边缘特征点提取
这个是主程序:界面和代这
using System;
using System.Collections.Generic;using https://www.doczj.com/doc/845780906.html,ponentModel;using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Windows.Forms;using System.IO;
namespace 这这这这这影量作1
{
public partial class Form1 : Form
{
public Form1()
{
InitializeComponent();
}
private string curFileName;
private System.Drawing.Bitmap curBitmap;
int a =0;
int b =0;
int n = 0;
int count = 0;
private void button2_Click(object sender, EventArgs e)
{
OpenFileDialog of = new OpenFileDialog();
of.Filter = "JPG这像(*.jpg)|*.jpg|BMP这像(*.bmp)|*.bmp|所有文件(*.*)|*.*";
of.Title = "打文件这这这";
of.ShowDialog();
curFileName = of.FileName;
try
{
curBitmap = (Bitmap)Image.FromFile(curFileName);
}
catch(Exception ex)
{
MessageBox.Show("出这!" + ex.Message);
}
pictureBox1.Image = Image.FromFile(curFileName );
}
private void button1_Click(object sender, EventArgs e)
{
button4.Visible = true;
int i,j,k,m;
double V1 = 0, V2 = 0,V3 =0, V4 = 0;
double [,]V= new double [curBitmap.Width, curBitmap.Height];
double [,] VV = new double[curBitmap.Width, curBitmap.Height];
int [,] Gray = new int[curBitmap.Width, curBitmap.Height];
for (i=0;i for (j = 0; j < curBitmap.Height; j++) { Color pixelColor = this.curBitmap.GetPixel(i,j); Gray[i, j] = (int )(pixelColor.R * 0.299 + pixelColor.G * 0.587 + pixelColor.B * 0.114);//灰度算公式这这这这 } for (i=2;i for (j = 2; j < curBitmap.Height-2; j++) { for (k = -2; k < 2; k++) { V1 += (Gray[i + k, j] - Gray[i + k + 1, j]) * (Gray[i + k, j] - Gray[i + k + 1, j]); V2 += (Gray[i + k, j + k] - Gray[i + k + 1, j + k + 1]) * (Gray[i + k, j + k] - Gray[i + k + 1, j + k + 1]); V3 += (Gray[i, j + k] - Gray[i, j + k + 1]) * (Gray[i, j + k] - Gray[i, j + k + 1]); V4 += (Gray[i - k, j + k] - Gray[i - k - 1, j + k + 1]) * (Gray[i - k, j + k] - Gray[i - k - 1, j + k + 1]); } V[i, j] = MaxMin.MyMin(V1, V2, V3, V4); V1 = 0; V2 = 0; V3 = 0; V4 = 0; } for (i = 2; i < curBitmap.Width - 2; i++) for (j = 2; j < curBitmap.Height - 2; j++) { try { if (V[i, j] >= Convert.ToDouble(textBox1.Text)) { VV[i, j] = 1; } else { VV[i, j] = 0; } } catch (Exception ex) { MessageBox.Show("这这这这这入出:"+ex.Message); } } int WindowsScal=comboBox1.SelectedIndex; if (WindowsScal == 0) WindowsScal = 2; else if (WindowsScal == 1) WindowsScal = 3; else if (WindowsScal == 2) WindowsScal = 4; else MessageBox.Show("这这这特征点窗口模板大小"); m = WindowsScal * 2 + 1; double temp; int wsi=WindowsScal; int wsj=WindowsScal; int[] Record = new int[curBitmap.Width * curBitmap.Height ]; bool bol = true; do { temp = 0; for (i = wsi; i < wsi + m; i++) { for (j = wsj; j < wsj + m; j++) { if (VV[i, j] == 1) { if (temp < V[i, j]) { temp = V[i, j]; a = i; b = j; } } else { a = 0; b = 0; } } } Record[n++] = a; Record[n++] = b; a = 0; b = 0; if(curBitmap .Width - (wsi + m) { wsj+=m; wsi = WindowsScal; } else if (curBitmap.Height - (wsj + m) { bol = false; } else { wsi += m; } } while (bol); for (i = 0; i < n; i = i + 2) { if (Record[i] != 0 && Record[i + 1] != 0) { count ++; DrawCircle.circle(Record[i], Record[i + 1],pictureBox1); richTextBox1.Text = richTextBox1.Text + '\n' + " " +Record[i] + " " + Record[i + 1] +" " +Gray[Record[i], Record[i + 1]]+" "+V[Record[i], Record[i + 1]]; } } label3.Text = count.ToString()+"个"; pictureBox1.Refresh(); MessageBox.Show("这理完成:"); } private void button3_Click(object sender, EventArgs e) { SaveFileDialog sf = new SaveFileDialog(); sf.Filter = "特征点数据|*.dat"; sf.FileName = "特征点数据"; sf.ShowDialog(); FileStream fs = new FileStream(sf.FileName , FileMode.Append); StreamWriter sw = new StreamWriter(fs, Encoding.Default); sw.Write(richTextBox1.Text); sw.Close(); fs.Close(); } private void button4_Click(object sender, EventArgs e) { string str; if (pictureBox1.Image != null) { Bitmap box1 = new Bitmap(pictureBox1.Image); SaveFileDialog sv = new SaveFileDialog(); sv.Filter = "jpg文件|*.jpg"; sv.ShowDialog(); str = sv.FileName; box1.Save(str); } else { MessageBox.Show("没有片:这这这"); } } } } //////////////////////////////////////////////////////////////////// ////////////////////////////////// 下面是各这这这:第一个是比大小这这这 using System; using System.Collections.Generic; using https://www.doczj.com/doc/845780906.html,ponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Windows.Forms; using System.IO; namespace 这这这这这影量作1 { public partial class Form1 : Form { public Form1() { InitializeComponent(); } private string curFileName; private System.Drawing.Bitmap curBitmap; int a =0; int b =0; int n = 0; int count = 0; private void button2_Click(object sender, EventArgs e) { OpenFileDialog of = new OpenFileDialog(); of.Filter = "JPG这像(*.jpg)|*.jpg|BMP这像(*.bmp)|*.bmp|所有文件(*.*)|*.*"; of.Title = "打文件这这这"; of.ShowDialog(); curFileName = of.FileName; try { curBitmap = (Bitmap)Image.FromFile(curFileName); } catch(Exception ex) { MessageBox.Show("出这!" + ex.Message); } pictureBox1.Image = Image.FromFile(curFileName ); } private void button1_Click(object sender, EventArgs e) { button4.Visible = true; int i,j,k,m; double V1 = 0, V2 = 0,V3 =0, V4 = 0; double [,]V= new double [curBitmap.Width, curBitmap.Height]; double [,] VV = new double[curBitmap.Width, curBitmap.Height]; int [,] Gray = new int[curBitmap.Width, curBitmap.Height]; for (i=0;i for (j = 0; j < curBitmap.Height; j++) { Color pixelColor = this.curBitmap.GetPixel(i,j); Gray[i, j] = (int )(pixelColor.R * 0.299 + pixelColor.G * 0.587 + pixelColor.B * 0.114);//灰度算公式这这这这 } for (i=2;i for (j = 2; j < curBitmap.Height-2; j++) { for (k = -2; k < 2; k++) { V1 += (Gray[i + k, j] - Gray[i + k + 1, j]) * (Gray[i + k, j] - Gray[i + k + 1, j]); V2 += (Gray[i + k, j + k] - Gray[i + k + 1, j + k + 1]) * (Gray[i + k, j + k] - Gray[i + k + 1, j + k + 1]); V3 += (Gray[i, j + k] - Gray[i, j + k + 1]) * (Gray[i, j + k] - Gray[i, j + k + 1]); V4 += (Gray[i - k, j + k] - Gray[i - k - 1, j + k + 1]) * (Gray[i - k, j + k] - Gray[i - k - 1, j + k + 1]); } V[i, j] = MaxMin.MyMin(V1, V2, V3, V4); V1 = 0; V2 = 0; V3 = 0; V4 = 0; } for (i = 2; i < curBitmap.Width - 2; i++) for (j = 2; j < curBitmap.Height - 2; j++) { try { if (V[i, j] >= Convert.ToDouble(textBox1.Text)) { VV[i, j] = 1; } else { VV[i, j] = 0; } } catch (Exception ex) { MessageBox.Show("这这这这这入出:"+ex.Message); } } int