武汉理工大学通信工程应用技术综合训练与实习资料.docx
《武汉理工大学通信工程应用技术综合训练与实习资料.docx》由会员分享，可在线阅读，更多相关《武汉理工大学通信工程应用技术综合训练与实习资料.docx（23页珍藏版）》请在冰豆网上搜索。
武汉理工大学通信工程应用技术综合训练与实习资料
实习执行大纲
一、实习目的
主要目的就是使学生更好地掌握专业课程群的综合原理、操作技能，形成基本的解决实践问题的知识体系，提高学生对现代通信系统的全面认识。
更进一步地，通过完成综合设计型和创新性实验及训练，让学生积极主动地利用课堂所学知识来解决实际问题，在实践中提高学生的主体地位，激发学生自觉学习的积极性和自觉获取新的知识能力。
培养学生的创新精神和创新能力，培养学生的专业综合技能，同时也为专业的发展添加特色。
二、实习纪律与要求
1、实习纪律
1）参加实习的学生必须按照实习大纲的要求，在指导教师的指导下，全面完成实习任务；
2）听从指导教师安排，严格遵守实习纪律；
3）因故在实习期间缺勤累计超过规定时间的三分之一，不得参加本次实习考核，但可在补足所缺天数后再给予考核并评定实习成绩。
2、基本要求
1）实习内容及题目由指导教师提供；
2）要求每个学生单独完成硬件软件设计、仿真任务；
3）写出实习报告，实习报告主要包括以下内容：
目录、摘要、关键词、基本原理、方案论证、硬件设计、软件设计（带流程图、程序清单）、仿真结果、实物运行结果照片、结论、参考文献等；
4）实习完成后通过答辩；
5）答辩时交实习报告电子文档，通过答辩后根据修改意见修改并打印、装订成册。
三、实习地点
武汉理工大学信息工程学院通信实验室（鉴主15楼）。
四、实习时间
2014年1月12日---2015年1月25日。
五、实习内容
机器视觉
对机器视觉系统中的底层技术——边缘检测和轮廓提取算法进行设计和实验。
要求：
针对一幅图像，利用边缘检测算子（如Robert算子、Sobel算子、Prewitt算子、Laplace算子、Kirsch算子和Marr算子）检测出图像的边缘，然后采取轮廓提取算法得到封闭的二值图像轮廓
六、实习具体安排
序
号
阶段内容
所需时间
1
方案设计
2天
2
硬件设计
1天
3
软件设计
5天
4
系统仿真
5天
5
答辩
1天
合计
14天
七、实习考核
学生必须按照实习大纲的要求完成实习的全部内容，并提交实习报告。
指导教师应对学生进行实习考核并评定实习成绩。
实习成绩评定按优、良、中、及格和不及格五级分制。
1、对报告的要求
实习报告要求逻辑清晰、层次分明、书写整洁。
报告包括标题（中英文）、提要、正文（包括①项目要求与说明；②软件流程分析；③调试分析；④实验数据分析；⑤答辩；⑥成绩评定）、附录（图纸.程序清单或软盘）。
实习要求须每人一份，独立完成。
2、对图纸的要求
图纸要求准确全面并与任务要求完成的内容一致。
3、评分标准
1．紧扣题目、目的明确（10分）
2．方案正确，具有可行性、创新性（20分）
3．结果（如：
硬件成果、软件程序、仿真结果）（20分）
4．态度认真、学习刻苦、遵守纪律（15分）
5．报告的规范化、参考文献充分（不少于5篇）（10分）
6．答辩（25分）
总分（100分）
备注：
成绩等级：
优（90分—100分）、良（80分—89分）、中（70分—79分）、及格（60分—69分）、60分以下为不及格。
概况
实习单位：
武汉理工大学信息工程学院
参观考察单位：
（1）武汉理工大学信息工程学院国创课题小组
（2）武汉理工大学信息工程学院开放实验室
（3）武汉理工大学电工电子实习中心
（4）
（5）
（6）
实习开始时间：
2015年1月12日，实习时间共14天。
完成实习报告时间：
2015年1月25日。
实习报告
目录
摘要I
AbstractII
1绪论1
1.1课程设计选题的意义和背景1
1.2图像边缘检测算法的研究内容1
1.3图像边缘检测算法的发展前景2
2边缘检测的原理分析3
2.1边缘检测简介3
2.2边缘检测与提取过程3
3边缘检测算子5
3.1Roberts算子5
3.2Sobel算子6
3.3Prewitt算子6
3.4Laplacian算子7
3.5Kirsch算子7
3.6Log（Marr）算子8
3.7Canny算子10
4Matlab边缘检测函数简介11
5轮廓提取仿真与分析13
6小结体会16
参考文献17
附录18
摘要
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。
图像属性中的显著变化通常反映了属性的重要事件和变化。
