CSDN亲密携手阿里云重磅推出云邮箱服务HTML5群组诚募管理员，“活跃之星”活动火热进行中Canny边缘检测算法原理及其VC实现详解(一) 2011-10-20 21:39560人阅读评论(0)收藏举报图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位，自从1959提出边缘检测以来，经过五十多年的发展，已有许多中不同的边缘检测方法。根据作者的理解和实践，本文对边缘检测的原理进行了描述，在此基础上着重对Canny检测算法的实现进行详述。 本文所述内容均由编程验证而来，在实现过程中，有任何错误或者不足之处大家共同讨论（本文不讲述枯燥的理论证明和数学推导，仅仅从算法的实现以及改进上进行原理性和工程化的描述）。 1、边缘检测原理及步骤 在之前的博文中，作者从一维函数的跃变检测开始，循序渐进的对二维图像边缘检测的基本原理进行了通俗化的描述。结论是：实现图像的边缘检测，就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置，然后在图像中将这些位置的点连起来
就构成了所谓的图像边缘（图像边缘在这里是一个统称，包括了二维图像上的边缘、角点、纹理等基元图）。 在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，同时大多数的传感器件具有低频滤波特性，这样会使得阶跃边缘变为斜坡性边缘，看起来其中的强度变化不是瞬间的，而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波。 1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核（具体见“高斯滤波原理及其编程离散化实现方法”一文），然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和（具体程序实现见下文）。 2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。 3）检测：经过增强的图像，往往邻域中有很多点的梯度值比较大，而在特定的应用中，这些点并不是我们要找的边缘点，所以应该采用某种方法来对这些点进行取舍。实际工程中，常用的方法是通过阈值化方法来检测。 2、Canny边缘检测算法原理
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
hough变换检测椭圆的matlab程序 程序代码：(代码标记[code]...[/code] ) [row col]=size(fedge); minofa=a; maxofa=round(row/2); minofy0=round(col/2)-30; maxofy0=round(col/2)+30; minofb=round(col/2)-60; maxofb=round(col/2); maxofx=round(row/2); scalor=4; H=zeros(floor((maxofa-minofa)/scalor)+1,floor((maxofa-minofa)/scalor)+1,... floor((maxofy0-minofy0)/scalor)+1,floor((maxofb-minofb)/scalor)+1); for x=1:maxofx for y=1:col temp=fedge(x,y); if temp==255 for a=minofa:scalor:maxofa for x0=a:scalor:maxofa for b=minofb:scalor:maxofb for y0=minofy0:scalor:maxofy0 temp=((y-y0)/b)^2+((x-x0)/a)^2; if abs(temp-1)<=0.01 xtemp=floor((x0-minofa)/scalor)+1; atemp=floor((a-minofa)/scalor)+1; ytemp=floor((y0-minofy0)/scalor)+1; btemp=floor((b-minofb)/scalor)+1; H(xtemp,atemp,ytemp,btemp)=H(xtemp,atemp,ytemp,btemp)+1; end end end end end end end end maxofH=max(max(max(max(H)))); for i=1:floor((maxofa-minofa)/scalor)+1 for j=1:floor((maxofa-minofa)/scalor)+1 for m=1:floor((maxofy0-minofy0)/scalor)+1 for n=1:floor((maxofb-minofb)/scalor)+1
