實驗結(jié)果分析 2418814第五章前景與展望 2522360致謝 2623749參考文獻 2711457核心程序 28二值形態(tài)學(xué)在圖像邊緣檢測中的研究應(yīng)用摘要:邊緣是圖像中重要的特征之一,對其檢測是圖像分割、目標識別和區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的根底，還是圖像識別中提取圖像特征的一個重要方法。本文對常用邊緣檢測的算法〔Roberts算法，Sobel算法，Prewitt算法，Laplace算法，LOG算法，Canny算法〕進行試驗比照分析，總結(jié)了各種算法的優(yōu)缺點。分析了二值形態(tài)學(xué)根本方法，并在傳統(tǒng)邊緣檢測算子的根底上將二值形態(tài)學(xué)應(yīng)用于邊緣檢測。試驗證明運用二值形態(tài)學(xué)進行邊緣檢測，能夠有效的提高邊緣提取的精度，降低偽邊緣出現(xiàn)的概率，減少運算量，從而為后續(xù)圖像的處理提供方便。關(guān)鍵字：邊緣檢測；二值形態(tài)學(xué)；目標區(qū)域識別；區(qū)域形狀提取Imageedgedetection-BinarymorphologyAbstractEdgeisoneoftheimportantfeaturesoftheimage,theimageedgedetectiontechniqueisanimportantanalysisofimagesegmentation,regionalshapeextractionandtargetrecognition,image,orimageextractionisanimportantmethodofimagefeature.Inthispaper,thecommonlyusededgedetectionalgorithm(Robertsalgorithm,Sobelalgorithm,Prewittalgorithm,Laplacealgorithm,LOGalgorithm,Cannyalgorithm)comparedtoexperiment,summarizestheadvantagesanddisadvantagesofvariousalgorithms.Analysisoftwovaluemorphologymethod,andbasedonthetraditionaledgedetectionoperator,twovaluemorphologyisappliedtoedgedetection.Experimentsusingtwomorphologicaledgedetection,edgeextractcanimproveaccuracy,reducetheprobabilityoffalseedgesappear,toreducetheamountofcalculation,soastoprovideconvenienceforthesubsequentimageprocessing.Keywords：Edgedetection；Binarymorphology；Regionalshapeextractionimage；Targetidentification第一章概述1.1選題的背景以及意義近年來，數(shù)字圖像在心理學(xué)、生理學(xué)、計算機科學(xué)等諸多方面得到了廣泛的應(yīng)用。圖像的工程可分為圖像處理(ImageProcessing)、圖像分析(ImageAnalysis)和圖像理解(ImageUnderstanding)三個階段。圖像分析是圖像處理和圖像理解的鏈接，由此可見圖像分析的重要性。邊緣檢測是圖像分析的最根本的研究課題之一。圖像分析簡而言之，就是對圖像中感興趣的局部進行檢測，獲得目標的根本信息，是一個從圖像到數(shù)據(jù)的過程。邊緣是邊緣是以圖像的局部特征不連續(xù)的形式出現(xiàn)的，是指圖像局部亮度變化最顯著的局部，獲得了圖像的邊緣，就能為描述或識別目標提供重要的參數(shù)，從而對圖像進行精確分析。圖像邊緣檢測是圖像的分割，目標識別，區(qū)域提取等的重要根底。許多場合都需要計算機對圖像進行分析和理解。比方說，集成電路的自動檢測，醫(yī)學(xué)領(lǐng)域中器官檢測。邊緣檢測在圖像分析研究領(lǐng)域中占有重要的地位，目前已經(jīng)成為機器視覺研究領(lǐng)域最躍的課題之一。1.2國內(nèi)外研究的現(xiàn)狀為了保證所提取特征參數(shù)的準確性，邊緣檢測必須合理解決邊緣有無、真假以及定位的問題。這其中涉及兩個關(guān)鍵因素，一是邊緣檢測的尺度。二是噪聲，圖像中不可防止地會包含有噪聲，在噪聲的分布和方差等一些信息未知的情況下，要分辨高頻信號的噪聲以及邊緣存在一定的難度。目前邊緣檢測的方法大致包括以下幾類：(1)基于微分邊緣檢測技術(shù)[3,22]基于微分檢測的技術(shù)分為兩類：〔1〕一階微分算子，如Robert算子、Sobel算子、Prewitt算子等。檢測的實質(zhì)多是在梯度值大于某一值時就認為是邊緣點，導(dǎo)致邊緣點太多，影響邊緣檢測的精度?！?