下载文档原格式
第24卷第2期 阜阳师范学院学报(自然科学版) V o l.24,N o.2 2007年6月 Journal of Fuyang T eachers Co llege(N atural Science) Jun.2007基于小波变换的多尺度图像边缘检测郦丹芸1,2,陶 亮1,詹小四2(1.安徽大学计算机科学与技术学院,安徽合肥 230039;2.阜阳师范学院计算机系,安徽阜阳 236041)摘 要:边缘作为图像的最主要特征,成为图像信息获取的重要内容.而小波变换具有检测局域突变的能力,而且可以结合多尺度信息进行检测,因此成为图像信息边缘检测的优良工具.文章首先构造了高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,讨论了不同尺度的检测算子检测的边缘所具有的特点,在此基础上提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法.实验结果说明这种特征提取方法不仅有效地降低了噪声,而且融合的边界比较完整,定位准确.关键词:图像处理;边缘检测;多尺度小波分析;小波中图分类号:T P391 文献标识码:A 文章编号:100424329(2007)022******* 在图像中,边缘是指其周围像素灰度有阶跃变化或屋顶变化的像素的集合.边缘是图像的基本特征之一,.因此,边缘提取与检测在图像处理中占有很重要的地位.传统的边缘检测方法基于空间运算,借助空域微分算子进行,通过将算子模板与图像进行卷积合成,根据模板的大小和元素值的不同有不同的微分算子,如Robert算子、Sobel算子、P rew itt算子、LO G 算子、Canny算子等,这些算子虽然易于实现、具有较好的实时性,但由于边缘检测问题固有的复杂性,使这些方法在抗噪性能和边缘定位方面往往得不到满意的效果,这主要是因为边缘和噪声都是高频信号,很难在噪声和边缘中作取舍[1].1983年W itk in提出尺度空间的思想,对边缘检测中的多尺度多分辨的思想进行了深入、直接的研究.1992年M allat提出小波变换多尺度边缘检测方法,并将小波边缘检测方法与LO G算子及Canny 最优检测算子在小波意义下统一起来,更加明确地表达了多尺度的思想在边缘检测中的重要意义[2].然而,边缘检测的不确定性指出边缘检测算子的抑噪能力和定位精度是一对矛盾,小尺度算子有利于边缘定位,但对噪声极为敏感;大尺度算子抑噪能力强,但边缘定位精度差,甚至会丢失某些局部细节.因此,固定尺度的边缘检测算子难以兼顾良好的边界定位,噪声抑制和弱边界检测等性能指标. M arr[3]从神经生理学和心理物理学出发,指出人的视觉前期处理中有多个分辨率的边缘算子在对图像作卷积,各边缘检测算子输出的组合能提高定位精度,减少噪声干扰.由于小波变换具有良好的时频局域化特性及多尺度分析能力,本文根据多尺度分析构造多尺度边缘检测算子,通过多尺度边缘融合,实现图像边缘的检测.1 多尺度图像边缘提取算法在文献[4]中,Young R.A从人类视觉的生理特性和数学形式上分析,指出一个高斯平滑函数叠加一个高斯函数的二阶导数能够更加精确的模拟人类的视觉特性,即能更好地强化边缘并准确定位.1.1 设计多尺度离散掩模算子高斯函数的一阶导数满足允许小波函数的定义[5],利用高斯函数构造小波边缘检测算子.设Η(x, y)为均值为0,方差Ρ2的高斯函数,Ηs(x,y)= 1s2Η(xs,ys)为Η(x,y)的尺度变换函数,s为伸缩因子,则71s(x,y)=s5Ηs5x,72s(x,y)=s5Ηs5y为尺度上s收稿日期:2007204208基金项目:安徽省高校青年教师“资助计划”项目(2007jql145)作者简介:郦丹芸(1976-),女,硕士研究生,讲师.研究方向:图像处理.的小波函数.在尺度s上,函数f(x,y)∈L2(R2)的W T(小波变换)定义为W1s f(x,y) W2s f(x,y)≡f371s(x,y)f372s(x,y)=s (f3Ηs)(x,y)(1)因此,f(x,y)关于71和72的W T的两个分量为f(x,y)的竖直和水平边缘增强图,记为n1(x,y)和n2(x,y).令I(x,y)=n21+n22,A(x,y)= arctg(n2 n1)分别为边缘幅度图和梯度方向图.