基于数字图像处理技术的边缘特征提取
摘要
在计算机图像处理中，边缘检测是一项基本且重要的问题。在本文中，我们讨论数字图像处理用于边缘特征提取的方法。首先，利用小波变换去除采集图像中的噪声。然后，对一些边缘检测算子，如微分边缘检测算子，Log边缘检测算子，Canny边缘检测算子和二值形态学算子进行分析。然后根据仿真结果，比较这些边缘检测算子的优缺点。研究结果表明，二值形态学算子能够获得更好的边缘特征。最后，为了获得清晰的图像轮廓，给出了封闭边缘检测的方法。经过试验，本文提出了可行的边缘检测方法。
关键词：边缘检测，数字图像处理，算子，小波分析
一．引言
边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，存在于对象和背景，对象和对象，区域和区域之间。边缘总是存在于两个有不同灰度的区域之间，这是由于两个区域之间的灰度是不连续的。边缘检测是一种基于图像分割的非连续性检测，图像的边缘检测是图像处理和分析的基础内容，也是迄今无法完全解决的一个问题。当图像受到投影，混合和噪声等因素的影响时，图像特征会变得模糊和失真，使得图像特征的提取变得困难。这些因素的存在使图像的边缘检测变得非常困难。本文中图像边缘和轮廓特征的检测与提取的方法已在该领域的图像处理和分析技术中成为研究热点。
边缘特征提取已经在许多领域广泛应用。本文主要讨论了几个边缘检测算子用于电缆绝缘参数测量时的优缺点。为了获得清晰的图像轮廓，首先要对获得的图像进行滤波和去噪，在这个过程中使用小波变换去噪。用于边缘检测的算子包括微分算子，LOG算子，Canny算子和二值形态学算子。最后使用边界跟踪的方法对图像的边缘像素进行连接，最后将得到清晰和完整的图像轮廓。
二．图像去噪
实际情况中的图像在采集、传输、接收和处理的过程中含有噪声叠加的过程。噪声的存在影响图像的质量，使图像变得模糊，隐藏了许多重要的特征，这给分析带来很多困难。因此，要对图像进行预处理以消除噪声。
传统的去噪方法是使用低通或带通滤波器去噪，其缺点是去噪时信号会变模糊，消除噪声和保持图像边缘细节这两个方面存在矛盾。然而，小波分析已经被证明是图像处理的一个有力工具。由于小波去噪使用不同的频率带通滤波器对信号滤波，它消除反映主要噪声频率的一些系数，保留下的系数参与完成逆变换，从而能很好的抑制噪声。因此，小波分析在图像压缩，图像去噪等方面广泛应用。
去噪后图像
噪声图像
图1 小波变换法去噪
图1显示了用小波变换去噪的基本过程，其主要步骤如下：
1）对图像进行预处理（如灰度调整等）；
2）采用小波多尺度分解处理图像；
3）在每一个尺度，去除属于噪声的小波系数，然后增强并保留余下的系数；4）去噪后利用小波逆变换获取增强的图像。
小波去噪的Matlab仿真结果如图2所示：
带噪声的原始图像中值滤波图像小波去噪图像
图2 两种去噪方法比较
与传统的匹配滤波器相比，小波变换去噪不损坏图像的高频部分。此外，小波变换去噪还有许多优点，例如强大的适应能力、计算速度快等，因此用小波变换可以有效地提高图像的信噪比。
三．边缘检测
数字图像的边缘检测是进行图像分析的非常重要的基础，包括图像分割、确定目标区域和提取区域特性等。因为边缘是目标和背景的边界，所以在数字图像处理中边缘检测是非常重要的，并且只有在获得图像边界以后，我们才能区分目标和背景。
图像检测的基本思想是利用边缘检测算子增强图像的边缘部分，然后通过设置阈值确定了“边缘强度”的像素和提取的边缘点。但由于存在噪声和图像模糊等原因，检测的边缘可能产生中断。因此，边缘检测包含以下两个部分：
1）使用边缘检测算子提取边缘点；
2）删除一些边缘点并对边缘点进行补充，进行曲线拟合得到一条完整的边界。一般常用的边缘检测算子有微分算子、Log算子、Canny算子和二值形态学算子等。
A.微分算子
微分算子可以突出边缘灰度的变化。运用导数算子对一些灰灰度变化较大的点进行运算。通过设定阈值，把这些微分值视为边缘强度采集点。
一阶导数是最简单的微分算子。假设图像是函数，微分算子是一阶偏导数，。他们代表x和y的灰度变化率方向。灰度变化率的方向如方程(1)所示：
(1)
在连续的情况下，微分函数为：
微分函数的方向导数在某一时刻有最大值，这一点的方向是：
方向导数最大为：
这一矢量的方向和模量称为梯度函数，即
因此，算子的梯度模板方程如方程(2)所示:
(2)
对于数字图像，梯度模板算子如方程（3）所示：
(3)
在这：
微分算子主要包括Roberts和Sobel算子。
(1)罗伯茨（Roberts）算子
罗伯茨算子是一种利用微分算子寻找边缘的最简单的算子，它对具有陡峭边缘且含噪声少的图像处理效果是最好的。但使用罗伯茨算子提取图像的边界是很粗糙的，边缘的定位不是很准确。
罗伯茨算子的定义是：
(4)
但在实际中绝对偏差算法通常采用方程(4)的简化形式，如方程(5)和
(6)。 (5)
(6)
罗伯茨算子的模板如图3所示：
图3 罗伯茨算子
(2)Sobel和Prewitt算子
在边缘检测时为了降低噪声的影响，Prewitt边缘检测算子模板由2*2增加到3*3。使用Prewitt算子不仅可以检测边缘点，也可以抑制噪声。Sobel算子具有和Prewitt算子类似的功能，Sobel算子在边缘检测的应用中更广泛。
假设像素数量在3x3子域的图像如下：
定义和，
那么Prewitt算子如下：
(7)
(8)
Prewitt算子的模板如图4所示：
图4 Prewitt算子