〕二階微分算子，如拉普拉斯算子，Canny算子等，檢測的實質(zhì)是求局部的最大值點，此類算子提高了圖像的檢測的準確精度?！?〕基于小波與分形理論邊緣檢測技術(shù)[4，23]小波理論和分形理論的日益成熟以及廣泛應(yīng)用，90年代基于此類技術(shù)的邊緣檢測算子相繼出現(xiàn)?；谛〔ㄅc分形理論技術(shù)一般優(yōu)于微分檢測技術(shù)，在不同尺度下的邊緣特征都可以檢測到，圖像邊緣定位較為準確?！?〕數(shù)學(xué)形態(tài)學(xué)的邊緣檢測技術(shù)[4,22]數(shù)學(xué)形態(tài)學(xué)是用集合論方法定量描述幾何結(jié)構(gòu)的科學(xué)。數(shù)學(xué)形態(tài)學(xué)邊緣檢測技術(shù)一般由于其他的檢測技術(shù)，結(jié)構(gòu)元素的形狀以及大小關(guān)乎邊緣的檢測精度，噪聲的去除以及細節(jié)的保護?；跀?shù)學(xué)形態(tài)學(xué)的邊緣檢測技術(shù)相對于微分算子，模板匹配來說，速度快，效果好，邊緣定位精確，精度高。本文的二值形態(tài)學(xué)就是數(shù)學(xué)形態(tài)學(xué)的一類分支?！?〕基于模糊學(xué)的邊緣檢測技術(shù)[4,22]圖像處理過程實際上是對圖像灰度矩陣的處理過程。模糊梯度法是基于圖像灰度梯度變化的原理而產(chǎn)生的。圖像的模糊化就是將圖像灰度值轉(zhuǎn)換到模糊集中，用一個模糊值來代表圖像的明暗程度。利用模糊理論的不確定性來反映圖像灰度梯度變化過程的模糊性，并根據(jù)像素的隸屬度來確定邊緣穿越的位置，可使邊緣檢測更加準確?！?〕基于神經(jīng)網(wǎng)絡(luò)的邊緣檢測技術(shù)[4-5]圖像邊緣檢測本質(zhì)上屬于模式識別問題，神經(jīng)網(wǎng)絡(luò)能很好地解決模式識別問題。因此，用樣本圖像對多神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練后的網(wǎng)絡(luò)再進行實測圖像的邊緣檢測。在網(wǎng)絡(luò)訓(xùn)練中，所提取的特征要考慮噪聲點和實際邊緣的差異，同時去除噪聲點形成的虛假邊緣，該方法具有較強的抗噪性能。使用神經(jīng)網(wǎng)絡(luò)的方法得到的邊緣圖像邊界封閉性好，邊界連續(xù)性較好，而且對于任何灰度圖的檢測可以得到很好的效果。每一種算子都有其特點，但也有缺乏之處，特別是檢測精度與抗噪能力的均衡問題。1.3本論文的研究工作以及章節(jié)安排本論文的研究工作是利用二值形態(tài)學(xué)的根底，綜合經(jīng)典邊緣檢測算子，以檢測的精度，檢測的準確度為指標，對圖像進行邊緣檢測以及提取。最后與經(jīng)典邊緣算子檢測進行比照，分析二值形態(tài)學(xué)邊緣檢測的優(yōu)劣。論文的內(nèi)容安排如下所述：第1章概述。闡述了課題的研究背景、意義，以及相應(yīng)課題的研究現(xiàn)狀和存在的問題。第2章常用經(jīng)典邊緣檢測算子研究。該局部介紹了圖像邊緣檢測常用的算法原理以及比擬，通過參加噪聲，再進行邊緣提取，比擬算子對噪聲的敏感程度。第3章二值形態(tài)學(xué)根本方法。本章介紹了二值形態(tài)學(xué)的運算以及二值形態(tài)學(xué)的操作處理的原理以及實現(xiàn)第4章二值形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用。本章介紹了二值形態(tài)學(xué)在邊緣檢測中的思路方法以及在matlab上的實現(xiàn)。第5章前景與展望。全文所做的主要工作進行了總結(jié)，指出了本文有待進一步完善的地方，對未來下一步的開展方向進行了展望。第二章常用經(jīng)典邊緣算子檢測研究2.1各種經(jīng)典邊緣檢測算子原理簡介眾所周知，圖像的邊緣對人的視覺具有重要的意義，當看一個有邊緣的物體時，一般首先感覺到的便是邊緣?；叶然蚪Y(jié)構(gòu)等信息的突變處即稱為邊緣。邊緣是一個區(qū)域的結(jié)束，同時也是另一個區(qū)域的開始，利用該特征可以分割圖像。在檢測的過程中，由于會受到外界因素〔光照，噪聲等〕的影響就會使得有邊緣的地方不一定能被檢測出來，而檢測出的邊緣不一定是實際邊緣。對于圖像的邊緣有方向〔像素變化平緩〕和幅度〔像素變化劇烈〕兩個屬性。邊緣上的這種變化那么可以用微分算子檢測出來，通常用一階或兩階導(dǎo)數(shù)來檢測邊緣[6]，如圖2-1。不同的是一階導(dǎo)數(shù)認為最大值對應(yīng)邊緣位置，而二階導(dǎo)數(shù)那么以過零點對應(yīng)邊緣位置?！瞐〕圖像灰度變化〔b〕一階導(dǎo)數(shù)〔c〕二階導(dǎo)數(shù)圖2-1圖像灰度變化以及一階二階導(dǎo)數(shù)基于一階導(dǎo)數(shù)的邊緣檢測算子中包括Roberts算子、Sobel算子、Prewitt算子等，對于一階算子，其實質(zhì)是通過或者模板作為核與圖像中的像素做卷積運算，提取閥值獲得邊緣。微分邊緣算子的依據(jù)是圖像的邊緣對應(yīng)一階導(dǎo)數(shù)的極大值點和二階導(dǎo)數(shù)的過零點?；诙A導(dǎo)數(shù)的邊緣檢測算子，拉普拉斯邊緣檢測算子對噪聲敏感。解決方法是先對圖像進行平滑處理，再利用二階導(dǎo)數(shù)進行邊緣檢測，如LOG算子。Canny算子那么是在在滿足一定約束條件下的優(yōu)化算子。2.2梯度算子梯度算子對應(yīng)于一階導(dǎo)數(shù)，是其最簡單導(dǎo)數(shù)算子。在點f〔x,y〕處，梯度grad(F(x,y))的幅度為：