这些包括：
深度上的不连续，表面方向不连续，物质属性变化和场景照明变化。
边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。
有许多方法用于边缘检测，它们的绝大部分可以划分为两类：
基于查找一类和基于零穿越的一类。
基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。
基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。
关键词：
图像分割边缘检测轮廓提取
Abstract
Edgedetectioninimageprocessingandcomputervisionisthebasicproblem,edgedetectionistoidentifythepurposeofthedigitalimagebrightnessvariationsobviouspoint.Imageattributesignificantchangesusuallyreflectimportanteventsandchangesinproperties.Theseinclude:
thedepthdiscontinuity,adiscontinuoussurfacedirection,changesinmaterialpropertiesandchangesinsceneillumination.Edgedetectionisimageprocessingandcomputervision,particularlyinafieldoffeatureextraction.Edgedetectiongreatlyreducestheamountofdata,andthatitdoesnotexcludetherelevantinformation,theimageretainstheimportantstructuralproperties.
Therearemanymethodsforedgedetection,mostofthemcanbedividedintotwocategories:
Findaclassandaclass-basedzero-crossing.Findingamethodforimage-basedbythefirstderivativeofthemaximumandminimumvaluetodetectboundary,theboundaryistypicallypositionedinthedirectionofthelargestgradient.Basedonthezerocrossingofthesecondderivativeoftheimagebylookingtofindazerocrossingborders,usuallyzerocrossingsornon-lineardifferentialLaplacianrepresentedbyzerocrossings.
Keywords:
ImagesegmentationEdgeDetectionContourextraction
1绪论
1.1课程设计选题的意义和背景
数字图像边缘检测技术起源于20世纪20年代，当时受条件的限制一直没有取得较大进展，直到20世纪60年代后期电子技术、计算机技术有了相当的发展，数字图像边缘检测处理技术才开始进入了高速发展时期。
经过几十年的发展，数字图像边缘检测处理技术目前己经广泛应用于工业、微生物领域、医学、航空航天以及国防等许多重要领域，多年来一直得到世界各科技强国的广泛关注。
数字图像边缘检测处理技术在最近的10年发展尤为迅速，每年均有数以百计的新算法诞生，其中包括canny算法、小波变换等多种有相当影响的算法，这些算法在设计时大量运用数学、数字信号处理、信息论以及色度学的有关知识，而且不少新算法还充分吸取了神经网络、遗传算法、人工智能以及模糊逻辑等相关理论的一些思想，开阔了进行数字图像边缘检测处理的设计思路。
近年来，图像分析和处理紧紧围绕理论、实现、应用三方面迅速发展起来。
它以众多的学科领域为理论基础，其成果又渗透到众多的学科中，成为理论实践并重，在高新技术领域中占有重要地位的新兴学科分支。
1.2图像边缘检测算法的研究内容
图像边缘检测和分析可定义为应用一系列方法获取、校正、增强、变换、检测或压缩可视图像的技术。
其目的是提高信息的相对质量，以便提取有用信息。