WindowsScal=comboBox1.SelectedIndex; if (WindowsScal == 0) WindowsScal = 2; else if (WindowsScal == 1) WindowsScal = 3; else if (WindowsScal == 2) WindowsScal = 4; else MessageBox.Show("这这这特征点窗口模板大小"); m = WindowsScal * 2 + 1; double temp; int wsi=WindowsScal; int wsj=WindowsScal; int[] Record = new int[curBitmap.Width * curBitmap.Height ]; bool bol = true; do { temp = 0; for (i = wsi; i < wsi + m; i++) { for (j = wsj; j < wsj + m; j++) { if (VV[i, j] == 1) { if (temp < V[i, j]) { temp = V[i, j]; a = i; b = j; } } else { a = 0; b = 0; } } } Record[n++] = a; Record[n++] = b; a = 0; b = 0; if(curBitmap .Width - (wsi + m) { wsj+=m; wsi = WindowsScal; } else if (curBitmap.Height - (wsj + m) bol = false; } else { wsi += m; } } while (bol); for (i = 0; i < n; i = i + 2) { if (Record[i] != 0 && Record[i + 1] != 0) { count ++; DrawCircle.circle(Record[i], Record[i + 1],pictureBox1); richTextBox1.Text = richTextBox1.Text + '\n' + " " +Record[i] + " " + Record[i + 1] +" " +Gray[Record[i], Record[i + 1]]+" "+V[Record[i], Record[i + 1]]; } } label3.Text = count.ToString()+"个"; pictureBox1.Refresh(); MessageBox.Show("这理完成:"); } private void button3_Click(object sender, EventArgs e) { SaveFileDialog sf = new SaveFileDialog(); sf.Filter = "特征点数据|*.dat"; sf.FileName = "特征点数据"; sf.ShowDialog(); FileStream fs = new FileStream(sf.FileName , FileMode.Append); StreamWriter sw = new StreamWriter(fs, Encoding.Default); sw.Write(richTextBox1.Text); sw.Close(); fs.Close(); } private void button4_Click(object sender, EventArgs e) { string str; if (pictureBox1.Image != null) { Bitmap box1 = new Bitmap(pictureBox1.Image); SaveFileDialog sv = new SaveFileDialog(); sv.Filter = "jpg文件|*.jpg"; sv.ShowDialog(); str = sv.FileName; box1.Save(str); } else { MessageBox.Show("没有片:这这这"); } } } } //////////////////////////////////////////////////////////////////// //////////////////////////////////第二个:这在像上面做这这这这这这这using System; using System.Collections.Generic; using https://www.doczj.com/doc/845780906.html,ponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Windows.Forms; using System.IO; namespace 这这这这这影量作1 { public class DrawCircle { public static void circle(int CursorX, int CursorY, PictureBox pictureBox1) { Graphics g; g = Graphics.FromImage(pictureBox1.Image); //g.DrawEllipse(new Pen(Color.Green, 1), CursorX - r, CursorY - r, 2 * r, 2 * r); g.DrawLine(new Pen(Color.Red, 1), CursorX-8, CursorY,CursorX+8, CursorY); g.DrawLine(new Pen(Color.Red, 1), CursorX, CursorY - 8, CursorX, CursorY + 8); } } 几种常用边缘检测算法的比较摘要:边缘是图像最基本的特征，边缘检测是图像分析与识别的重要环节。基于微分算子的边缘检测是目前较为常用的边缘检测方法。通过对Roberts，Sobel，Prewitt，Canny 和Log 及一种改进Sobel等几个微分算子的算法分析以及MATLAB 仿真实验对比，结果表明，Roberts，Sobel 和Prewitt 算子的算法简单，但检测精度不高，Canny 和Log 算子的算法复杂，但检测精度较高，基于Sobel的改进方法具有较好的可调性，可针对不同的图像得到较好的效果，但是边缘较粗糙。在应用中应根据实际情况选择不同的算子。 0 引言 边缘检测是图像分析与识别的第一步，边缘检测在计算机视觉、图像分析等应用中起着重要作用，图像的其他特征都是由边缘和区域这些基本特征推导出来的，边缘检测的效果会直接影响图像的分割和识别性能。边缘检测法的种类很多，如微分算子法、样板匹配法、小波检测法、神经网络法等等，每一类检测法又有不同的具体方法。目前，微分算子法中有Roberts，Sobel，Prewitt，Canny，Laplacian，Log 以及二阶方向导数等算子检测法，本文仅将讨论微分算子法中的几个常用算子法及一个改进Sobel算法。 