|grand〔f(x,y)〕|=[()2+()2]1/2〔2.1〕它們分別求出了灰度在x和y方向上的變化率，但是要對圖像上的每一個像素進行以上的運算。接下來為了減少計算量，簡化計算，那么可以使|grand〔f(x,y)〕|=||+||當然也可以轉(zhuǎn)化成以下，|grand〔f(x,y)〕|=max〔||+||〕里面=f(x,y)-f(x+1,y);=f(x,y)-f(x,y+1)這個運算量很大，因此常常使用小區(qū)域模版進行估似運算從而實現(xiàn)減少運算量。2.2.1Reborts算子 Reborts算子是一種利用局部差分來尋找邊緣的算子，Roberts梯度算子所采用的是對角方向相鄰兩像素值之差近似梯度幅值來檢測圖像邊緣，算子形式如下： 〔2.2〕 〔2.3〕

(2.4〕Roberts梯度算子對應(yīng)的卷積模版為： 〔2.5〕用以上兩個卷積算子與圖像運算后，可求出圖像的梯度幅值G(x,y)，然后選擇適當?shù)拈撝郸?假設(shè)G(x,y)>τ，那么(i,j)為邊緣點，否那么，判斷(i,j)為非邊緣點，得到一個二值圖像{g(i,j)}，即邊緣圖像。程序?qū)崿F(xiàn)：ps=imread('C:\Users\asus\Desktop\設(shè)計\a.jpg');%讀取圖像ps=rgb2gray(ps);figureimshow(ps);pa=edge(ps,'roberts');figureimshow(pa);title('Roberts邊緣檢測得到的圖像');(a)原圖像(b)Roberts檢測的圖像圖2-2原圖像與Roberts檢測圖像上圖結(jié)果說明：該算子定位精度高，對于水平和垂直方向的邊緣，檢測效果較好。但對于有一定傾角的斜邊緣，檢測效果那么不理想，存在著許多的漏檢。為檢測算法對噪聲的敏感程度。現(xiàn)以參加多種〔均值0，方差0.001高斯，噪聲密度0.001的椒鹽，泊松〕噪聲觀察檢測。程序?qū)崿F(xiàn)：P1=imnoise(ps,'gaussian',0,0.001);figure(2)imshow(P1)title('加噪后圖像')%高斯加噪處理P2=imnoise(ps,'salt&pepper',0.001);figure(2)imshow(p2)title('加噪后圖像')%椒鹽加噪處理P3=imnoise(ps,'poisson');figure(2)imshow(p3)title('加噪后圖像')%泊松加噪處理pa=edge(p1,'roberts');figureimshow(pa);title('加噪聲后Roberts邊緣檢測得到的圖像');p1再分別替換成p2，p3，得到圖像。如圖2-3所示；(a)高斯加噪處理圖像(b)椒鹽加噪處理圖像(c)泊松加噪處理圖像圖2-3參加三種噪聲后檢測的效果從上圖可以看出，含噪聲的情況下，Roberts算子不能有效的抑制噪聲，那么容易產(chǎn)生一些偽邊緣，邊緣比擬粗，邊緣定位精度較差。因此，該算子適合于對低噪聲且具有陡峭邊緣的圖像提取邊緣。2.2.2Sobel算子 Sobel算子在邊緣檢測算子擴大了其模版，在邊緣檢測的同時盡量削弱了噪聲。其模版大小為3×3，其將方向差分運算與局部加權(quán)平均相結(jié)合來提取邊緣。在求取圖像梯度之前，先進行加權(quán)平均，然后進行未分，加強了對噪聲的一致。Sobel算子所對應(yīng)的卷積模版為： 〔2.6〕圖像中的像素點和水平和垂直兩個卷積算子做卷積，算得到梯度幅值G(x,y)，并且選取適宜的閥值，假設(shè)G(x,y)>τ，那么(i,j)為邊緣點，否那么，判斷(i,j)為非邊緣點。由此得到二值圖像{g(i,j)}，該圖像即為邊緣圖像。Sobel算子在空間上比擬容易實現(xiàn)，不但產(chǎn)生較好的邊緣檢測效果，同時，由于其引入了局部平均，使其受噪聲的影響也較小。在對精度要求不是很高的場合下，Sobel算子是一種較為常用的邊緣檢測算法。程序?qū)崿F(xiàn)：pa=edge(ps,'sobel');figureimshow(pa);title('Sobel邊緣檢測得到的圖像');(a)原圖像(b)Sobel檢測的圖像圖2-4原圖像-Sobel算子檢測的圖像為檢測該算子對噪聲的敏感程度，參加上述噪聲，程序不變，顯示結(jié)圖2-5如下：由顯示結(jié)果所示，sobel算子對灰度漸變圖像處理效果比擬好，抑制噪聲的性能強于Roberts，邊緣定位較為精確，對于一般圖像，經(jīng)常使用Sobel算子。Sobel算子邊緣檢測效果優(yōu)于Roberts算子。