基于canny 算子的改进边缘检测算法 摘要：本文提出了一种基于Canny 算子的改进边缘检测算法。该算法既具备传统Canny 算子信噪比高、定位精确的优点，又具备较强的去噪能力和较好的边缘检测效果。实验表明，本文算法增强了Canny 算子在噪声干扰情况下的去噪效果，提高了边缘定位的精确度，能够得到更加完整的边缘轮廓。 关键词：Canny 算子，双边滤波，边缘检测 1 引言 边缘检测技术是数字图像处理中的一项重要技术，边缘检测的主要目的就是实现对目标图像的精确定位。边缘是图像的基本特征，是图像分割的重要依据，也是纹理特征的重要信息源和形状特征分析的基础，边缘检测的效果将直接影响到图像理解和识别的性能[1]。经典的边缘检测算子，如Robert 、Prewitt 、Log 等，简单、易于实现，但对噪声敏感、抗干扰性能差，边缘不够精细[2]。相比这些算子，Canny 算子具有更好的信噪比和检测精度，在图像边缘检测领域中具有更加广泛的应用范围。 但是，实际图像中，存在着许多噪声，这时，若仍采用传统 Canny 算子进行边缘检测，会将一些噪声点误作边缘点检测，导致提取的边缘轮廓模糊、不精确，因此，我们需要对传统Canny 算子加以改进。 本文提出了一种基于Canny 算子而改进的边缘检测算法，该算法既可以较好地滤除噪声，又可以提高目标边缘的定位精度、抑制虚假边缘和去除冗余弱边缘，呈现出了一个更为清晰的天之信图像边缘检测结果，比传统Canny 算法具有更好的性能。 2 传统canny 边缘检测算法 Canny 提出了边缘检测性能优劣的3个判断准则[3]： 高信噪比准则：即输出信号的信噪比最大，以降低边缘点判断为非边缘点和非边缘点判为边缘点的概率。信噪比越大，误检率越低。 高定位精度准则：好的定位性能,即检测出的边缘点要尽可能在实际边缘的中心 单边缘相应准则：即单一边缘只有惟一响应,并且对虚假边缘响应应得到最大抑制。 2.1 传统canny 算法边缘检测步骤 1）高斯滤波 用一维高斯函数对原始图像f(x, y)进行低通滤波、噪声滤除，该高斯函数为： 22221 (,)exp 22x y G x y πδδ??+=-???? δ为高斯滤波函数的标准差，控制着平滑程度：σ较小时，滤波器定位精度高，但信噪比低；σ较大时，滤波器情况正好相反。我们要根据实际情况确定δ的大小。 2）计算梯度幅值和方向 传统的Canny 算法采用2×2邻域一阶偏导的有限差分来计算平滑后的图像的梯度幅值和方向: 22 (,)(,)(,)x y M x y G x y G x y =+
用Hough变换检测二值图像中的圆 Hough 变换简介 Hough变换是实现图像边缘检测的一种有效方法，其基本思想是将测量空间的一点变换到参量空间中的一条曲线或一个曲面，而具有同一参量特征的点交换后在参量空间中相交，通过判断交点处的积累程度来完成特征曲线的检测，基于参量性质的不同，Hough变换可以检测直线、圆、椭圆、双曲线、抛物线等。同时，将概率论、模糊集理论、分层迭代的思想和级联的方法应用于Hough变换的过程中，大大地提高了Hough变换的效率，改善了Hough变换的性能。 实验主要使用的函数 MATLAB内部常数pi：圆周率 p（= 3.1415926...） MATLAB常用基本数学函数: abs(x)：纯量的绝对值或向量的长度； round(x)：四舍五入至最近整数； floor(x)：地板函数，即舍去正小数至最近整数； MATLAB常用三角函数 sin(x)：正弦函数 cos(x)：余弦函数； 向量的常用函数 max(x): 向量x的元素的最大值。 MATLAB图像类型转换函数： rgb2gray:将一副真彩色图像转换成灰度图像； im2bw:通过设定高度阈值将真彩色，索引色，灰度图转换成二值图像； MATLAB图形图像文件的读取和显示函数 imread(filename)； MATLAB二进制图像及其显示 imshow（f1）。 用double对二值图像双精度化 图形处理： sobel算子检测边缘 hough变换检测圆
分别显示灰度图像： figure;subplot Sobel:算子边缘检测图像 hough变换检测后的图像 实验相关代码 I=imread('*.jpg');f=rgb2gray(I); f1=im2bw(f,200/255); BW1=double(f1); BW=edge(BW1,'sobel',0.4); r_max=50; r_min=10;step_r=10;step_angle=pi/12;p=0.7; [m,n] = size(BW); size_r = round((r_max-r_min)/step_r)+1; size_angle = round(2*pi/step_angle); hough_space = zeros(m,n,size_r); [rows,cols] = find(BW); ecount = size(rows); for i=1:ecount for r=1:size_r for k=1:size_angle a = round(rows(i)-(r_min+(r-1)*step_r)*cos(k*step_angle)); b = round(cols(i)-(r_min+(r-1)*step_r)*sin(k*step_angle)); if(a>0&&a<=m&&b>0&&b<=n) hough_space(a,b,r) = hough_space(a,b,r)+1; end end end end max_para = max(max(max(hough_space))); index = find(hough_space>=max_para*p); length = size(index); hough_circle = false(m,n); for i=1:ecount for k=1:length par3 = floor(index(k)/(m*n))+1; par2 = floor((index(k)-(par3-1)*(m*n))/m)+1; par1 = index(k)-(par3-1)*(m*n)-(par2-1)*m; if((rows(i)-par1)^2+(cols(i)-par2)^2<(r_min+(par3-1)*step_r)^2+5&&... (rows(i)-par1)^2+(cols(i)-par2)^2>(r_min+(par3-1)*step_r)^2-5)
边缘检测原理的论述
摘要 数字图像处理技术是信息科学中近几十年来发展最为迅速的学科之一。图像边缘是图像最基本的一种特征，边缘在图像的分析中起着重要的作用。边缘作为图像的一种基本特征，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，其目的就是精确定位边缘，同时更好地抑制噪声。目前，数字图像处理技术被广泛应用于航空航天、通信、医学及工业生产等领域中。图像边缘提取的手段多种多样，本文主要通过MATLAB语言编程分别用不同的算子例如Roberts算子、Prewitt算子、Sobel算子、Kirsch 算子、Laplacian算子、Log算子和Canny算子等来实现静态图像的边缘检测，并且和检测加入高斯噪声的图像进行对比。阐述了不同算子在进行图像边缘提取的特点，并在此基础上提出利用小波变换来实现静态图像的边缘检测。 【关键字】图像边缘数字图像边缘检测小波变换 背景 图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年
代起随着电子计算机和计算技术的不断提高和普及，数字图像处理进入了高速发展时期，而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。 计算机进行图像处理一般有两个目的：(1)产生更适合人观察和识别的图像。(2)希望能由计算机自动识别和理解图像。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 边缘是图象最基本的特征.边缘检测在计算机视觉、图象分析等应用中起着重要的作用,是图象分析与识别的重要环节,这是因为子图象的边缘包含了用于识别的有用信息.所以边缘检测是图像分析和模式识别的主要特征提取手段。 所谓边缘是指其周围像素灰度后阶变化或屋顶状变化的那些像素的集合,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。因此它是图象分割所依赖的重要的特征,也是纹理特征的重要信息源和形状特征的基础;而图象的纹理形状特征的提取又常常依赖于图象分割。图象的边缘提取也是图象匹配的基础,因为它是位置的标志,对灰度的变化不敏感,它可作为匹配的特征点。 图象的其他特征都是由边缘和区域这些基本特征推导出来 的.边缘具有方向和幅度两个特征.沿边缘走向,像素值变化比较平缓;而垂直与边缘走向,则像素值变化比较剧烈.而这种剧烈可能呈
基于质心法的一种椭圆检测的方法 发表时间：2018-05-14T16:09:43.330Z 来源：《电力设备》2017年第34期作者：仝毅杰尚雅层陈鸿 [导读] 摘要: 针对图像中完整椭圆或是非完整椭圆中心的情况，提出了一种基于质心的方法来确定椭圆的中心位置，在这个过程中设定椭圆为均质椭圆，假定其密度为1，经过实验证明，该算法可以很好的确定出椭圆的中心位置。 （西安工业大学机电工程学院西安 710021） 摘要: 针对图像中完整椭圆或是非完整椭圆中心的情况，提出了一种基于质心的方法来确定椭圆的中心位置，在这个过程中设定椭圆为均质椭圆，假定其密度为1，经过实验证明，该算法可以很好的确定出椭圆的中心位置。 在机器视觉安全加气系统中，能够精确地找到进气口的位置是完成加气动作最关键的因素。加气时，加气口与进气口必须对准，因此摄像机无法在进气口的轴向拍摄，椭圆中心位置的确定是整个系统动作完成的关键之所在。文献[1]提出了基于Hough变换的椭圆算法，其随机采样两点，利用椭圆的性质去除无效的采样，再进行拟合得到椭圆。文献[2]采用最小二乘法二次曲线拟合法对椭圆提取。文献[3]依据椭圆的一些定位信息、图像边缘的梯度方向灰度的分布特征拟合出亚像素边缘点，并进行最小二乘拟合，最终得到得到椭圆中心。