1 边缘检测 在图像中，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域( 包括不同色彩) 之间。边缘表明一个特征区域的终结和另一特征区域的开始。边缘所分开区域的内部特征或属性是一致的，而不同的区域内部特征或属性是不同的。边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测，这些差异包括灰度、颜色或纹理特征，边缘检测实际上就是检测图像特征发生变化的位置。边缘的类型很多，常见的有以下三种: 第一种是阶梯形边缘，其灰度从低跳跃到高; 第二种是屋顶形边缘，其灰度从低逐渐到高然后慢慢减小; 第三种是线性边缘，其灰度呈脉冲跳跃变化。如图1 所示。 (a) 阶梯形边缘(b) 屋顶形边缘 (b) 线性边缘 图像中的边缘是由许多边缘元组成，边缘元可以看作是一个短的直线段，每一个边缘元都由一个位置和一个角度确定。边缘元对应着图像上灰度曲面N 阶导数的不连续性。如果灰度曲面在一个点的N 阶导数是一个Delta 函数，那么就 SIFT 特征提取算法总结 主要步骤 1)、尺度空间的生成； 2)、检测尺度空间极值点； 3)、精确定位极值点； 4)、为每个关键点指定方向参数； 5)、关键点描述子的生成。 L(x,y,σ), σ= 1.6 a good tradeoff D(x,y,σ), σ= 1.6 a good tradeoff 关于尺度空间的理解说明：图中的2是必须的，尺度空间是连续的。在 Lowe 的论文中， 将第0层的初始尺度定为1.6，图片的初始尺度定为0.5. 在检测极值点前对原始图像的高斯平滑以致图像丢失高频信息，所以Lowe 建议在建立尺度空间前首先对原始图像长宽扩展一倍，以保留原始图像信息，增加特征点数量。尺度越大图像越模糊。 next octave 是由first octave 降采样得到（如2） ， 尺度空间的所有取值，s为每组层数，一般为3~5 在DOG尺度空间下的极值点 同一组中的相邻尺度（由于k的取值关系，肯定是上下层）之间进行寻找 在极值比较的过程中，每一组图像的首末两层是无法进行极值比较的，为了满足尺度 变化的连续性，我们在每一组图像的顶层继续用高斯模糊生成了 3 幅图像， 高斯金字塔有每组S+3层图像。DOG金字塔每组有S+2层图像. If ratio > (r+1)2/(r), throw it out (SIFT uses r=10) 表示DOG金字塔中某一尺度的图像x方向求导两次 通过拟和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度）？ 直方图中的峰值就是主方向，其他的达到最大值80%的方向可作为辅助方向 Identify peak and assign orientation and sum of magnitude to key point The user may choose a threshold to exclude key points based on their assigned sum of magnitudes. 利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备 旋转不变性。以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度 方向。梯度直方图的范围是0～360度，其中每10度一个柱，总共36个柱。随着距中心点越远的领域其对直方图的贡献也响应减小.Lowe论文中还提到要使用高斯函 数对直方图进行平滑，减少突变的影响。 目录 摘要....................................................................... I 1简介. (1) 1.1MATLAB 简介 (1) 1.2数字图像处理简介 (1) 2边缘检测 (3) 2.1边缘的含义 (3) 2.2边缘检测的含义 (3) 2.3边缘检测的步骤 (3) 3常用的边缘检测算子 (5) 3.1微分算子 (5) 3.1.1 Sobel算子 (5) 3.1.2 robert算子 (6) 3.1.3 prewitt算子 (6) 3.2 Laplacian算子 (6) 3.3 Log算法 (7) 3.4 Canny边缘检测法 (7) 4程序设计 (8) 5运行结果 (10) 6边缘检测结果比较 (12) 7心得体会 (13) 参考文献 (14) 摘要 边缘检测是利用边缘增强算子，突出图像中的局部边缘，然后定义象素的“边缘强度”，通过设置阈值的方法提取边缘点集。本设计利用MATLAB软件分析几种应用于数字图像处理中的边缘检测算子,根据它们在实践中的应用结果进行研究,主要包括:Robert 边缘算子、Prewitt 边缘算子、Sobel 边缘算子、LoG边缘算子以及Laplacian 算子等对图像边缘检测,根据实验处理结果对几种算子进行比较。 关键词：Matlab边缘检测算子 1简介 1.1MATLAB简介 Matlab是国际上最流行的科学与工程计算的软件工具，它起源于矩阵运算，已经发展成一种高度集成的计算机语言。有人称它为“第四代”计算机语言，它提供了强大的科学运算、灵活的程序设计流程、高质量的图形可视化界面设计、便捷的与其它程序和语言接口的功能。随着Matlab语言功能越来越强大，不断适应新的要求并提出新的解决方法，可以预见，在科学运算，自动控制与科学绘图领域，Matlab语言将长期保持其独一无二的地位。 Matlab 的特点如下： (1) 高效的数值计算及符号计算功能,能使用户从繁杂的数学运算分析中解脱出来; (2) 具有完备的图形处理功能,实现计算结果和编程的可视化; (3) 友好的用户界面及接近数学表达式的自然化语言,使学者易于学习和掌握; (4) 功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等) ,为用户提供了大量方便实用的处理工具. Matlab的优势如下： （1）友好的工作平台和编程环境 （2）简单易用的程序语言 （3）强大的科学计算机数据处理能力 （4）出色的图形处理功能 （5）应用广泛的模块集合工具箱 （6）实用的程序接口和发布平台 （7）应用软件开发（包括用户界面） 1.2数字图像处理简介 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程，以提高图像的实用性，达到人们所要求的预期结果。从处理的目的来讲主要有： 图像边缘提取的经典算法及展望 摘要：该文对现有图像边缘提取的经典边缘检测算子方法进行了介绍，对比、分析了各自的优缺点，为了更清楚地看出各种算法的效果，给出了一些常用算法对同一幅标准测试图像的原图像进行边缘提取的实验结果。最后，对图像边缘提取技术所面临的问题和发展方向阐述了自己的观点。 