(a)高斯加噪處理圖像(b)椒鹽加噪處理圖像(c)泊松加噪處理圖像圖2-5參加三種噪聲后Sobel檢測的效果2.2.3Prewitt算子 同Sobel算子相似，Prewitt算子也是一種將方向的差分運算和局部平均相結(jié)合的方法，也是取水平和垂直兩個卷積核來分別對圖像中各個像素點做卷積運算，所不同的是，Sobel算子是先做加權(quán)平均然后再微分，Prewitt算子是先平均后求微分，其對應(yīng)的卷積模版為： 〔2.7〕圖像中的每個像素點和以上水平和垂直兩個卷積算子做卷積運算后，再計算得到梯度幅值G(x,y)，然后選取適當?shù)拈撝郸?，假設(shè)G(x,y)>τ，那么(i,j)為邊緣點，否那么，判斷(i,j)為非邊緣點。由此得到一個二值圖像{g(i,j)}，即邊緣圖像。Prewitt算子通過對圖像上的每個像素點的八方向鄰域的灰度加權(quán)差之和來進行檢測邊緣，對噪聲有一定抑制作用，抗噪性較好，但局部平均的參加導(dǎo)致偽邊緣出現(xiàn)概率增大，定位的準確率降低。程序?qū)崿F(xiàn)：pa=edge(ps,'prewitt');figureimshow(pa);title('Prewitt邊緣檢測得到的圖像');如圖2-9；參加三種噪聲，顯示如圖2-6；(a)Prewitt檢測圖像(b)高斯加噪處理圖像(c)椒鹽加噪處理圖像(d)泊松加噪處理圖像圖2-6prewitt檢測的邊緣以及參加三種噪聲后檢測的圖像上圖結(jié)果說明，對圖像參加噪聲后，prewitt算子雖對噪聲具有一定的抑制能力，由于是通過像素平均來實現(xiàn)的，處理的圖像出現(xiàn)模糊，而且還會檢測出一些偽邊緣，因此檢測精度比擬低，該算子相對適合用于圖像噪聲比擬小的以及邊緣灰度值鋒利的圖像，檢測情況類似于sobel算子。2.3Laplace算子 Laplace算子是一種二階導(dǎo)數(shù)算子且不依賴于邊緣方向的，具有旋轉(zhuǎn)不變即各向同性的性質(zhì)，是一個標量[8]。Laplace算子的定義為： 〔2.8〕用差分方程近似二階偏倒數(shù)得到： 〔2.9〕 〔2.10〕將這兩個式子合并，可以得到近似Laplace算子的模版： 〔2.11〕 根據(jù)Laplace算子，假設(shè)邊緣存在，那么輸出出現(xiàn)過零點。對于過零點的位置精度，研究說明，通過線性內(nèi)插方法可以精確到子像素分辨率。值得一提的是，該算子在圖像邊緣檢測中并不常用，其主要原因[8]：Laplace算子屬于二階導(dǎo)數(shù)的算子，相比于一階算子更容易受到噪聲的影響，不能準確檢測到邊緣點，幅值產(chǎn)生雙邊元，對噪聲相當敏感。這是圖像復(fù)雜分割不希望出現(xiàn)的結(jié)果。因此人們提出了改良的功LOG算子。2.4LOG算子〔高斯拉普拉斯算子〕 LOG算子的根本思想是[9]：首先先在一定的范圍內(nèi)做平滑濾波，隨后再利用差分算子來檢測在相應(yīng)尺度上的邊緣。濾波器的選擇要考慮以下兩個因素：第一是濾波器在空間上要求平穩(wěn)，即空間位置誤差Δx盡可能要??；第二是平滑濾波器本身要求是帶通濾波器，而且在有限的帶通內(nèi)是平穩(wěn)的，即頻域誤差Δω盡可能要小。根據(jù)信號處理中的測不準原理，Δx和Δω是相互矛盾的，符合這個原理的濾波器就是高斯濾波器。該邊緣檢測器的根本特征是：〔1〕所采用的平滑濾波器是高斯濾波器〔2〕邊緣檢測的判據(jù)是二階導(dǎo)數(shù)過零點且對應(yīng)一階導(dǎo)數(shù)的極大值〔3〕增強步驟采用的是二階導(dǎo)數(shù)〔即二維拉普拉斯函數(shù)〕 該方法的本質(zhì)是先用高斯濾波器與圖像進行卷積，孤立的噪聲點和較小的結(jié)構(gòu)組織被濾除，而且平滑了圖像，降低了噪聲。拉普拉斯作為一種標量算子，所以邊緣點應(yīng)該選擇一階導(dǎo)數(shù)大于某一閾值的零交叉點來防止檢測出非顯著的邊緣。實際應(yīng)用中，常用的LOG算子的模版為：程序?qū)崿F(xiàn)：pa=edge(ps,'log');figureimshow(pa);title('Log邊緣檢測得到的圖像');如圖2-13所示；由顯示結(jié)果可知，高斯平滑運算可以有效的濾除噪聲，但會導(dǎo)致圖像中的某些邊緣和不連續(xù)局部模糊，該模糊程度取決于空間尺度因子σ的大小。因此在實際應(yīng)用中，要根據(jù)情況選擇適當?shù)摩摇，F(xiàn)參加噪聲，再對邊緣進行檢測：如圖2-7所示；由下列圖顯示結(jié)果可知，LOG算子對噪聲的抑制作用比擬明顯，圖像中某些邊緣模糊，邊緣無法全部檢測到，因此可知，的選擇至關(guān)重要，關(guān)乎圖像的檢測精度以及抗噪聲能力，對于不同的圖像選擇不同的尺度因子。一般來說，尺度因子越大，檢測精度越高，而抗噪能力較差。〔a〕LOG算子檢測的圖像〔b〕高斯加噪處理后圖像〔c〕椒鹽加噪處理后圖像〔d〕泊松加噪后處理圖像圖2-7LOG算子檢測的圖像以及參加三種噪聲后檢測效果2.5Canny算子 1986年，Canny推導(dǎo)出了最優(yōu)邊緣檢測算子Canny算子,滿足三個準那么[8]，該算子成為目前使用最廣泛的算子。Canny邊緣檢測根本原理：

(1)圖象邊緣檢測必須要能有效地抑制噪聲以及盡量精確確定邊緣的位置。

(2)根據(jù)對信噪比與定位乘積進行測度，得到最優(yōu)化逼近算子。這就是Canny邊緣檢測算子。