文献[4]首先缩小图像进行Hough变换，再放大图像建立新的参量空间进行Hough变换，最终得出椭圆的中心位置。椭圆中心位置的检测主要有Hough变换法、最小二乘拟合法[5]等。Hough变换法可以检测出椭圆，但是容易受到参数离散化程度的影响；最小二乘法对图像的边缘点拟合，所以图像边缘点的提取精度直接影响了椭圆中心位置的精度。因此，本文提出一种利用质心法得出图像中椭圆的中心位置的方法。 1.质心提取的基本原理 对于一个带状的椭圆区域S，如图1，它的质心可以通过质心计算公式得到： 图1 带状椭圆环 （1.1）（1.2） 拍摄的画面中，在椭圆的带状区域内假设其密度，则空白处密度。因此，上述的积分就是可以转化为只对带状区域 的积分，即：（1.3）（1.4） 在拍摄的画面中，由于是离散的像素点，因此，离散化后的计算方法如下，（1.5）（1.6） 为单位质量，假定其为均匀分布，即为一常量。 （1.7）（1.8） 化简得：（1.9）（1.10） 其中，分别为画面内所有坐标的和；为像素个数。 对于线状曲线S的质心，如图2所示 图2 线状椭圆S 线状曲线的质心计算如下： （1.11）（1.12） 同样，拍摄的画面是像素点，因此，将其离散化后的计算方法如下： （1.13） （1.14） 因此，无论区域是带状区域或是线状区域均适用于质心法。 2.实验结果
Canny边缘检测 图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位，自从1959提出边缘检测以来，经过五十多年的发展，已有许多中不同的边缘检测方法。根据作者的理解和实践，本文对边缘检测的原理进行了描述，在此基础上着重对Canny检测算法的实现进行详述。 本文所述内容均由编程验证而来，在实现过程中，有任何错误或者不足之处大家共同讨论（本文不讲述枯燥的理论证明和数学推导，仅仅从算法的实现以及改进上进行原理性和工程化的描述）。 1、边缘检测原理及步骤 在之前的博文中，作者从一维函数的跃变检测开始，循序渐进的对二维图像边缘检测的基本原理进行了通俗化的描述。结论是：实现图像的边缘检测，就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置，然后在图像中将这些位置的点连起来就构成了所谓的图像边缘（图像边缘在这里是一个统称，包括了二维图像上的边缘、角点、纹理等基元图）。 在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，同时大多数的传感器件具有低频滤波特性，这样会使得阶跃边缘变为斜坡性边缘，看起来其中的强度变化不是瞬间的，而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波。 1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核（具体见“高斯滤波原理及其编程离散化实现方法”一文），然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和（具体程序实现见下文）。 2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。在具体编程实现时，可通过计算梯度幅值来确定。
青岛大学 专业课程设计 院系: 自动化学院 专业: 电子信息工程 班级: 08级电子信息工程3班 学生姓名: 刘法 指导教师: 王汉萍庄晓东 日期: 2011年12月23日 题目：图像边缘检测方法的研究与实现 一、边缘检测以及相关概念 1．1边缘，边缘检测的介绍 边缘(edge)是指图像局部强度变化最显著的部分．边缘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，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)． 边缘检测是指使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。 在讨论边缘算子之前，首先给出一些术语的定义： 边缘点：图像中具有坐标] i且处在强度显著变化的位置上的点． ,[j 边缘段：对应于边缘点坐标] i及其方位 ，边缘的方位可能是梯度角． ,[j 边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法． 轮廓：边缘列表，或是一条表示边缘列表的拟合曲线． 边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向序． 边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程． 边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘．