关键词：图像处理，边缘提取，边缘检测算子 中图分类号：TP 314.7 文献标识码：A The Algorithm for I m age Edge Detection and Prospect Abstract：The representative algorithms in these days for image edge detection have been presented in this paper.After contrasting and analyzing the advantages and the disadvantages of every algorithm.In order to have a much clearer look at the effect of every algorithm,we give the results of the experiments in which the common algorithms are used to detect image edge of the same standard testing image.At last,we bring forward our viewpoint about the problems the image edge detection technology is facing and where is its developmental direction . Key words：Image manipulation ；Edge recognition ；Edge recognition arithmetic operators 1 选题背景与研究意义 图像是人们从客观世界获取信息的重要来源，也是人类视觉延伸的重要手段。随着计算机和各个相关研究领域的迅速发展，科学计算的可视化、多媒体技术等研究与应用的兴起，数字图像处理从一个专门领域的学科，发展成为了一种新型的科学研究和人机界面的工具。通过对人类视觉系统的研究表明，图像中的边界特别重要，往往仅凭一些粗略的轮廓线就能够识别出一个物体，而轮廓线就是图像的边缘。图像的边缘是图像区域属性(像素灰度)发生明显变化的地方，也是图像信息最集中的地方，包含了图像的大部分特征信息，这些信息足图像识别中抽取特征的蕈要属性，能勾画出目标物体，是人类判别物体的重要依据。因此，图像的边缘是图像的最基本特征，被应用到较高层次的特征描述、图像识别、图像分割、图像增强以及图像压缩等图像处理和分析技术中，同时边缘提取也作为图像分析与模式识别的主要特征提取手段，应用于计算机视觉、模式识别等研究领域中IlJ。图像的边缘广泛存在于物体与背景之问、物体与物体之间，边缘检测的实质是采用某种算法提取出图像中对象与背景之间的交界线。通过边缘检测，提取出边缘才能将目标和背景区分开来，简化图像分析，突出图像的重要特征，降低后继图像分析处理的数据量，使图像理解及识别更加容易和深刻。因此，边缘提取算法是图像处理问题中经典技术之一，其优劣直接影响整个计算机视觉系统性能的好坏，它的解决对于我们进行高层次的图像特征描述、识别和理解等有着重大的影响。在数字图像处理的研究过程中，图像的边缘提取一直以来都是图像处理与分析领域的研究热点，也一直是机器视觉研究领域中最活跃的课题之一，在工程应用中占有十分重要的地位。因此，研究图像边缘提取方法具有重要的理论意义和现实意义。具有重要的意义。 2 研究现状及发展趋势 图像边缘提取的方法多种多样，但由于其本所具有的难度和深度，研究没有很大的突破性进展，至目前还没有提出一种方法或是理论，能完美地解决边缘提取问题，这也促使研究人员对此问题不断深入研究。 同时，由于目前的边缘提取评价方法都存在很大的局限性，所以对图像边缘提取评价系统的研究得到越来越多的关注。目前，用得较多的还是通过人眼进行主观判断，评价边缘提取方法的优劣。 总之，边缘提取算法主要存在两个问题：一是没有一种可以普遍使用的图像边缘提取算法；二是没有一个较好的通用的边缘提取的评价标准。因此，这两个问题也将成为今后研究解决的重点和研究趋 图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。 设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[ ( ，)，)，( ，)，)] ，其中Gx( ，)，)，G ( ，)，)可以用下面的 大学 课程设计报告课程名称：数字图像处理与分析 课程设计题目：基于Matlab的图像边缘提取算法实现及应用 姓名：学院：专业：年级：学号： 目录 一．课程设计目的 (3) 二．提取图像边缘的背景与意义 (3) 三．设计的主要内容与原理 (4) 3.1 什么是图像边缘 (4) 3.2 图像边缘提取的基本原理与过程 (5) 3.3 对边缘检测与提取算法的介绍（以Canny与Log为例） 3.3.1坎尼（Canny）边缘算子 (7) 3.3.2Log边缘算子 (10) 四．边缘提取算法的实现 (11) 五对算子的稳定性的探讨 (13) 六结束语 (17) 致谢 (18) 参考文献 (18) 一．课程设计目的 图像的边缘作为图像的一种基本特征，经常被应用到较高层次的图像应用中去。它在图像识别，图像分割，图像增强以及图像压缩等的领域中有较为广泛的应用，也是它们的基础。 图像边缘是图像最基本的特征之一，往往携带着一幅图像的大部分信息。而边缘存在于图像的不规则结构和不平稳现象中，也即存在于信号的突变点处，这些点给出了图像轮廓的位置，这些轮廓常常是我们在图像边缘检测时所需要的非常重要的一些特征条件，这就需要我们对一幅图像检测并提取出它的边缘。而边缘检测算法则是图像边缘检测问题中经典技术难题之一，本文主要介绍两种经典的边缘提取算法，这两种都是用MATLAB语言编程实现，对提取结果进行比较和分析。 二．提取图像边缘的背景与意义 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。 现代数字图像边缘检测处理的目标有三：可视化、自动化和定量化： （1）可视化:当图像被采集并显示时，这些图像通常需要改善以便观察者更容易解释它们。感兴趣的目标必须突出或者图像各部位之间的对比度需要增强处理。自从像CT和MRI等三维成像手段问世以来，可视化，特别是三维结构的可视化受到极大的关注。 图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1） 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2） 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3） 颜色矩 基于matlab的图像边缘检测算法研究和仿真 目录 第1章绪论 1 1.1 序言 1 1.2 数字图像边缘检测算法的意义 1 第2章传统边缘检测方法及理论基础 2 2.1 数字图像边缘检测的现状与发展 2 2.2 MATLAB和图像处理工具箱的背景知识 3 2.3 数字图像边缘检测关于边缘的定义 4 2.4 基于一阶微分的边缘检测算子 4 2.5 基于二阶微分的边缘检测算子 7 第3章编程和调试 10 3.1 edge函数 10 3.2 边缘检测的编程实现 11 第4章总结 13 第5章图像边缘检测应用领域 13 附录参考文献 15 第1章绪论 §1.1 序言 理解图像和识别图像中的目标是计算机视觉研究的中心任务，物体形状、物体边界、位置遮挡、阴影轮廓及表面纹理等重要视觉信息在图像中均有边缘产生。图像边缘是分析理解图像的基础，它是图像中最基本的特征。