(3)Canny算子類似于LOG算子，都是先平滑后求導(dǎo)數(shù)。Canny邊緣檢測算法進行檢測過程分為以下四步：

〔1〕:用高斯濾波器平滑處理需檢測的圖象；

〔2〕:用一階偏導(dǎo)的有限差分來計算需處理圖像的梯度的幅值和方向；

〔3〕:對梯度幅值進行非極大值抑制處理；

〔4〕:用雙閾值算法檢測和連接邊緣。Canny算子也存在缺乏之處：Canny算子由于使用較大的濾波尺度，細節(jié)容易喪失；Canny算子的雙閾值是人為選取，邊緣檢測的定位精確度受到影響較大。程序?qū)崿F(xiàn)：pc=edge(ps,'canny');figure(4)imshow(pc)title('Canny檢測的圖像');如圖2-8所示；現(xiàn)參加噪聲，以檢測噪聲對canny算子邊緣檢測以及提取的影響；如圖2-8；〔a〕Canny算子檢測的圖像〔b〕高斯加噪后處理的圖像〔c〕椒鹽加噪后處理的圖像〔d〕泊松加噪后處理的圖像圖2-8Canny算子檢測的圖像以及參加噪聲后檢測的效果2.6各種經(jīng)典邊緣檢測算子性能比擬經(jīng)典邊緣算子各有不同，通過圖片效果以及加噪處理，可以大概分析出一階導(dǎo)數(shù)算子Roberts、Prewitt、Sobel和二階導(dǎo)數(shù)算子Laplace，LOG，Canny等各個算子的邊緣檢測效果及抗噪能力。表一：各經(jīng)典邊緣算子的比擬[12-13]算子優(yōu)缺點比擬Roberts適合處理具有陡峭的低噪聲的圖像，但利用Roberts算子提取邊緣的結(jié)果是邊緣比擬粗，因此邊緣定位不是很準確。Sobel適合處理灰度漸變和噪聲較多的圖像，Sobel算子對邊緣定位比擬準確，抗噪干擾強。Prewitt類似于Sobel算子。Laplacian對圖像中的階躍性邊緣點定位準確，對噪聲非常敏感，喪失一局部邊緣的方向信息，造成一些不連續(xù)的檢測邊緣。LoGLoG算子進行邊緣檢測容易出現(xiàn)雙邊緣，易受到噪聲的干擾，因此在圖像檢測中并不常用。CannyCanny算子抗噪聲能力最強，邊緣定位精度相對最準確。Canny算子使用兩種不同的閾值分別檢測強邊緣和弱邊緣，這種方法不容易被噪聲“填充〞，容易檢測出真正的弱邊緣。Prewitt算子和Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權(quán)平均濾波且檢測的圖像邊緣可能大于2個像素，這兩者對灰度漸變低噪聲的圖像有較好的檢測效果，但對于混合多復(fù)雜噪聲的圖像，處理效果那么不理想。Sobel邊緣檢測的圖像紋理較清楚,但整個圖像過于模糊。Roberts邊緣檢測和Prewitt邊緣檢測效果相似,輪廓清楚,但紋理有待提高。Laplace邊緣檢測的效果較為適中。對于LOG算子，檢測使用率并不多。而Canny算子是滿足一定優(yōu)化條件的算子，邊緣定位精度準確，抗噪能力強。2.7本章小結(jié)本章主要介紹了常用的經(jīng)典圖像邊緣檢測算子，Roberts，sobel，prewitt，log，canny等算子，分析了各個算子的不同原理以及優(yōu)缺點，為下文在使用適宜恰當?shù)倪吘墮z測算子上奠定了良好的根底，方便了邊緣檢測的后續(xù)處理。第三章二值形態(tài)學(xué)根本方法形態(tài)學(xué)是一門新興科學(xué)，它的用途主要是獲取物體拓撲和結(jié)果信息，它通過物體和結(jié)構(gòu)元素相互作用的某些運算，得到物體更本質(zhì)的形態(tài)。二值形態(tài)學(xué)是圖像處理和模式識別的新方法，實質(zhì)是選取特定的結(jié)構(gòu)元素與被提取的圖像進行對應(yīng)，從而到達對圖像進行分析和識別的目的。二值圖像是一種簡單的圖像格式，它只有兩個灰度級，即"0"表示黑色的像素點，"255"表示白色的像素點，二值圖像的根本運算很簡單，卻可以產(chǎn)生復(fù)雜的效果，二值圖像處理時數(shù)學(xué)形態(tài)處理中重要的根底。對獲得的二值圖像進行再處理，方便了圖像的后續(xù)識別處理[13]。形態(tài)學(xué)運算主要以腐蝕、膨脹、細化、開運算和閉運算等等為主，綜合使用四種運算，即可提高圖像處理的準確精度，降低偽邊緣出現(xiàn)的概率。3.1形態(tài)學(xué)運算3.1.1二值腐蝕集合A被集合B腐蝕，表示為AB，其定義為AB={x：B+xA}〔3.1〕其中A稱為輸入圖像，B為結(jié)構(gòu)元素。由將B平移x仍包含在A內(nèi)的所有點x組成。如果將B看作模板，那么AB那么由在將模板平移的過程中，所有可以填入A內(nèi)部的模板的原點組成，如下圖。圖3-1腐蝕示意圖腐蝕運算的目的是消除物體邊界點，通過選取適宜的結(jié)構(gòu)元素，那么可以消除小且無意義的物體，減少噪聲的干擾。對于結(jié)構(gòu)元素的選取，結(jié)構(gòu)元素決定了形態(tài)學(xué)圖像形態(tài)分析的性能。形狀可分為對稱與不對稱，尺寸那么要符合R=〔r-1〕×k+1。R大結(jié)構(gòu)元素半徑，r小結(jié)構(gòu)元素半徑，k計算次數(shù)[14]。