边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图像作为输入，输出一个有序边缘集．另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘． 1．2 边缘检测算子 边缘检测是图像特征提取的重要技术之一, 边缘常常意味着一个区域的终结和另一个区域的开始. 图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构. 因此,边缘检测可以看做是处理许多复杂问题的关键. 边缘检测的实质是采用某种算法来提取出图像中对对象与背景间的交界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获取边缘检测算子。经典的边缘检测方法是对原始图像中的像素的某个邻域来构造边缘检测算子。以下是对几种经典的边缘检测算子进行理论分析，并对各自的性能特点做出比较和评价。 边缘检测的原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处其灰度变化较大，故该处微分计算值教高，可将这些微分值作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果微分值大于阈值，则为边缘点。 Roberts,Sobel,Prewwit是基于一阶导数的边缘检测算子，图像的边缘检测是通过2*2或者3*3模板作为核与该图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。 Laplace边缘检测算子是基于二阶导数的边缘检测算子，该算子对噪声敏感。Laplace算子的改进方式是先对图像进行平滑处理，然后再应用二阶导数的边缘检测算子，其代表是拉普拉斯高斯（LOG）算子。前边介绍的边缘检测算法是基于微分方法的，其依据是图像的边缘对应一阶导数的极大值点和二阶导数过零点。Canny算子是另外一类边缘检测算子，它不是通过微分算子检测边缘，而是在满足一定约束条件下推导出的边缘检测最优化算子。 1．3 边缘检测算法 对于边缘的检测常常借助于空域微分算子进行,通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘。灰度边缘是灰度值不连续(或突变) 的结果,这种不连续常可利用求一阶和二阶导数方便地检测到。已有的局部技术边缘检测方法,主要有一次微分(Sobel 算子、Robert s 算子等) 、二次微分(拉普拉斯算子等)。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像,大多数提取算法均可以取得较好的效果。但对于边缘复杂、采光不均匀的图像来说,则效果不太理想。主要表现为边缘模糊、边缘非单像素宽、弱边缘丢失和整体边缘的不连续等方面。 用算子检测图像边缘的方法是用小区域模板对图像进行处理,即采用卷积核作为掩模模板在图像中依次移动,完成图像中每个像素点同模板的卷积运算,最终输出的边缘幅度结果可以检测出图像的边缘。卷积运算是一种邻域运算。图像处理认为:某一点像素的结果不但和本像素灰度有关,而且和其邻域点值有关。运用模板在图像上依此对每一个像素进行卷积, 即模板上每一个点的值与其在图像上当前位置对应的像素点值相乘后再相加,得出的值就是该点处理后的新值。 边缘检测算法有如下四个步骤：
镜头是视频分析和检索的基础, 为了有效检测镜头边界, 并对镜头边界进行分类, 提出一种新的 镜头边界描述子: 镜头边界流形视频流可以看做一个高维空间, 镜头边界流形是隐含在该空间中的局 部结构, 它能够有效区分镜头边界和非镜头边界, 以及区分不同类型的镜头边界采用这种特征, 提出 一种后处理算法, 一方面去除预检测镜头边界的虚警, 另一方面将真正的镜头边界分类实验结果证实 了镜头边界流行的有效性以及后处理算法的优异性能 关键词镜头边界检测; 镜头边界检测后处理; 镜头边界分类; 拉普拉斯特征映射 中图法分类号TP181; T P37 随着多媒体技术的发展, 对海量的视频数据进 行索引和检索已成为一个重要的研究课题视频通 常是无结构的流, 为了方便对视频内容进行分析处 理, Rui 等人[ 1] 提出将视频流按内容进行层次划分, 从高层到低层分别为视频( video ) 、场景( scene) 、镜 头组( group) 、镜头( shot ) 和关键帧( key frame) 镜 头是指摄像机从打开到关闭的过程中记录下来的一 组连续的帧图像, 它是组成视频的基本物理单位, 视 频索引和检索就建立在镜头边界检测的基础上 由于视频后期剪辑制作不同, 镜头边界大致分 为两类: 切变( cut ) 和渐变( gradual) 渐变镜头边界 又分很多种, 主要包括淡入淡出( fade in out ) 、溶解