在Marr的计算机视觉系统中，图像边缘提取占据着非常重要位置，它位于系统的最底层，为其它模块所依赖。图像边缘提取作为计算机视觉领域最经典的研究课题，长期受到人们的重视。 图像边缘主要划分为阶跃状和屋脊状两种类型。阶跃状边缘两侧的灰度值变化明显，屋脊状边缘则位于灰度增加与减少的交界处。传统的图像边缘检测方法大多是从图像的高频分量中提取边缘信息，微分运算是边缘检测与提取的主要手段。由于传统的边缘检测方法对噪声敏感，所以实际运用效果有一定的局限性。近年来，越来越多的新技术被引入到边缘检测方法中，如数学形态学、小波变换、神经网络和分形理论等。 Canny于1986年提出基于最优化算法的边缘检测算子，得到了广泛的应用，并成了与其它实验结果作比较的标准。其原因在于他最先建立了优化边缘检测算子的理论基础，提出了迄今为止定义最为严格的边缘检测的三个标准。另外其相对简单的算法使得整个过程可以在较短的时间实现。实验结果也表明，Canny算子在处理受加性高斯白噪声污染的图像方面获得了良好的效果[1]。 §1.2 数字图像边缘检测算法的意义 数字图像处理是控制领域的重要课题，数字图像边缘检测是图像分割、目标区域识别和区域形状提取等图像分析领域十分重要的基础，是图像识别中提取图像特征的一个重要方法。边缘中包含图像物体有价值的边界信息，这些信息可以用于图像理解和分析，并且通过边缘检测可以极降低后续图像分析和处理的数据量。图像理解和分析的第一步往往就是边缘检测，目前它已成为机器视觉研究领域最活跃的课题之一，在工程应用中占有十分重要的地位。 图像的边缘检测技术是数字图像处理技术的基础研究容，是物体识别的重要基础。边缘特征广泛应用于图像分割、运动检测与跟踪、工业检测、目标识别、双目立体视觉等领域。现有边缘检测技术在抑制噪声方面有一定的局限性，在阈值参数选取方面自适 Histograms of for Human Detection Navneet Dalal and Bill Triggs INRIA Rh?o ne-Alps,655avenue de l’Europe,Montbonnot38334,France {Navneet.Dalal,Bill.Triggs}@inrialpes.fr,http://lear.inrialpes.fr Abstract We study the question of feature sets for ob-ject recognition,adopting linear SVM based human detec-tion as a test case.After reviewing existing edge and gra-dient based descriptors,we show experimentally that grids of Histograms of Oriented Gradient(HOG)descriptors sig-ni?cantly outperform existing feature sets for human detec-tion.We study the in?uence of each stage of the computation on performance,concluding that?ne-scale gradients,?ne orientation binning,relatively coarse spatial binning,and high-quality local contrast normalization in overlapping de-scriptor blocks are all important for good results.The new approach gives near-perfect separation on the original MIT pedestrian database,so we introduce a more challenging dataset containing over1800annotated human images with a large range of pose variations and backgrounds. 1Introduction Detecting humans in images is a challenging task owing to their variable appearance and the wide range of poses that they can adopt.The?rst need is a robust feature set that allows the human form to be discriminated cleanly,even in cluttered backgrounds under dif?cult illumination.We study the issue of feature sets for human detection,showing that lo-cally normalized Histogram of Oriented Gradient(HOG)de-scriptors provide excellent performance relative to other ex-isting feature sets including wavelets[17,22].The proposed descriptors are reminiscent of edge orientation histograms [4,5],SIFT descriptors[12]and shape contexts[1],but they are computed on a dense grid of uniformly spaced cells and they use overlapping local contrast normalizations for im-proved performance.We make a detailed study of the effects of various implementation choices on detector performance, taking“pedestrian detection”(the detection of mostly visible people in more or less upright poses)as a test case.For sim-plicity and speed,we use linear SVM as a baseline classi?er throughout the study.The new detectors give essentially per-fect results on the MIT pedestrian test set[18,17],so we have created a more challenging set containing over1800pedes-trian images with a large range of poses and backgrounds. Ongoing work suggests that our feature set performs equally well for other shape-based object classes. We brie?y discuss previous work on human detection in §2,give an overview of our method§3,describe our data sets in§4and give a detailed description and experimental evaluation of each stage of the process in§5–6.The main conclusions are summarized in§7. 