图像边缘检测中的变换属于图像输入-图像输出模式，图像边缘检测是一种超越具体应用的过程，任何为解决某一特殊问题而开发的图像边缘检测新技术或新方法，几乎肯定都能找到其他完全不同的应用领域。
图像边缘检测的主要研究内容包括：
（1）图像获得和抽样，其中通过人眼观察的视野获取图像的问题有：
最常用的图像获取装置——电视（TV）摄像机问题，对所获得信号进行独立的采样和数字化就可用数字形式表达景物中全部彩色内容。
（2）图像分割和边界查索，目的是把一个图像分解成它的构成成分，以便对每一目标进行测量，通常是作为图像分割的一个预处理步骤。
大多数图像边缘检测技术应用某种形式的梯度算子，可应用对水平方向、垂直方向或对角线方向的梯度敏感的梯度算子，用它们的复合结果可检测任意方向的边界。
（3）图像增强和复原，用于改进图像的质量。
不同的增强技术可以用于不同的目的，这取决于应用的类型。
如果打算直接观察图像，可以增强对比度。
如果是为了进一步对图像作数字处理，可以选择分割（一种突出各图像成分之间的边界和线状结构的运算）。
（4）图像变换：
由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。
因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理。
1.3图像边缘检测算法的发展前景
自从计算机问世以来，数字图像边缘检测和分析的方法不断发展，与早期相比已不可同日而语。
首先计算机在运算速度和存储能力两方面明显增加。
千兆字节磁盘的问世使早期计算机认为复杂的难以实现的方法重显生机，并可付诸应用。
在开发TV摄像机和CCD传感器等方面也取得很大的进展，现代的传感器其空间分辨力和强度分辨力比早期系统有很大提高。
随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像边缘检测向更高、更深层次发展。
人们已开始研究如何用计算机系统解释图像，实现类似人类视觉系统理解外部世界，这被称为图像理解或计算机视觉。
很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少重要的研究成果。
其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论，这个理论成为计算机视觉领域其后十多年的主导思想。
图像理解虽然在理论方法研究上已取得不小的进展，但它本身是一个比较难的研究领域，存在不少困难，因人类本身对自己的视觉过程还了解甚少，因此计算机视觉是一个有待人们进一步探索的新领域。
2边缘检测的原理分析
2.1边缘检测简介
物体的边缘是以图像局部的不连续性的形式出现的，例如，灰度值的突变，颜色的突变，纹理结构的突变等。
从本质上说，边缘常常意味着一个区域的终结和另一个区域的开始。
图像边缘信息在图像分布和人的视觉中都是十分重要的，是图像识别中提取图像特征的一个重要属性。
在通常情况下，我们可以将信号中的奇异点和突变点认为是图像中的边缘点，其附近灰度的变化情况可从它相邻像素灰度分布的梯度来反映。
根据这一特点，提出了多种边缘检测算子：
如Robert算子、Sobel算子、Prewitt算子、Laplacian算子、Canny算子等。
这些方法多是以待处理像素为中心的邻域作为进行灰度分析的基础，实现对图像边缘的提取并已经取得了较好的处理效果。
图像的边缘是待识别类型之间的界线，它是指图像中像素单元灰度有阶跃变化或屋顶状变化的那些像素单元的集合。
边缘检测在图像分割、纹理特征提取、形状特征提取和图像识别等方面起着重要的作用。
图像边缘对图像识别和计算机分析十分有用。
边缘能勾划出目标物体，使观察者一目了然;边缘蕴含了丰富的内在信息，是图像识别中抽取图像特征的重要属性。
2.2边缘检测与提取过程
边缘是图像最基本的特征，所谓边缘就是指周围灰度强度有反差变化的那些像素的集合，是图像分割所依赖的重要基础，也是纹理分析和图像识别的重要基础。
理想的边缘检测应当正确解决边缘的有无、真假、和定向定位，长期以来，人们一直关心这一问题的研究，除了常用的局部算子及以后在此基础上发展起来的种种改进方法外，又提出了许多新的技术。
要做好边缘检测初步准备条件如下：
第一，清楚待检测的图像特性变化的形式，从而使用适应这种变化的检测方法。
第二，要知道特性变化总是发生在一定的空间范围内，不能期望用一种检测算子就能最佳检测出发生在图像上的所有特性变化。
当需要提取多空间范围内的变化特性时，要考虑多算子的综合应用。