( dissolve) 和擦变( w ipe) 镜头边界的类型能提供更多高层语义, 比如, 一段排球比赛中, 直播镜头与回 放镜头之间的切换常常使用擦变检索回放镜头时 可以在擦变镜头中寻找, 大大缩小了检索范围因 此, 镜头边界分类对于视频分析与检索有重要价值 文献[ 23] 对多种镜头边界检测算法进行了比 较以往检测算法的要点包括两个方面: 一是特征 ( feature)及度量( met ric) ; 二是针对度量的决策算法特征用来刻画视频流中每一帧的视觉内容特性, 可 以是颜色[ 4] 、边缘[ 5] 或者压缩域上的参数[ 6] ; 度量 用来刻画视频流中帧与帧之间的特征变化, 文献[ 7] 对多种度量进行介绍并比较了它们的性能决策算 法的任务则是根据度量采取一定策略和算法检测出 镜头边界 在现有的镜头边界检测算法中, 采用的特征有 像素值( 灰度值或颜色值) 、直方图以及MPEG 压缩 域上的参数衡量帧间差异最简单的度量方法是计 算两帧基于像素点的距离, 但该方法对运动敏感, 容 易造成误检直方图描述的是图像的全局信息, 一 定程度上可以减小运动对检测的影响由于目前多 数视频采用MPEG 压缩标准, 直接在压缩域上提取 特征可以提高检测速度, 常用的压缩域特征包括DC 图[ 8] 、运动向量、预测宏块数、宏块的类型信息[ 6] 等
数字图像处理第八次作业 实验内容 1、拍摄一张包含硬币、橡皮等物品的照片，通过Hough 变换检测出圆形的硬币个数并区分不同半径的硬币。最终计算出照片中的总钱数。 解：Hough 变换的实质是对图像进行坐标的变换，将图像空间的线条变为参数空间的聚集点，从而将原始图像中检测给定形状的曲线问题，变成寻找参数空间中的峰点的问题。 它不仅可以检测直线，而且可以很方便地检测圆、椭圆和抛物线等形状。由于这里需要检测圆形的硬币，所以下面给出检测圆的具体方法： 因为圆的图像空间方程为：222()()x a y b r -+-=， 我们需要通过Hough 变换，将图像空间(,)x y 对应到参数空间(,,)a b r ，然后对其进行累加完成检测。但是显然这种方法的计算量是非常大的，所以一般都是先对灰度图像进行边缘提取，利用边界像素的灰度梯度信息估计出下式中的角度θ，以此来降低计算量： cos cos a x r b y r θ θ=-*??=-*? (1) 一般在检测过程中需要对图像进行预处理，使得检测更加准确和容易。检测过程如下所示： ○ 1真彩色图像转为灰度图像； ○ 2去除噪声，进行中值滤波； ○ 3转为二值图像，利用边缘算子进行图像边缘提取； ○ 4最后进行图像的平滑和填充。 这里处理的图像并没有太多噪声，所以处理的时候略去了中值滤波的步骤，直接对边缘提取后的图像进行Hough 变换检测圆形。 根据式（1），我们需要对半径r 和角度θ进行搜索，所以这里应该首先设置半径和角度方向的搜索步长step_r 和step_angle ，接着给出半径搜索的最大和最小值，当然这两个数值需要根据经验来自己确定。最后就可以根据这些确定半径和角度的最大搜索次数。
边缘检测对于灰度级间断的检测是最为普遍的检测方法。 当我们沿着剖面线从左到右经过时，在进入和离开斜面的变化点，一阶导数为正。在灰度级不变的区域一阶导数为0.在边缘与黑色一边相关的跃变点二阶导数为正，在边缘与亮色一边相关的跃变点二阶导数为负，沿着斜坡和灰度为常数的区域为0. 结论：一阶导数可以用于检测图像中的一个点是否是边缘的点（也就是判断一个点是否在斜坡上）。同样，二阶导数的符号可以用于判断一个边缘像素是在边缘亮的一边还是暗的一边。暗的为正，亮的为负。 二阶导数的两条附加性质（1）对图像中的每条边缘二阶导数生成两个值(一个不希望得到的特点)；（2）一条连接二阶导数正极值和负极值的虚构直线将在边缘中点附近穿过零点。二阶导数的这个过零点的性质对于确定粗边线的中心非常有用。 浅黑色和白色的线是如图所描述的正和负的分量。 灰色描绘了由于比例缩放而生成的零点。 结论：为了对有意义的边缘点进行分类，与这个点相联系的灰度级变换必须比在这一点的背景上的变换更为有效。由于我们用局部计算进行处理，决定一个值是否有效的选择方法就是使用门限。图像中的一阶导数用梯度计算，二阶导数使用拉普拉斯算子得到。 一幅数字图像的一阶导数是基于各种二维梯度的近似值。 边缘在（x,y）处的方向与此点的梯度向量的方向垂直。 所有模版中的系数总和为零，表示正如导数算子中所预示的，此时在灰度级不变的区域，模版响应为0. 拉普拉斯算子一般不以其原始形式用于边缘检测是由于存在下列原因：作为一个二阶导数，拉普拉斯算子对噪声具有无法接受的敏感性；拉普拉斯算子的幅值产生双边缘，这是复杂的分割不希望有的结果；最后，拉普拉斯算子不能检测边缘的方向。 拉普拉斯算子在分割中所起的作用：（1）利用它的零交叉的性质进行边缘定位（2）确定一个像素是在一条边缘暗的一边还是亮的一边。 函数edge（）是专门提取图像边缘的，输入原图像，输出是二值图像、边缘为1，其它像素为0。B=edge(A,F,T) A为输入灰度图像，F是算子，T是阈值，决定检测边缘的强度，T值小检出的边缘多，T值大检测出的边缘少。 图像病灶边缘检测。分别选用Roberts算子、Prewitt算子、Sobel算子、Laplacian算子和Canny算子对图像进行边缘提取发现病灶。 使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。
