基于边缘检测的图像分割算法研究及其应用Word格式文档下载.docx
《基于边缘检测的图像分割算法研究及其应用Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《基于边缘检测的图像分割算法研究及其应用Word格式文档下载.docx(26页珍藏版)》请在冰豆网上搜索。
Keywords:
Imagesegmentation;
edgedetection;
imageprocessing;
detectionoperator
摘要II
ABSTRACTII
1绪论1
1.1基于边缘检测的图像分割算法的背景和意义1
1.2基于边缘检测的图像分割算法的主要内容1
1.3本论文的结构安排2
2图像分割以及边缘检测算法的分析3
2.1图像分割3
2.1.1概述3
2.2边缘检测………………………………………………………………4
2.2.1图像边缘........................................................................................5
2.2.2几种边缘检测算子........................................................................7
3基于边缘检测的图像分割算法的应用……………………………….....17
3.1CANNY算子的应用17
结果比较.........................................................................................................18
结论18
后摘要19
致谢19
参考文献20
附件21
1绪论
1.1基于边缘检测的图像分割算法的背景和意义
图像分割时一种重要的图像分析技术。
在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣,这些部分称为目标或者前景(其他部分称为背景),他们一般对应图像中特定的、具有独特性质的区域。
这里的独特性可以是像素的灰度值、物体轮廓曲线、颜色、纹理等。
为了识别和分析图像中的目标,需要将它们从图像中分离提取出来,在此基础上才有可能进一步对目标进行测量和对图像进行利用。
因此图像分割就是指把图像分成各具特性的区域并提出感兴趣目标的技术和过程。
图像分割的方法已有上千种,每年还有许多新方法出现,虽因尚无通用的分割理论,目前提出的分割算法大都是针对具体问题的,但是对于图像分割的一般性规律则基本上已经达成了共识。
而基于边缘检测的图像分割是模仿人类视觉的过程而进行图像处理的。
对于人类视觉系统认识目标的过程分为两步:
首先,把图象边缘与背景分离出来;
然后,才能知觉到图象的细节,辨认出图象的轮廓。
因此在检测物体边缘时,先对其轮廓点进行粗略检测,然后通过链接规则把原来检测到的轮廓点连接起来,同时也检测和连接遗漏的边界点及去除虚假的边界点。
图象的边缘是图象的重要特征,是计算机视觉、模式识别等的基础,因此边缘检测是图象处理中一个重要的环节。
然而,边缘检测又是图象处理中的一个难题,由于实际景物图象的边缘往往是各种类型的边缘及它们模糊化后结果的组合,且实际图象信号存在着噪声。
噪声和边缘都属于高频信号,很难用频带做取舍。
1.2本论文的主要内容
一、对Prewitt算子、Sobel算子、高斯-拉普拉斯(LOG)算子、Wallis算子、Canny边缘检测方法、SUSAN(SmallestUnivalueSegmentAssimilatingNucleus)边缘检测等进行算法分析。
二、利用上述算法,找出其中较好的一种检测方法用于图像分割。
三、用到一类图像中并完成实验。
1.3本论文的结构安排
2图像分割以及边缘检测算法的分析
2.1图像分割
2.1.1概述
在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣。
这些部
分常称为目标或对象,它们一般对应图像中特定的、具有独特性质的区域。
图像处理的重要任务就是对图像中的对象进行分析和理解。
前面介绍的图像处理着重强调在图像之间进行变换以改善图像的视觉效果;
图像分析则主要是对图像中感兴趣的目标进行检测和测量,以获得它们的客观信息从而建立对图像的描述;
图像理解的重点是在图像分析的基础上,进一步研究图像中各目标的性质和它们之间的相互联系,并得出对原始客观场景的解释,从而指导和规划行动。
图像分析的大致步骤为:
①把图像分割成不同的区域或把不同的对象分开;
②找出分开的各区域的特征;
③识别图像中要找的对象或对图像分类;
④对不同区域进行描述或寻找出不同区域的相互联系,进而找出相似结构或
将相关区域连成一个有意义的结构。
这里的区域指相互连通的、有一致属性的像元的集合.它是一个方便的、很
好的图像中层描述符号,是对图像模型化和进行高层理解的基础。
为了辨识和分析目标,需要将它们分离提取出来,在此基础上才有可能对目标进一步利用。
图像分割就是指把图像分成互不重叠的区域并提取出感兴趣目标的技术和过程。
图像分割是由图像处理进到图像分析的关键步骤。
一方面,它是目标表达的基础,对特征测量有重要的影响。
另一方面,因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式,使得更高层的图像分析和理解成为可能。
多年来人们对图像分割提出了不同的解释和表述,这里借助集合概念,给出
图像分割比较正式的定义。
令集合R代表整个图像区域,对R的分割可看作将R分成N个满足以下五个条件
的非空子集(子区域)R1,R2,…,RN:
①;
②对所有的i和j,i≠j,有Ri∩Rj=φ;
③对i=1,2,…,N,有P(Ri)=TRUE;
④对i≠j,有P(Ri∪Rj)=FALSE;
⑤对i=1,2,…,N,Ri是连通的区域。
其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,φ代表空集。
条件①指出在对一幅图像的分割结果中全部子区域的总和(并集)应能包括图
像中所有像素(就是原图像);
条件②指出在分割结果中各个子区域是互不重叠的,或者说在分割结果中一个像素不能同时属于两个区域;
条件③指出属于同一个区域中的像素应该具有某些相同特性;
条件④指出在分割结果中属于不同区域的像素应该具有一些不同的特性;
条件⑤要求分割结果中同一个子区域内的任两个像素在该子区域内互相连通,或者说分割得到的区域是一个连通组元。
为有效地分割各种各样的图像,人们已经提出了很多分割方法。
按分割途径分为:
1)基于边缘提取的分割法先提取区域边界,再确定边界限定的区域。
2)区域分割从图像出发,按“有意义”的属性一致的原则,确定每个像元
的归属区域,形成一个区域图。
3)区域增长从像元出发,按“有意义”的属性一致的原则,将属性接近的
连通像元聚集成区域。
4)分裂—合并法综合利用上述2)、3)两种方法,既存在图像的划分,又
有像元的合并。
至今,图像区域分割已有了很长的研究历史,针对各种具体图像建立了许多
算法,但尚无统一的理论。
为了寻求更好的分割方法,今后主要的研究方向是1)提取有效的属性;
2)寻求更好的分割途径和分割质量评价体系;
3)分割自动化。
本文主要对边缘检测进行分析。
2.2边缘检测
在一副视觉图像中,往往有很多条图像边缘,可以说图像边缘是图像的主要特征信息。
图像中的边缘对分析视觉图像特别重要,是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。
2.2.1图像边缘
边缘是指图像中像元灰度有阶跃变化或屋顶状变化的那些像元的集合。
它存
在于目标与背景、目标与目标、区域与区域、基元与基元之间。
它对图像识别和分析十分有用,边缘能勾划出目标物体轮廓,使观察者一目了然,包含了丰实的信息(如方向、阶跃性质、形状等),是图像识别中抽取的重要属性。
边缘粗略分为阶跃状和屋顶状两种。
阶跃状边缘位于两边的像素灰度值有明
显不同的地方;
屋顶状边缘位于灰度值从增加到减少的转折处。
下图(a)中OIJ图像平面上PP′是阶跃状边缘,PP′上每个像素均是阶跃边缘
点图(b)中QQ′是屋顶状边缘,位于图像平面OIJ上边缘QQ′的每个像素称为屋顶状边缘点。
图
(1)a阶跃状边缘b屋顶状边缘
考察过P'
'
Q'
与PP′和QQ′分别正交的截面,阶跃边缘和屋顶状边缘分别为一维阶跃函数和正态状函数,如上图(c)、(d)所示。
P'
和Q'
是相应的边缘点。
设阶跃状边缘点P'
左右灰度变化曲线为y=fE(x),屋顶状边缘点Q'
左右灰度变化曲线为y=fR(x)。
fE(x)和fR(x)的一阶、二阶导数分别如上图的(e),(f)和(g),(h)所示。
对于阶跃状边缘点P'
灰度变化曲线y=fE(x)的一阶导函数在P'
点达到极值,二阶导函数在P'
近旁呈零交叉。
对于屋顶状边缘点Q'
,灰度变化曲线y=fR(x)的一阶导函数在Q'
点近旁呈零交叉,二阶导函数在Q'
点达到极值。
利用边缘灰度变化的一阶或二阶导