Sobel算子可以处理图像噪声和灰度梯度。我们定义和，那么Sobel算子如下所示：
(9)
(10)
Sobel算子的模板如图5所示：
图5 Sobel算子
原始图像和用Sobel算子检测边缘后的图像，用Matlab仿真后的结果如图6和图7所示。
图6 原始图像图7 边缘检测Sobel算子图
从模拟绘制的图7中我们可以知道，边缘的位置非常准确。Sobel算子边缘检测的效果是令人满意的。总之，Sobel和Prewitt算子有较好的效果，例如图像灰度的逐步改变。
B.LOG算子
LOG算子是线性时不变的算子，它通过检测二阶微分系数为零的灰度点来检测边缘点。对于连续函数，LOG算子在点的定义为：
(11)
LOG算子是对图像过滤和计数微分处理的过程。它利用卷积循环对称LOG模板确定过滤器的零重叠位置输出。LOG算子的模板如图8：
图8 LOG算子
在LOG算子的检测过程中，首先利用高斯函数对图像做平滑滤波处理，然后利用LOG算子检测图像的边缘。最后进行二值化处理，连接边缘点。但利用LOG 算子检测边缘通常会出现虚假边缘。因此，LOG算子通常用来判断图像明暗边界的边缘像素。
C. Canny算子
Canny算子是一种新的边缘检测算子。它具有非常好的边缘检测性能，且应用很广泛。Canny算子边缘检测是寻找图像梯度的局部极大值。梯度是高斯滤波器的导数。Canny算子使用双阈值算法来分别检测强边缘和弱边缘。在强边缘与弱边缘相连时，弱边缘将包含在输出值里。Canny算子的理论基础如方程(12)至(15)所示：
高斯函数： (12)
正常边缘： (13)
边缘增强： (14)
最大增强： (15)
对二维图像，Canny算子可以产生边界梯度的方向和强度两个信息。Canny 算子实际上是对图像分别使用不同的模板做卷积，然后采取主要的方向。从定位准确性的角度来看，Canny算子优于其他算子。
这种方法不容易受到噪声的影响，在噪声抑制和边缘检测间得到较好的折中。它可以检测到真正的微弱边缘。
D.二值形态学
数学形态学是一种适用于图像处理的新方法。基本思想是用一个结构元素作为基本工具来探测和提取图像特征。因此可以完成图像的处理与分析。
利用数学形态学进行边缘检测比使用微分检测效果更好，它不像微分算法对噪声那样敏感，同时，提取的边缘也比较平滑。二值图像也被称为黑白图像。可以很容易地确定物体的图像背景。因此，我们采取的结合二值图像和数学形态学来检测边缘。这就是所谓二值形态学。
假设该区域显示形状设为A，它的边缘为。B是一个适当的结构元素，它关于原点对称。首先，我们用结构元素B腐蚀A，记做，在这是沿向量对B的翻转。内部区域用表示，并且是自然边缘，然后可以求出。提取边缘的方程记做。构建的结构元素越大，获得的边缘越宽阔。
E.模拟结果分析
为了比较这些边缘检测算子的优缺点，我们分别利用不同的算子来检测边缘，模拟结果显示在图9和图10。
原始图像二值图像边缘提取
图9 基于二值形态学的边缘检测
原始图像罗伯茨算子 sobel 算子
prewitt 算子坎尼算子 log 算子
图10 几种边缘检测算子比较
从仿真结果可以得出结论：用Sobel算子和二值形态学方法检测的边缘效果都比较好。因此，这两种方法都可以使用。但根据测量误差的要求，我们最终选择二值形态学的方法。
四．边界跟踪
虽然在边缘检测之前已经进行了图像去噪，但是当进行边缘检测时仍会引入噪声。当噪声存在时，使用导数算法来检测图像的边缘，通常会产生边界不连续的现象。在这种情况下，我们需要连接边缘像素。因此，我们将介绍一种通过像素梯度的大小和方向进行边缘跟踪的方法。
基本思想是：连接边缘的像素有一定的相似性。利用梯度算法来处理图像可以得到两方面的信息。一种是大小梯度，另一种是方向梯度。通过在这两个方面边缘梯度像素的相似性，边缘像素是可以连接的。具体地讲，如果像素(s,t)是像素(x,y)的相邻区域，梯度大小和梯度方向必须满足(16)和(17)两个条件，那么像素(S,T)和像素(x,y)可以连接。如果所有的边缘像素连接起来，将得到闭合的边界。
(16)
(17)
其中T是幅度阈值，A是角度阈值。
五．结论
这些边缘检测算子在边缘明显和低噪声的情况下，有较好的边缘检测效果。但实际采集的图像中存在大量噪声，许多噪声被检测为边缘。为了解决这个问题，本文中用小波变换来降噪。如果这些模拟图像再次通过边缘细化和跟踪处理，其效果会更好。虽然在图像边缘检测领域中有多种边缘检测方法，但总是存在某些缺点。例如，抑制噪声和保持图像细节不能同时达到最佳效果。因此，如果根据特定的实际情况选择合适的边缘检测算子，我们将获得满意的结果。
实验四图像分割与边缘检测 一．实验目的及要求 1．利用MATLAB研究图像分割与边缘检测的常用算法原理； 2．掌握MATLAB图像域值分割与边缘检测函数的使用方法； 3．了解边缘检测的算法和用途，比较Sobel、Prewitt、Canny等算子边缘检测的差异。 二、实验内容 （一）研究以下程序，分析程序功能；输入执行各命令行，认真观察命令执行的结果。熟悉程序中所使用函数的调用方法，改变有关参数，观察试验结果。 1．图像阈值分割 clear all, close all; I = imread('cameraman.tif'); figure (1),imshow(I) figure(2); imhist(I) T=120/255; Ibw1 = im2bw(I,T); figure(3); subplot(1,2,1), imshow(Ibw1); T=graythresh(I); L = uint8(T*255) Ibw2 = im2bw(I,T); subplot(1,2,2), imshow(Ibw2);