3.1.2二值膨脹膨脹是腐蝕運算的對偶運算，可以通過對補集的腐蝕來定義。我們以表示集合A的補集，表示B關(guān)于坐標原點的反射。那么集合A被集合B膨脹，其定義:AB=〔3.2〕腐蝕結(jié)果的補集，便是所求的結(jié)果，如圖一所示。圖3-2膨脹示意圖膨脹運算的作用是把圖像周圍的背景合并在物體中，假設(shè)兩個物體之間的距離比擬近，那么該運算可以使兩個物體聯(lián)通起來，除此之外，膨脹運算還能夠?qū)ξ矬w分割后有效的填補空洞[15]。3.1.3二值開運算在形態(tài)學(xué)圖像處理中，除了腐蝕和膨脹這兩種根本運算之外，還有兩種二次運算起著非常重要的作用，即開運算[16]及閉運算。從結(jié)構(gòu)元素填充的角度看，它具有更為直觀的幾何形式。假設(shè)A仍為輸入圖像，B為結(jié)構(gòu)元素，利用B對A作開運算，用符號AB表示，其定義為:〔3.3〕開運算實際上是A先被B腐蝕，然后再被B膨脹的結(jié)果。開運算可以消除小物體，平滑較大物體的邊界，最重要的是不改變物體的形狀[15]。圖3-3利用圓盤作開運算3.1.4二值閉運算閉運算[16]是開運算的對偶運算，定義為先作膨脹后作腐蝕。用符號A·B表示，其定義為:〔3.4〕閉運算是具有延伸性的運算。下列圖描述了閉運算的過程及結(jié)果。圖3-4利用圓盤作閉運算開運算與閉運算是一種對偶變換，開運算具有磨光圖像外邊界的作用，閉運算具有磨光圖像內(nèi)邊界的作用。這兩種運算所處理的信息分別與圖像的凹凸性相關(guān)，值得一提的是，他們是單邊算子。3.2形態(tài)學(xué)操作形態(tài)學(xué)操作一般包括骨架化操作，填充操作，邊界提取操作等。骨架化操作:針對一幅圖像，希望將圖像中所有的對象簡化成線條，但不修改圖像的根本結(jié)構(gòu)，保存圖像的根本輪廓，即骨架化操作。骨架化操作〔bwmorph〕就是將圖像細化的過程。填充操作〔imfill〕：一種根據(jù)像素邊界求取像素區(qū)域的操作，能夠有效的刪除人為留下的痕跡。邊界提取操作(bwperim)：獲得外部的輪廓特征，掏空內(nèi)部點，如果原圖有一點為黑，且它的8個相鄰點都是黑色時，那么該點刪除，相當于原圖像減去腐蝕圖像[15，17]。程序?qū)崿F(xiàn)：BW1=imread('C:\Users\asus\Desktop\設(shè)計\b.jpg');BW1=rgb2gray(BW1);BW1=im2bw(BW1);BW2=bwmorph(BW1,'skel',Inf);figure(1)imshow(BW1);title('原始圖像');figure(2)imshow(BW2);title('骨架提取后的圖像')***BW=im2bw(imread('coins.png'));figureimshow(BW);BW0=imfill(BW,'holes');%填洞操作figureimshow(BW0);BW1=bwperim(BW);figureimshow(BW1);title('邊緣提取')顯示結(jié)果如下列圖3-5〔a〕骨架化圖像〔b〕填充處理〔c〕邊界操作圖3-5骨架，填充，邊界操作3.3本章小結(jié)本章主要介紹了二值形態(tài)學(xué)的概念，二值形態(tài)學(xué)的根本運算方法〔二值腐蝕，二值膨脹，二值開運算，二值閉運算〕，二值形態(tài)學(xué)的操作處理〔骨架化操作，填充操作，邊界提取〕。通過本章的介紹，對于圖像的處理，經(jīng)過根本運算的結(jié)合，即可實現(xiàn)對圖像更精度的處理。第四章二值形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用4.1檢測思路對于一幅圖像，通常的邊緣檢測是依據(jù)微分算子進行卷積實現(xiàn)的，如Sobel，Canny算子。然而對于一個實際信號都是有噪聲的，基于微分邊緣檢測那么會引起假邊緣點，從而造成圖像的失真，提取的邊緣存在偽邊緣，平滑效果差，邊緣定位精度差。二值形態(tài)學(xué)的數(shù)學(xué)根底是集合論，具備完備的圖像數(shù)據(jù)。二值形態(tài)學(xué)就是利用灰度圖像和二值圖像之間的密切關(guān)系，從而簡化圖像數(shù)據(jù)，在保持圖像的根本形狀的特性同時可以去掉圖像中與研究無關(guān)的局部，完成對圖像的增強比照，噪聲消除，細化，骨架化，填充和邊緣提取操作，為形態(tài)學(xué)用于圖像邊緣檢測提供了根底。對于一般圖像，兩個灰度已足夠用于研究圖像的形狀。利用二值形態(tài)學(xué)進行邊緣檢測提取首先必須選取適宜的微分算子對圖像求取其梯度或二階偏導(dǎo)數(shù)的零點，初步檢測到邊界，即為接下來的形態(tài)學(xué)處理提供根底。結(jié)合第二章表一以及各種算子對目標圖像的處理的實現(xiàn)，Canny算子檢測效果最正確，即本文采取Canny算子進行初步的邊緣檢測。圖像通過一系列二值形態(tài)學(xué)運算處理后，對于圖像邊界可以采用4鄰接或8鄰接對圖像中的連通區(qū)域進行搜索，標定。4鄰接連通區(qū)域的概念是該區(qū)域中的每個象素，其上下左右的4個相鄰象素至少有一個像素仍然屬于該區(qū)域；8連接連通區(qū)域的定義是該區(qū)域的每個像素，其所有8個方向的8個相鄰中至少有一個像素仍然屬于該區(qū)域。