第三，要考虑噪声的影响，其中一个办法就是滤除噪声，这有一定的局限性;再就是考虑信号加噪声的条件检测，利用统计信号分析，或通过对图像区域的建模，而进一步使检测参数化。
第四，可以考虑各种方法的组合，如先找出边缘，然后在其局部利用函数近似，通过内插等获得高精度定位。
第五，在正确检测边缘的基础上，要考虑精确定位的问题。
经典的边缘检测方法得到的往往是断续的、不完整的结构信息，噪声也较为敏感，为了有效抑制噪声，一般都首先对原图像进行平滑，再进行边缘检测就能成功地检测到真正的边缘。
在信号处理的角度来看，也可以说是用高通滤波器，即保留高频信号。
用于图像识别的边缘提取往往需要输出的边缘是二值图像，即只有黑白两个灰度的图像，其中一个灰度代表边缘，另一个代表背景。
此外，还需要把边缘细化成只有一个像素的宽度。
图像边缘检测的基本步骤：
（1）滤波：
边缘检测主要基于导数计算，但受噪声影响。
但滤波器在降低噪声的同时也导致边缘强度的损失。
（2）增强：
增强算法将邻域中灰度有显著变化的点突出显示。
一般通过计算梯度幅值完成。
（3）检测：
但在有些图像中梯度幅值较大的并不是边缘点。
最简单的边缘检测是梯度幅值阈值判定。
（4）定位：
精确确定边缘的位置。
3边缘检测算子
边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。
我们将边缘定义为图像中灰度发生急剧变化的区域边界。
图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。
经典的边界提取技术大都基于微分运算。
首先通过平滑来滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值来提取边界。
3.1Reberts算子
Roberts检测器是数字图像处理中最古老的边缘检测器之一，它也是最简单的一种边缘检测器。
因为它具有一些功能上的限制，所以这种检测器的使用明显少于其他几种然而它还是经常用于硬件实现中，因为它既简单又快速。
Reberts算子是一种利用局部差分来寻找边缘的算子，Roberts梯度算子所采用的是对角方向相邻两像素值之差，算子形式如下：
（3-1）
（3-2）
（3-3）
Roberts梯度算子对应的卷积模版为：
（3-4）
用以上两个卷积算子与图像运算后，可求出图像的梯度幅值G（x,y），然后选择适当的阈值τ,若G（x,y）>τ，则（i,j）为边缘点，否则，判断（i,j）为非边缘点。
由此得到一个二值图像{g（i,j）}，即边缘图像。
Roberts算子采用的是用对角线方向上相邻两像素的差近似梯度幅值来检测边缘，它的定位精度高，对于水平和垂直方向的边缘，检测效果较好，而对于有一定倾角的斜边缘，检测效果则不理想，存在着许多的漏检。
另外，在含噪声的情况下，Roberts算子不能有效的抑制噪声，容易产生一些伪边缘。
因此，该算子适合于对低噪声且具有陡峭边缘的图像提取边缘。
3.2Sobel算子
Sobel算子在边缘检测算子扩大了其模版，在边缘检测的同时尽量削弱了噪声。
其模版大小为3×3，其将方向差分运算与局部加权平均相结合来提取边缘。
在求取图像梯度之前，先进行加权平均，然后进行未分，加强了对噪声的一致。
Sobel算子所对应的卷积模版为：
（3-5）
图像中的每个像素点和以上水平和垂直两个卷积算子做卷积运算后，再计算得到梯度幅值G（x,y），然后选取适当的阈值τ，若G（x,y）>τ，则（i,j）为边缘点，否则，判断（i,j）为非边缘点。
由此得到一个二值图像{g（i,j）}，即边缘图像。
Sobel算子在空间上比较容易实现，不但产生较好的边缘检测效果，同时，由于其引入了局部平均，使其受噪声的影响也较小。
若使用较大的邻域，抗噪性会更好，但也增加了计算量，并且得到的边缘比较粗。
在对精度要求不是很高的场合下，Sobel算子是一种较为常用的边缘检测算法。
Sobel算子认为邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。
一般来说，距离越大，产生的影响越小。
3.3Prewitt算子
同Sobel算子相似，Prewitt算子也是一种将方向的差分运算和局部平均相结合的方法，也是取水平和垂直两个卷积核来分别对图像中各个像素点做卷积运算，所不同的是，Sobel算子是先做加权平均然后再微分，Prewitt算子是先平均后求微分，其对应的卷积模版为：
（3-6）
图像中的每个像素点和以上水平和垂直两个卷积算子做卷积运算后，再计算得到梯度幅值
，然后选取适当的阈值
，若
，则（i,j）为边缘点，否则，判断（i,j）为非边缘点。