help im2bw; help graythresh; clear all, close all; I = imread('cameraman.tif'); figure (1),imshow(I) figure(2); imhist(I) T=240/255; Ibw1 = im2bw(I,T); figure(3); subplot(1,2,1), imshow(Ibw1); T=graythresh(I); L = uint8(T*255) Ibw2 = im2bw(I,T); subplot(1,2,2), imshow(Ibw2); help im2bw; help graythresh;
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
龙源期刊网 https://www.doczj.com/doc/a79146225.html, 图像纹理检测与特征提取技术研究综述 作者：李秀怡 来源：《中国管理信息化》2017年第23期 [摘要] 图像纹理作为图像数据的重要信息，是符合人类视觉特征的重要信息之一。纹理 检测与特征提取是纹理分类与分割的基础前提，可以应用到医疗、工业、农业、天文等多个领域，也是近几十年来一个经久不衰的热点研究。随着图像处理领域各种技术的发展，纹理特征分析提取方法也得到不断创新。文章在对相关文献进行调研的基础上，叙述了纹理特征提取方法的发展历程及研究现状，并重点对近十年纹理特征提取方法进行了论述，最后指出了该领域的发展趋势及问题。 [关键词] 图像纹理；特征提取；小波；支持向量机 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 23. 088 [中图分类号] TP311 [文献标识码] A [文章编号] 1673 - 0194（2017）23- 0175- 04 1 引言 随着大数据时代的到来，相对于一般数据，图像信息作为一种更直观更形象的数据表现形式，其应用已经深入到医学、工业、航空、农业等各行业领域中。而纹理作为图像的重要特征之一，可以充分反映图像的整体特征，因此也成为了诸多图像后处理技术所必备的研究条件。但是，纹理的复杂多样性使得研究者们对其分析和准确识别是非常困难。而解决这个困难的方法之一是对图像提取纹理，然后对提取的纹理进行分析研究。这也是模式识别、图像检索、和计算机视觉等研究的基础。在纹理研究的每个阶段内，随着国内外学者研究对图像纹理提取模型及算法的不断创新，以及纹理提取的广泛的应用价值，促使着大家对这一领域进行更深入的研究。 2 纹理的基本定义及特性 目前，人们对纹理的精确定义还没有完全统一，当前几个类别的定义基本上按不同的应用类型形成相对的定义。一般认为，纹理是图像色彩或者灰度在空间上的重复或变化形成纹理。通常，人们将组成纹理的基本单元称为纹理基元或纹元（texture element）。 尽管关于纹理的定义尚未统一，但人们对纹理信息所具有的如下特性达成共识： （1）纹理基元是纹理存在的基本元素，并一定是按照某种规律排列组合形成纹理；（2）纹理信息具有局部显著性，通常可以表现为纹理基元序列在一定的局部空间重复出现；（3）纹理有周期性、方向性、密度、强度和粗糙程度等基本特征，而与人类视觉特征相一致的周期
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。
岭南师范学院 课程名称数字图像处理 实验序号实验5 实验名称图像分割和边缘检测 实验地点综B207 2017年10 月14 日
四、实验过程（实验步骤、记录、数据、分析） 1.基于一阶导数的边缘算子 a=imread('y.jpg'); f=rgb2gray(a); subplot(2,2,1),imshow(f),title('原始图像'); [g1 , t1]=edge(f,'roberts',[ ], 'horizontal'); subplot(2,2,2), imshow(g1),title('Roberts'); [g2, t2]=edge(f, 'sobel',[ ], 'horizontal'); subplot(2,2,3), imshow(g2),title('Sobel'); [g3, t3]=edge(f, 'prewitt',[ ], 'horizontal'); subplot(2,2,4), imshow(g3),title('Prewitt'); 从图像结果来看，'Roberts'的边缘检测范围更加大 2、基于二阶导数的边缘算子：应用LOG算子检测边缘 a=imread('y.jpg'); f=rgb2gray(a); subplot(1,2,1),imshow(f),title('原始图像'); [g , t]=edge(f, 'log'); subplot(1,2,2),imshow(g),title('log');
3、基于约束条件的最优化检测边缘算子：应用Canny算子检测边缘a=imread('y.jpg'); f=rgb2gray(a); subplot(1,2,1),imshow(f),title('原始图像'); [g , t]=edge(f,'canny'); subplot(1,2,2),imshow(g),title('Canny');