以8鄰接連通域判據(jù)對圖像進行處理，可以將圖像劃分4鄰接判據(jù)數(shù)目少的連通區(qū)域[18]。4鄰接8鄰接4連通8連通查找連通域邊界，通俗講指一個點的8〔4〕鄰域中包含其不屬于區(qū)域的那些像素點的集合，通過獲取邊界上的所有點，最終取得二值圖像的邊界，即可實現(xiàn)對圖像邊界的二值提取。4.2邊緣檢測步驟利用灰度的梯度信息來實現(xiàn)圖像的分割，利用二值圖像，其信息量不僅大大減少，處理速度快，而且實用價值高。通過‘1’和‘0’那么可以檢測到邊界像素，即某一像素領(lǐng)域有一個或多個與該像素狀態(tài)相反。利用二值數(shù)學(xué)形態(tài)學(xué)的原理進行邊緣提取的方法分為以下三種[15]：首先，基于腐蝕的邊緣提取，即原圖像減去腐蝕后的圖像；其次，基于膨脹的邊緣提取，即膨；脹后的圖像減去原圖像；最后是基于形態(tài)學(xué)的邊緣提取，即膨脹后圖像減去腐蝕后圖像；本文所采取的的就是第三種，此方法相對前兩種，精確度更高一些。檢測步驟如下：〔1〕讀取圖像：處理圖像那么想要把圖像導(dǎo)入matlab中，利用imread指令讀??；對于圖像處理，暫時不考慮對彩色圖像的處理，即通過rgb2gray轉(zhuǎn)化成灰度圖像。利用Canny算子對目標圖像進行初步邊緣檢測處理。〔2〕選取結(jié)構(gòu)元素：結(jié)構(gòu)元素是腐蝕與膨脹操作最根本的組成局部，用于測試輸入圖像，一般比待處理的圖像小很多。利用strel創(chuàng)立結(jié)構(gòu)元素，即選擇與輸入圖像中要處理的對象大小和形狀相同的結(jié)構(gòu)元素。本文創(chuàng)立的是鉆石狀大小為R的結(jié)構(gòu)元素?！?〕去噪以及平滑操作：由灰度圖像轉(zhuǎn)化為二值圖像的過程中，可能會增加噪聲，導(dǎo)致偽邊緣的出現(xiàn)；一般采用腐蝕處理〔imerode〕和膨脹處理〔imdilate〕來去掉小成分，一般進行兩次來確保小成分的去除；閉合運算具有平滑邊界左右，填充小孔；隨后進行膨脹操作，填補細縫，再進行腐蝕操作?！?〕填充處理：假設(shè)還有圖像內(nèi)部還有孔隙，那么再進行填充操作〔imfill〕?！?〕獲取邊界：利用結(jié)構(gòu)元素進行平滑處理，連接鄰近物體，再利用二值圖像的連通性，從而查找出連通域邊界，獲取邊界上所有點，從而取得原圖像的邊界。4.3檢測的實現(xiàn)：clcI=imread('C:\Users\asus\Desktop\設(shè)計\e.jpg');BW=rgb2gray(I);figure(1),imshow(BW)%讀取圖像以及轉(zhuǎn)化成灰度圖像title('灰度圖像')BW1=edge(BW,'canny',(graythresh(BW)*.1));%選取灰度閥值，canny邊緣檢測figure(3),imshow(BW1)title('canny邊緣檢測')se=strel('diamond',1);%構(gòu)建大小為1的平米南鉆石形狀的結(jié)構(gòu)化元素BW1=imdilate(BW1,se);BW1=imdilate(BW1,se);%兩次膨脹，填補縫隙，減少噪聲以及偽邊緣figure(4),imshow(BW1)title('膨脹處理后圖像')BW2=imfill(BW1,'holes');figure(5),imshow(BW2)%填充圖像，刪除人為留下的痕跡title('填充處理后圖像')BW3=imerode(BW2,se);BW3=imerode(BW2,se);figure(6),imshow(BW3)%腐蝕操作，對圖像進行圓滑處理title('腐蝕處理后圖像')[B,L]=bwboundaries(BW3,'noholes');%尋找邊緣，不包括孔boundary=B{1};%獲取邊緣，1代表進行一次循環(huán)BW4=BW;BW4(:,:,1)=0;BW4(:,:,2)=0;BW4(:,:,3)=0;%背景的灰度化零，凸顯邊緣figure(7),imshow(BW4)%二值形態(tài)檢測邊緣，整個過程是描邊title('二值形態(tài)檢測邊緣處理圖像')holdonplot(boundary(:,2),boundary(:,1),'y');%畫出邊緣,y代表黃顏色holdofffigure(8),imshow(BW)title('檢測的邊緣與原圖像的比擬')holdonplot(boundary(:,2),boundary(:,1),'r');%檢測的邊緣與原圖像比擬holdoff利用matlab平臺，不斷調(diào)試，最終實現(xiàn)對圖像的邊界提取檢測，質(zhì)量更高，準確度更高。以下即調(diào)試的效果：如下列圖4-1所示〔a〕原圖像〔b〕Canny算子檢測圖像〔c〕膨脹操作〔d〕填充處理〔e〕腐蝕處理〔f〕邊界提取〔g〕邊緣與原圖像比擬圖4-1圖像的處理過程4.4實驗結(jié)果分析從仿真實驗結(jié)果來看，相比于之前單一的經(jīng)典算子，利用二值形態(tài)學(xué)對圖像進行邊緣檢測，圖像更加清晰，更容易獲取邊界區(qū)域，平滑邊緣，減少邊緣斷裂現(xiàn)象；同時還減少了運算的復(fù)雜度，即二值圖像只有‘0’和‘255’兩個灰度值，檢測速度會得到提升。