图像处理期末作业 姓名：刘新芳 学号：2012204097 院系：信自院通信系 专业：信号与信息处理
用Hough变换提取边界直线 Hough变换是1962年由Paul Hough提出来的。它所实现的是一种从图像空间到参数空间的映射关系。它具有一系列的优点。例如，由于根据局部度量来计算全面描述参数，因而对于区域边界被噪声干扰或者其他目标遮盖而引起边界发生瞬间间断的情况，它具有很好的容错性和鲁棒性。 原理 Hough变换是图像处理中从图像中识别几何形状的基本方法之一。 Hough 变换是一种利用表决原理的参数估计技术。其基本原理在于利用图像空间和Hough参数空间的点与线的对偶性，把图像空间中的检测问题转换到参数空间。通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。Hough变换的实质是将图像空间内具有一定关系的像元进行聚类，寻找能把这些像元用某一解析形势联系起来的参数空间累计对应点。在参数空间不超过二维的情况下，这种变换效果理想。 将原始图像空间的给定的曲线表达形式变为参数空间的一个点，这样就把原始图像中给定曲线的检测问题转化为寻找参数空间的峰值问题，也即是把检测整体特性转化为检测局部特性。比如直线、椭圆、圆、弧线等。简而言之，Hough 变换思想是：在原始图像坐标系下的一个点对应了参数坐标系中的一条直线，同样参数坐标系的一条直线对应了原始坐标系下的一个点，然后，原始坐标系下呈现直线的所有点，它们的斜率和截距是相同的，所以它们在参数坐标系下对应于同一个点。这样在原始坐标系下的各个点的投影到参数坐标系下之后，看参数坐标系下没有聚集点，这样的聚集点就对应了原始坐标系下的直线。 如果参数空间中使用直线方程，当图像空间直线斜率为无穷大时，会使累加器尺寸和变很大，从而是计算复杂程度过大，为解决这一问题，采用极坐标方程，变换方程如图1所示。 θ ρsin θ = cos y x+ 根据这个方程，原图像空间中的点对应新参数空间中的一条正弦曲线，即点-正弦曲线对偶。检测直线的具体过程就是让θ取遍可能的值，然后计算ρ的值，
图像最基本的特征是边缘，边缘是图像分割所依赖的最重要特征。经典的边缘检测方法，是对原始图像按像素的某领域构造边缘检测算子。本文就这些算子进行理论分析、实际验证并对各自性能特点作出比较和评价，以便实际应用中更好地发挥其长处，为新方法的研究提供衡量尺度和改进依据。 1经典的边缘检测方法 经典的边缘检测是以原始图像为基础，对图像的各个像素考察它的某个领域内灰度阶跃变化，利用边缘邻近一阶或二阶方向导数变化规律检测边缘。常用的边缘检测方法有：差分边缘检测、梯度边缘检测、Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子、Laplace边缘检测算子等。 1.1差分边缘检测方法 利用像素灰度的一阶导数算子在灰度迅速变化处得到高值。它在某一点的值就代表该点的‘边缘强度’，可以对这些值设置门限明确地从图像中检测到边缘元。用差分检测边缘必须使差分的方向与边缘方向垂直，这就需要对图像的不同方向都进行差分运算，增加了实际运算的繁琐性。 1.2梯度边缘检测方法 梯度运算是一种不受施加运算方向限制的算子，既能检测出边缘的存在（幅度突变），又与施加运算的方向无关。 1.3Roberts边缘检测算子 Roberts边缘检测算子根据任意一对互相垂直方向上的差分可用来计算梯度的原理，采用对角线方向相邻两像素之差，即 (1) 它们的卷积算子为 有了Δxf,Δyf之后，很容易计算出Roberts的梯度幅值R(i,j)，适当取门限TH，作如下判断：R(i,j)>TH ,(i,j)为阶跃状边缘点.{R(i,j)}为边缘图像。 1.4Sobel边缘检测算子 对数字图像{f(i,j)}的每个像素，考察它上、下、左、右邻点灰度的加权差，与之接近的邻点的权大。据此，定义Sobel算子如下： (2) 卷积算子为 适当取门限TH，作如下判断：S(i,j)>TH ,(i,j)为阶跃状边缘点.{S(i,j)}为边缘图像。 1.5Prewitt边缘检测算子 对数字图像{f(i,j)}的每个像素，考察它上、下、左、右邻点灰度之差。据此，定义Prewitt 算子如下： (3)
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