由此得到一个二值图像{g（i,j）}，即边缘图像。
Prewitt算子在一个方向求微分，而在另一个方向求平均，因而对噪声相对不敏感，有抑制噪声作用。
但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。
3.4Laplacian算子
拉普拉斯算子一种二阶边缘检测算子，它是一个线性的、移不变算子。
是对二维函数进行运算的二阶导数算子，对一个连续函数f（x,y）它在图像中的位置（x,y）,拉普拉斯值定义为：
（3-7）
二维函数进行运算的二阶导数算子，对一个连续函数f（x,y）它在图像中的位置（x,y）,拉普拉斯值定义为：
Laplacian算子利用二阶导数信息，具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。
使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘。
其4邻域系统和8邻域系统的Laplacian算子的模板如下所示。
图3-1Laplacian边缘算子
Laplacian算子对噪声比较敏感，Laplacian算子有一个缺点是它对图像中的某些边缘产生双重响应。
所以图像一般先经过平滑处理，通常把Laplacian算子和平滑算子结合起来生成一个新的模板。
3.5Kirsch算子
Kirsch算子是一种3×3的非线性方向算子。
其基本思想是希望改进取平均值的过程，从而尽量使边缘两侧的像素各自与自己同类的像素取平均值，然后再求平均值之差，来减小由于取平均值所造成的边缘细节丢失。
通常采用八方向Kirsch模板的方法进行检测，取其中最大的值作为边缘强度，而将与之对应的方向作为边缘方向。
常用的八方向Kirsch模板如下所示：
图3-2Kirsch边缘算子
实际的应用中，通常都是利用简单的卷积核来计算方向差分的，不同的算子对应着不同的卷积核。
它们在图像的像素点上所产生的两个方向的偏导数用均方值或者绝对值求和的形式来近似代替梯度幅值，然后选取一个合适的阈值，用所得到的梯度幅值和所设定的阈值进行比较来判断边缘点。
若大于所取的阈值，则判断为边缘点；否则，判断为非边缘点。
很显然，在提取边缘的过程中，阈值的选取特别重要，尤其在含噪图像中，阈值的选择要折衷考虑噪声造成的伪边缘和有效边缘的丢失。
3.6Log（Marr）算子
现在介绍一种利用图像强度二阶导数的零交叉点来求边缘点的算法对噪声十分敏感，所以在边缘增强前滤除噪声。
为此，马尔（Marr）和希尔得勒斯（Hildreth）根据人类视觉特性提出了一种边缘检测的方法，该方法将高斯滤波和拉普拉斯检测算子结合在一起进行边缘检测的方法，故称为Log（LaplacianofGassian）算法。
也称之为拉普拉斯高斯算法。
该算法·的主要思路和步骤如下：
（1）
滤波：
首先对图像f（x,y）进行平滑滤波，其滤波函数根据人类视觉特性选为高斯函数，即：
其中，G（x，y）是一个圆对称函数，其平滑的作用是可通过
来控制的。
将图像
与
进行卷积，可以得到一个平滑的图像，即：
（3-9）
（2）增强：
对平滑图像
进行拉普拉斯运算，即：
（3-10）
（3）检测：
边缘检测判据是二阶导数的零交叉点（即
的点）并对应一阶导数的较大峰值。
这种方法的特点是图像首先与高斯滤波器进行卷积，这样既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。
但是由于平滑会造成图像边缘的延伸，因此边缘检测器只考虑那些具有局部梯度最大值的点为边缘点。
这一点可以用二阶导数的零交叉点来实现。
拉普拉斯函数用二维二阶导数的近似，是因为它是一种无方向算子。
在实际应用中为了避免检测出非显著边缘，应选择一阶导数大于某一阈值的零交叉点作为边缘点。
由于对平滑图像
进行拉普拉斯运算可等效为
的拉普拉斯运算与
的卷积，故上式变为：
=
（3-11）
式中
称为LOG滤波器，其为：
这样就有两种方法求图像边缘：
①先求图像与高斯滤波器的卷积，再求卷积的拉普拉斯的变换，然后再进行过零判断。
②求高斯滤波器的拉普拉斯的变换，再求与图像的卷积，然后再进行过零判断。
拉普拉斯算子对图像中的嗓声相当敏感。
而且它常产生双像素宽的边缘，也不能提供边缘方向的信息。
高斯-拉普拉斯算子是效果较好的边沿检测器，常用的5×5模板的高斯--拉普拉斯算子如图3-3所示：
0
0
-1
0
0
-1
-2
0
-1
-2
16
-1
0
-1
-2
0
0
0
-1
0
-2
-4
-4
升级会员 