但是也存在一些缺乏，對于圖像細膩的局部的邊界提取精度還達不到完美，比方這幅圖像，領(lǐng)帶局部噪聲比擬嚴重，邊緣檢測后局部邊緣沒有那么連續(xù)，導(dǎo)致填充不能完全填充，總體來說，利用二值形態(tài)學(xué)對圖像進行邊緣檢測是一個很不錯的選擇，今后的運用一定會在圖像處理、計算機視覺與模式識別等領(lǐng)域中得到廣泛的應(yīng)用，形成了一種新的圖像分析方法和理論，引起國內(nèi)外相關(guān)領(lǐng)域研究人員的廣泛關(guān)注。第五章前景與展望圖像邊緣檢測技術(shù)是圖像處理領(lǐng)域機器視覺研究的熱點，在圖像分割、機器視覺、模式識別、甚至醫(yī)學(xué)領(lǐng)域中都有著重要的應(yīng)用。二值形態(tài)學(xué)對于圖像的處理，直觀簡潔，適合圖像的各種識別處理操作，多種算法并行處理，圖像處理速度加快。對于圖像的處理，邊緣包含著圖像的眾多信息，邊緣檢測技術(shù)自然而然也就成為機器視覺領(lǐng)域的熱點課題。盡管國內(nèi)外學(xué)者不斷發(fā)表檢測成功，介于邊緣檢測自身的難度，并沒有一個最好的邊緣檢測標準，只能在一定的根底上不斷的完善邊緣檢測技術(shù)，使圖像的處理更加精確。而本文的二值形態(tài)學(xué)來檢測圖像邊緣，簡化了邊緣處理的復(fù)雜度，提高邊緣準確精度，是一種相比照擬完美的檢測技術(shù)，但依然存在與偽邊緣與失真，這是不可防止的。但是根據(jù)圖像邊緣檢測技術(shù)的開展看，有以下趨勢：〔1〕原有的邊緣檢測算子得到不斷的更新與完善，特殊圖像處理受到更多關(guān)注?！?〕新知識，新概念的引入以及多種圖像邊緣檢測算子的有效結(jié)合，本文就結(jié)合Canny算子以及二值形態(tài)學(xué)運算；〔3〕交互式，神經(jīng)網(wǎng)絡(luò)式等多種圖像邊緣檢測方法研究的不斷深入；〔4〕圖像邊緣檢測的算法方法的研究將越來越受到眾多領(lǐng)域的關(guān)注；致謝轉(zhuǎn)眼間，大學(xué)時代的帷幕就要落下，大學(xué)四年，有過激情，有過迷茫，還有過頹廢，但每一次跌倒，我都能堅強的站起來，這就是大學(xué)的魅力。在這即將惜別之際，首先要感謝指導(dǎo)我完本錢次畢業(yè)設(shè)計和論文的馬茜老師以及研究生楊松學(xué)長。在畢業(yè)設(shè)計的完成過程中，馬老師為我們傾注了大量的心血，她淵博的學(xué)識、嚴謹?shù)闹螌W(xué)態(tài)度和認真負責的工作作風(fēng)，讓我們受益匪淺，而且馬老師每天在畢業(yè)設(shè)計群里為我們答疑解難，讓我深深感動。除此之外，還要感謝這四年教過我們，幫助我們的老師，是你們讓我們一步一步地穩(wěn)固自己的專業(yè)知識，不斷在專業(yè)的道路上前進。還要感謝班主任魯老師這四年來的教誨，為了班級更好的進步，工作兢兢業(yè)業(yè)，不辭勞苦。我還要感謝自己同學(xué)，我們四年一起學(xué)習(xí)，一起探討，一起郊游，這些都將成為這四年中美好的記憶，這份純真的友誼必將會地久天長。某一天，我們必將會在某一領(lǐng)域上成為佼佼者，那時，我們一定會大聲的呼喚：湘大，我沒有給您丟臉。最后，我還要感謝我的家人，在我失意的時候，不斷地給我支持和鼓勵，讓我能在一次又一次的跌倒中勇往直前，不斷取得新的進步。湘大，你是我的驕傲，我一定會奮力前行！參考文獻[1]曾俊.圖像邊緣檢測技術(shù)及其應(yīng)用研究[D].華中科技大學(xué),2021年.[2]章毓晉.圖像處理和分析[M]．清華大學(xué)出版社,2004年．[3]郭津．機器視覺邊緣檢測技術(shù)及應(yīng)用研究[D].廣東工業(yè)大學(xué),2021年．[4]侯小麗.圖像邊緣檢測技術(shù)開展綜述[J].太原城市職業(yè)技術(shù)學(xué)院學(xué)報,2021年.[5]曲賀楠.基于手動模板的視頻序列幀輪廓及線描提取系統(tǒng)[D].合肥工業(yè)大學(xué),2021年.[6]張建榮.視頻圖像分割及背景提取算法研究[D].太原理工大學(xué),2021年.[7]黃玥.復(fù)雜背景下的灰度圖像分割算法研究[D].太原理工大學(xué),2021年.[8]沈陽.基于形態(tài)學(xué)的圖像邊緣檢測技術(shù)研究[D].電子科技大學(xué),2021年.[9]韋春桃.log算子進行邊緣檢測的研究[R].桂林工學(xué)院報告,1999年.[10]盧曉霞.基于圖像處理的混凝土裂縫寬度檢測技術(shù)的研究[D].電子科技大學(xué),2021年.[11]農(nóng)海嘯.基于MATLAB的數(shù)字圖像邊緣檢測算子的實驗比照研究[J].南寧師范高等專科學(xué)校學(xué)報,2021年第2期.[12]劉洪鳴.圖像邊緣檢測技術(shù)的研究與比擬[J].科技信息,2021年.[13]陳正慧.基于DSP的汽車牌照識別技術(shù)研究[D].貴州大學(xué),2021年.[14]朱士虎