在实际应用中,由于图像都为离散化的,因此需要对71s和72s进行采样,获得多尺度离散掩模算子. f(x,y)的W T的离散化形式为:W1s f(x,y)=6x+(L-1) 2m=x-(L-1) 26x+(L-1) 2 n=y-(L-1) 2 f(m,n)71s(x-m,y-n)(2)W2s f(x,y)=6x+(L-1) 2m=x-(L-1) 26x+(L-1) 2 n=y-(L-1) 2 f(m,n)72s(x-m,y-n)(3)其中L为掩模算子的宽度.在实际情况下L不可能为无限长,由于71s,72s具有负指数的衰减形式,因此可以取其波峰和波谷之间距离的两倍作为的长度.可得71s和71s的宽度均为 L=(in t)4sΡ(4)若L为偶数,则L=L+1.若已知L及s,则可通过Ρ=L (in t)4s求出标准差Ρ的值.令最小尺度为s= 1,该尺度对应的掩模算子宽度L=3,可以求出Ρ=0.75.同理可以求出s为任何整数时的掩模算子.1.2 基于多尺度小波算子的边缘检测方法1.2.1 检测边缘候选点对图像进行有限尺度的小波分解,形成噪声逐渐减少的多尺度边缘增强图像.在选定的最大尺度和最小尺度之间设定尺度的跨度,产生一系列尺度空间.首先,两个空间的尺度越相近,则两个尺度下检测出的边缘位置也越相近,两个空间的尺度跨度较大,那么检测出的边缘的位置也会有较大的差异.尺度越小,检测的边缘越接近真实边缘,如果在最小尺度下的噪声边缘淹没了图像边缘,则认为该尺度为无效尺度,重新选择;在最大尺度空间,噪声得到抑制,图像边缘信息在局部模极大值中占主导地位,但要防止边缘失真,如果边缘严重失真,这样的大尺度也视为无效.因此,边缘关联应该在相近的尺度范围内进行,而不应该跨越较大尺度范围,否则边缘信息在相邻尺度空间的相关性将降低.本文选择个相邻的整数尺度,把s=m,m+1,…,m+n-1,m∈Z+作为分解尺度,分别得到各尺度的掩模算子.图像与掩模算子进行卷积,局部模极大值点即为检测出的图像的候选边缘.为边缘幅度设定阈值T s,幅度大于T s的候选点作为边缘点.还为每个边缘的长度设定阈值L s,将连续长度小于阈值L s的边缘删去,使得检测出来的边缘可信度较高,L s一般取20.最小尺度m和最大尺度m+n-1根据具体情况选定,要保证最小尺度下边缘信息比较准确,没有被噪声边缘淹没;最大尺度空间边缘失真较小.对于不同的尺度空间,选择不同的阈值,在最大尺度空间,选择的阈值较高,以减少噪声的影响;而在其他尺度空间,阈值比较小,使得边缘信息尽量完整.因此在最大尺度空间,边缘可能是不完整的.1.2.2 图像的多尺度融合多尺度边缘的融合并不等于将不同尺度下的边缘简单相加,因为不同尺度的边缘检测算子对同一边缘的响应并不相同,因此在不同尺度的边缘增强图像中的位置也不相同,边缘相加必然会造成边缘冗余,同时噪声也没有得到抑制.本文利用多尺度边缘在位置、强度和方向上的联系,提出边缘传递、继承和生长3种处理方法来实现多尺度边缘的融合.尺度s+1上的3×3邻域中的像素是尺度s上局部模极大值点(i,j)的关联域,定义为F s,s+1(i,j).通过下面的判断式来确定尺度s上点(i,j)是否与尺度s+1关联.定义尺度s上局部模极大值点的集合为M,用C s,s+1(i,j)来表示s空间点(i,j)与s+1空间的相关性.则C s,s+1(i,j)=1 ϖ(m,n)∈F s,s+1(i,j)&(m,n)∈M s+1,st. Υs(i,j)-Υs+1(m,n) ≤Αo r Υs(i,j)-Υs+1(m,n)≥360°-Α0 else(5)其中Υs(i,j)和Υs+1(i,j)为尺度s,s+1上极大值点(i,j)的梯度方向,Α是为方向差设定的阈值.如果C s,s+1(i,j)=1,则说明尺度s上极大值点(i,j)是与尺度s+1上极大值点相关联的,否则不关联.(a)边缘传递如果尺度s上的极值点(i,j)不与尺度s+1关联,说明尺度s+1上的边缘信息传递不到(i,j).如果尺度s上的极值点(i,j)与尺度s+1关联,则认为尺度s上的极值点(i,j)是由尺度s+1中的某个边缘点(m,n)传递而来,在不同尺度空间反映图像中的同一边缘.