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
毕业设计 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法
Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation
数字图像处理实验报告 学生姓名王真颖 学生学号L0902150101 指导教师梁毅雄 专业班级计算机科学与技术1501 完成日期2017年11月06日
计算机科学与技术系信息科学与工程学院
目录 实验一.................................................................................................. 错误!未定义书签。 一、实验目的.................................................................................................... 错误!未定义书签。 二、实验基本原理 ........................................................................................... 错误!未定义书签。 三、实验内容与要求....................................................................................... 错误!未定义书签。 四、实验结果与分析....................................................................................... 错误!未定义书签。实验总结............................................................................................... 错误!未定义书签。参考资料.. (3) 实验一图像分割与边缘检测 一．实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法；
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
FFT特征提取算法 来自网络 滚动轴承故障诊断频域特征识别，关键在于转换为频域的实时性是否满足系统实时的工作需要，FFT变换是将时域信号转换为频域的有效方法。FFT具有快速实时，物理关系明确的优点，能以较低的成本得到性能满足要求的系统，所以本课题讨论的故障诊断频域特征识别仍采用FFT变换。 TI公司的DSP有许多适应实时数字信号处理的特点，具有哈佛总线结构、片内缓存技术、流水线结构、特殊的寻址方式、高效的特殊指令以及硬件乘法器、位反转桶形位移器等硬件，因此数据运算速度很快，通常1024点的FFT在毫秒级之内(以所选用的DSP和系统时钟而有别)，因此用DSP实现FFT，实时性可以充分满足系统要求。 FFT在DSP处理器实现中采用的是按时间抽取的基2算法。一般情况下，假定FFT程序的输入序列为复数，而在本课题应用背景中待处理序列为实数值，可以采用对称特性有效地计算FFT。在此情况下，可以将原来的N点实数序列压缩为一个N/2点的复数序列。对此压缩复数序列执行N/2点FFT，将得到的N/2点复数输出展开为N点复序列，它与原来N点实数输入信号的FFT相对应。做完FFT变换后，要识别故障特征，还要对变换后的数据序列进行求模，从而判断出故障特征的幅度和频率信息。所以FFT变换的流程如图5.6所示。
C5402的DSPLIB库提供了一套全面优化的用于实数和复数FFT的函数和一个位反转例程(cbrev)。实数FFT函数rfft是一个宏，其如下调用Cfft和cbrev: #definerfft(x，nx，type) { Cfft_##type(x，nx/2); Cbrev(x，x，nx/2); unpack(x，nx); } FFT变换程序不仅要调用DSPL工B中的cfft--SCALE函数，而且还要对变换完后的数据进行位翻转和数据打包，所以分别调用了库中的cbrev和unPack函数，最后还要对输出数据进行求模来判断幅度和频率等参数。
Edge Feature Extraction Based on Digital Image Processing Techniques Abstract Edge detection is a basic and important subject in computer vision and image processing. In this paper we discuss several digital image processing techniques applied in edge feature extraction. Firstly, wavelet transform is used to remove noises from the image collected. Secondly, some edge