2017年 2月 图 学 学 报 February 2017第38卷 第1期 JOURNAL OF GRAPHICS V ol.38No.1 基金项目：广东省省级科技计划项目(2014A010103002)；2014年东莞市高等院校、科研机构科技计划一般项目(2014106101035) 第一作者：郑慧君(1985–)，男，湖北孝感人，讲师，硕士。主要研究方向为智能算法、图形图像。E-mail ：jkx0301zhj@https://www.doczj.com/doc/986111814.html, 基于Map Reduce 的快速视频镜头边界检测算法 郑慧君1， 陈俞强1,2 (1. 东莞职业技术学院，广东 东莞 523808；2. 广东工业大学计算机学院，广东 广州 510006) 摘要：镜头边界检测是视频索引、检索和分析的基础。视频数据量大，镜头边界检测中的高计算成本是实际应用的一个瓶颈。利用Map Reduce 模型分布式的计算思想，首先将大量的视频数据处理作业拆分成若干个可独立运行的Map 任务，进行视频的解码和特征提取，然后由若干个Reduce 任务对特征值进行检测获得最后镜头边界集合。在镜头特征提取时把视频分成31帧的小片段，利用带权值的分块的直方图计算视频片段的首尾帧间差，通过自适应阈值筛选出非镜头切换片段和候选镜头切换片段，对候选镜头切换片段再做进一步检测，提出非相邻帧二次帧差法对渐变镜头进行检测。实验结果表明，利用Map Reduce 模型和改进的镜头算法在加速镜头边界检测的同时，还可以取得较好的检测精度。 关键词：镜头边界检测；Map Reduce ；直方图 中图分类号：TP 391.4 DOI ：10.11996/JG .j.2095-302X.2017010076 文献标识码：A 文 章 编 号：2095-302X(2017)01-0076-06 Fast Video Shot Boundary Detection Algorithm Based on Map Reduce ZHENG Huijun 1, CHEN Yuqiang 1,2 (1. Dongguan Polytechnic College, Dongguan Guangdong 523808, China; 2. School of Computer Science and Technology, Guangdong University of Technology, Guangzhou Guangdong 510006, China) Abstract: Shot boundary detection is the foundation of video indexing, retrieval and analysis. However, the huge amount of data and the high computational cost in shot detection becomes a bottleneck in the practical application. Using the distributed computing of Map Reduce model, a large number of video data processing operations is splinted into several independent Map tasks for video decoding and feature extraction. Then the feature value is detected by several Reduce tasks to get the final shot boundary set. When extracting the features, the video is divided into 31 frames segment, using the histogram of block with weight to calculate the difference between first frame and last frame of the video segment. Through the adaptive threshold filtering out the non-boundary segments and the candidate segments, the further detection has been done for the candidate segments. The twice frame difference method of non-neighboring frame is proposed for the gradual shot detecting. Experimental results show that the Map Reduce model and the improved shot detection algorithm is effective in accelerating the shot detection process, and it can also achieve better detection accuracy. Keywords: shot boundary detection; Map Reduce; histogram 多媒体技术、移动互联网的飞速发展，导致 视频资源呈爆发式增长。与文本、图像以及其他 多媒体信息相比，视频更加直观、生动，并且包含的信息量大，因此被广泛地应用于安全监控、 万方数据