经边缘传递后边缘点集合为B1s,s+1,其组成为 B1s,s+1={(i,j)∈M s C s,s+1(i,j)=1}(6)75第2期 郦丹芸等:基于小波变换的多尺度图像边缘检测(b)边缘继承尺度空间s+1上存在某些边缘点不与尺度上的任何边缘点关联,尺度s+1上这部分边缘信息需要保留,用B2s,s+1表示,其组成为B2s,s+1={(m,n)∈M s+1 Π(i,j)∈ M s,C s,s+1(i,j,m,n)=0} (7)其中C s,s+1(i,j,m,n)表示尺度s上点(i,j)与尺度s +1上点(m,n)的相关性.B1s,s+1表示从尺度s+1传递到尺度s的边缘,而B2s,s+1表示从尺度s+1空间继承下的边缘.引入I s,s+1和Υs,s+1来分别代表合成边缘模值和合成梯度方向,它们表示跨尺度融合后的边缘增强图和梯度方向图. I s,s+1(i,j)=I s+1(i,j),(i,j)∈B2s,s+1I s(i,j), else(8) Υs,s+1(i,j)=Υs+1(i,j),(i,j)∈B2s,s+1Υs(i,j), else(9)(c)边缘生长为了获得完整的边缘,不仅需要边缘的传递、继承,还需要边缘生长.在大尺度空间,为边缘选取较高的阈值T s,以减少噪声的干扰,这也导致了检测出的边缘的不完整性.在小尺度空间,降低阈值T s,虽然噪声的影响较大,但图像的边缘比大尺度空间完整,因此小尺度空间包含了比大尺度空间更多的边缘信息,也包含了更多的噪声边界.由于前面介绍的边缘传递仅在3×3的小窗口内进行,使得边缘信息无法传递到较远的地方.可以增大窗口的尺寸,但是在这种情况下相邻尺度有相关性的局部模极大值可能并不对应于同一边缘.因此本文利用小窗口迭代来实现边缘生长.将从尺度s+1和尺度s通过传递和继承获得的局部模极大值点集合B s,s+1另记为B0s,s+1,Υs,s+1另记为Υ0s,s+1,以此为基础,使得B0s,s+1在M s中迭代扩展.设第k次迭代之后的边缘点集合为B k s,s+1,k≥1.将M s中的像素(i,j)与B k-1s,s+1中的像素的相关性用D k-1s (i,j)表示.如果D k-1s(i,j)=1,表示M s中的像素(i,j)与B k-1s,s+1中的像素相关联;否则不关联.如果点(i,j)在B0s,s+1中是一个边缘的端点,而在M s中位于某个边缘的中间,B k s,s+1通过上述迭代,就会扩展到整个的边缘,完成边缘生长.多尺度边缘融合从最大尺度开始,先进行边缘传递;无法传递的大尺度边缘得到保留;然后在小尺度空间进行边缘的生长扩展.由于扩展只是在像素的8邻域范围内逐步进行,并且有方向的限制,因此可以克服噪声边缘的干扰.以上步骤逐层向下进行,最后得到多尺度融合的边缘.2 实验结果分析下图1中(a)是一幅SA R图像,对图像进行小波变换,图1(b)2(f)是经过5级小波变换后获得的高于给定门限局部模极大值点位置图,即各尺度下的边缘图,尺度分别为s=2,3,4,5,6.从边缘图可以看出,随着尺度的增大,噪声逐渐减少,边缘逐渐平滑.在尺度2时,噪声的影响非常大,边界比较破碎;尺度s=6为最大尺度,提取的边缘体现了原图中的主要边缘,基本不受噪声的影响,但是边缘失真比较严重,且提取的边缘不完整,对于某些连续的边缘,只检测出其中的一段,但是在小尺度空间可以较完整地检测出来.因此需要利用最大尺度空间提供的位置信息,融合各尺度的信息,合成精确的边缘.运用本文提出的多尺度融合算法,结果如图1(g)2(j)所示.通过逐层融合,原来断裂的边缘连接起来,而且边缘位置越来越贴近实际边缘位置.对于本文所选取的小波函数,各尺度下的极值点检测相当于图像的Canny边缘检测.与尺度2、3、4、5下的边界相比,多尺度融合获得的边界有效地抑制了噪声干扰;与尺度6下的边界相比,多尺度融图1 各尺度下边缘检测结果85 阜阳师范学院学报(自然科学版) 第24卷图2 传统的边缘检测算子检测结果合获得的边界定位更准确,边界更完整.图2中(l )为Canny 算子,(m )Sobel 算子,(n )为LO G 算子检测出的边界,通过比较可以看出:对于受强烈噪声污染的SA R 图像,用Canny 算子检测出的边缘较模糊,去噪效果差,在定位精度、精确检测等方面都不如本文采用的方法.与其他边缘检测算子的比较可以获得相似结果.参考文献[8、9]给出了其他基于小波变换的图像边缘检测方法.