detection operators such as Differential edge detection, Log edge detection, Canny edge detection and Binary morphology are analyzed. And then according to the simulation results, the advantages and disadvantages of these edge detection operators are compared. It is shown that the Binary morphology operator can obtain better edge feature. Finally, in order to gain clear and integral image profile, the method of bordering closed is given. After experimentation, edge detection method proposed in this paper is feasible. Index：Terms-Edge detection, digital image processing, operator, wavelet analvsis I. INTRODUCTION The edge is a set of those pixels whose grey have step change and rooftop change, and it exists between object and background, object and object, region and region, and between clement and clement. Edge always indwells in two neighboring areas having different grey level. It is the result of grey level being discontinuous. Edge detection is a kind of method of image segmentation based on range non-continuity. Image edge detection is one of the basal contents in the image processing and analysis, and also is a kind of issues which are unable to be resolved completely so far. When image is acquired, the factors such as the projection, mix, aberrance and noise are produced. These factors bring on image feature's blur and distortion, consequently it is very difficult to extract image feature. Moreover, due to such factors it is also difficult to detect edge. The method of image edge and outline characteristic's detection and extraction has been research hot in the domain of image processing and analysis technique. Edge feature extraction has been applied in many areas widely. This paper mainly discusses about advantages and disadvantages of several edge detection operators applied in the cable insulation parameter measurement. In order to gain more legible image outline, firstly the acquired image is filtered and denoised. In the process of denoising, wavelet transformation is used. And then different operators are applied to detect edge including Differential operator, Log operator, Canny operator and Binary morphology operator. Finally the edge pixels of image are connected using the method of bordering closed. Then a clear and complete image outline will be obtained.