2Previous Work There is an extensive literature on object detection,but here we mention just a few relevant papers on human detec-tion[18,17,22,16,20].See[6]for a survey.Papageorgiou et al[18]describe a pedestrian detector based on a polynomial SVM using recti?ed Haar wavelets as input descriptors,with a parts(subwindow)based variant in[17].Depoortere et al give an optimized version of this[2].Gavrila&Philomen [8]take a more direct approach,extracting edge images and matching them to a set of learned exemplars using chamfer distance.This has been used in a practical real-time pedes-trian detection system[7].Viola et al[22]build an ef?cient moving person detector,using AdaBoost to train a chain of progressively more complex region rejection rules based on Haar-like wavelets and space-time differences.Ronfard et al[19]build an articulated body detector by incorporating SVM based limb classi?ers over1st and2nd order Gaussian ?lters in a dynamic programming framework similar to those of Felzenszwalb&Huttenlocher[3]and Ioffe&Forsyth [9].Mikolajczyk et al[16]use combinations of orientation-position histograms with binary-thresholded gradient magni-tudes to build a parts based method containing detectors for faces,heads,and front and side pro?les of upper and lower body parts.In contrast,our detector uses a simpler archi-tecture with a single detection window,but appears to give signi?cantly higher performance on pedestrian images. 3Overview of the Method This section gives an overview of our feature extraction chain,which is summarized in?g.1.Implementation details are postponed until§6.The method is based on evaluating well-normalized local histograms of image gradient orienta-tions in a dense grid.Similar features have seen increasing use over the past decade[4,5,12,15].The basic idea is that local object appearance and shape can often be characterized rather well by the distribution of local intensity gradients or 1 内蒙古科技大学 本科毕业论文 题目：灰度图像边缘提取方法综述学生姓名： 学院：物理科学与技术学院 专业：应用物理学 学号：0809810054 班级：08级 指导教师： 二〇一二年 4 月 摘要 本文先介绍了一般边缘检测的步骤和灰度图像形态学的主要操作。着重讨论基于细胞神经网络的一般灰度图像的边缘提取和图像分割。先陈述了几种传统算法，并比较了各算法的优劣。通过例举介绍CNN 基本知识，详细描述了用CNN 提取图像边缘的过程，给出算法流程，阐述算法实现中的关键步骤。对二值图像和灰度图像，分别采用基于CNN 的算法和传统算子(prewitt、sobel、canny)进行边缘提取，给出提取效果图，定性比较两类算法在性能上的优劣。来直接的了解灰度图像边缘提取的方法。 关键字：灰度图像，边缘提取，分割，CNN算法，传统算子 Abstract This paper first introduces the general steps of gray image edge detection and morphology of the main operation. Focuses on the cellular neural network based general gray image edge extracting and image segmentation. Through the examples of introduction of basic knowledge of CNN, a detailed description of the CNN image edge extraction process, the algorithm process, the key step in the algorithm implementation. On two value image and the gray scale image, which are based on CNN algorithm and the traditional operator ( Prewitt, Sobel, canny ) edge extraction, given the extraction effect chart, qualitative comparison of two algorithms in performance on the quality of. To direct understanding of gray image edge extraction method. Keywords: image, edge detection, segmentation, CNN algorithm, the traditional operator 1引言 图像最基本的特征是边缘，边缘是图像性区域和另一个属性区域的交接处，是区域属性发生突变的地方，是图像中不确定性最大的地方，也是图像信息最集中的地方，图像的边缘包含着丰富的信息。因此，图像的边缘提取在计算机视觉系统的初级处理中具有关键作用，但目前仍是“瓶颈”问题。 边缘检测技术对于数字图像是非常重要的，提取出边缘才能将目标和背景区分开来。现有的图像边缘提取方法可以分为三大类：一类是基于某种固定的局部运算方法，如：微分法，拟合法等，它们属于经典的边缘提取方法；第二类则是以能量最小化为准则的全局提取方法，其特征是运用严格的数学方法对此问题进行分析，给出一维值代价函数作为最优提取依据，从全局最优的观点提取边缘，如松驰法，神经网络分析法等；第三类是以小波变换、数学形态学、分形理论等近年来发展起来的高新技术为代表的图像边缘提取方法，尤其是基于多尺度特性的小波变换提取图像边缘的方法是目前研究较多的课题。该文将较为详细地对各种图像边缘提取算法的原理进行阐述，对几种最常用的图像边缘提取算法给出实验结果，并进行结果对比与分析。 2经典的图像边缘提取方法 2.1微分算子法 边缘的检测可借助空域微分算子通过卷积完成，导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界点集。 一阶导数 !f !x 与 !f !y 是最简单的导数算子，一个连续函数f（x，y）在位置（x，y）处方向导数的最大值是I G I=（ !f !x ）2+（!f !y ）2 [I12，称为梯度模，相应地，取得最大值的方向为"=tan-1 !f !y !f !x T I I L T I I J 。 利用梯度模算子来检测边缘是一种很好的方法，它不仅具有位移不变性，还具有各向同性。在实际中，对于一幅数字图像采用了梯度模的近似形式，如常用的罗伯特交叉算子（Roberts Cross）和索贝尔算子（SobeI）的表达式分别为： Roberts算子表达式为： \G\=maX（I f（i，J）-f（i+1，J+1）I，I f（i+1，J）-f（i，J+1）I） SobeI算子表达式为： 121 000 -1-2- T I I L T I I J 1 10-1 20-2 10- T I I L T I I J 1 x方向卷积核y方向卷积核 图像边缘提取方法及展望 季虎孙即祥邵晓芳毛玲 （国防科技大学电子科学与工程学院，长沙410073） E-maiI：Iove63901@https://www.doczj.com/doc/845780906.html, 摘要该文对现有代表性的各种图像边缘提取方法进行了介绍，对比、分析了各自的优缺点，重点对以小波变换为代表的现代信号处理技术提取图像边缘的方法进行了分析和阐述，为了更清楚地看出各种算法的效果，给出了一些常用算法对同一幅标准测试图像Lena进行边缘提取的实验结果。最后，对图像边缘提取技术所面临的问题和发展方向阐述了自己的观点。 关键词边缘提取小波变换多尺度分析图像边缘检测 文章编号1002-8331-（2004）14-0070-04文献标识码a中图分类号TP391 The Algorithm for Image Edge Detection and Prospect Ji Hu Sun Jixiang Shao Xiaofang Mao Ling （SchooI of EIectronic and Engineering，NationaI University of Defense TechnoIogy，Changsha410073）Abstract：The representative aIgorithms in these days for image edge detection have been presented in this paper.after contrasting and anaIyzing the advantages and the disadvantages of every aIgorithm，we pIace an emphasis on anaIyzing and iIIuminating waveIet transform，which is one of the modern signaI processing technigues for image edge detection.in order to have a much cIearer Iook at the effect of every aIgorithm，we give the resuIts of the eXperiments in which the common aIgorithms are used to detect image edge of the same standard testing image Lena.at Iast，we bring forward our viewpoint about the probIems the image edge detection technoIogy is facing and where is its deveIopmentaI direction. Keywords：edge detection，waveIet transform，muItiscaIe anaIysis，image edge detection 作者简介：季虎（1972-），男，工程师，博士研究生，主要研究方向为计算机视觉、图像处理、模式识别。孙即祥（1946-），男，教授，博士生导师，现已出版专著三部，并正在撰写另外一部专著，已发表论文十数篇。主要感兴趣的研究方向为计算机视觉、图像处理、模式识别等。 70 2004.14计算机工程与应用几种常用边缘检测算法的比较
SIFT 特征提取算法详解
边缘提取不同算子方法的分析比较
边缘提取
图像特征提取方法
基于matlab的图像边缘提取算法实现及应用
(完整版)图像特征特点及常用的特征提取与匹配方法
基于matlab的图像边缘检测算法研究和仿真设计
图像特征提取算法
灰度图像边缘提取方法综述
图像边缘提取方法及展望
相关主题
文本预览