文献[8]利用多尺度分解获得LL 空间的细节图,然后对细节图进行中值滤波抑制噪声的干扰,对滤波后图像二值化后利用Sobel 算子检测边缘.该方法实际仅利用某一尺度下的细节图进行边缘检测,没有考虑到不同尺度边缘的关联.文献[9]在对相邻尺度的边缘进行信息融合时,仅对链的端点进行处理,没有考虑到不同尺度下,提取的边缘定位的不同.仅利用端点进行融合减少计算量,但是获得的融合边缘定位会有误差,并且这种方法边缘的补充有限.本文方法通过边缘生长可以充分实现不同尺度的边缘互补.因此从机理上说,本文的方法更优越.3 结论本文根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,讨论了不同尺度的检测算子检测的边缘所具有的特点,在此基础上提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法.(1)由于小波变换有多尺度的特点,可以利用多尺度特性,通过细节和粗节进行逼近,强于其他经典算法.(2)在边缘和噪声的取舍中,由于二者均为高频信号,很难用频带划分.使用小波变换的方法,使得可在大尺度下抑制噪声,小尺度下,得到边缘的真实位置;而传统的和经典的边缘检测算法则在此问题上不能提供有效的解决办法.不论选用怎样的小波函数,都可以利用上述算法进行多尺度边缘融合.实验表明该方法可以有效抑制噪声的干扰,同时保证融合边界的完整性和定位的准确性.参考文献[1] 刘贵忠,邸双亮.小波分析及其应用[M ].西安:西安电子科技大学出版社,1995:1742289.[2] 王 涛.模糊多尺度边缘检测算法的研究[J ].微计算机信息,2006,22(1023):3042306.[3] M arr .视觉计算理论[M ].姚国正,刘 磊,汪云九,译.北京:科学出版社,1988:2562260.[4] Young R A .Si m ulati on of H um an R etinal Functi on w ith the Gaussian D erivative M odel [J ].IEEE the Computer SocietyConference on Computer V isi on and Pattern R ecogniti on .M ich igan U SA ,1988,8(6):5642569.[5] 程正兴.小波分析算法与应用[M ].西安:西安交通大学出版社,1998:1682257.[6] 陈 虹.基于小波变换的多尺度图像边缘检测[J ].首都师范大学学报(自然科学版),2004,25(12):326.[7] 施成湘.扩展的多尺度模糊边缘检测计算机工程与应用2006,7:65268[8] 赵志钦,王建国.SA R 图像的边沿检测方法研究电子科技大学学报,2000,29(3):2252228.[9] 刘宏兵,杨万海.图像小波边缘提取中阈值选取的一种自适应方法[J ].西安电子科技大学学报,2000,27(3):2942296.I mage Edge D etection Ba sed On M ultisca le W avelet Tran sformL I D an 2yun1,2,TAO L iang 1,ZHAN X iao 2si 2(1.S chool of Co m p u ter S ience ,A nhu i U niversity of Ch ina ,H ef ei A nhu i ,230039,Ch ina ;2.D ep art m ent of Co m p u ter ,F uy ang T eachers Colleg e ,F uy ang A nhu i ,236041,Ch ina )Abstract :T he edge ,as the mo st basic characteristic of i m ages ,is an i m po rtant content of obtaining info r m ati on of ap icture .T he w avelet transfo r m can detect part m utati on ,and can do it com bining m ultiscale info r m ati on ,so w avelet has be 2com e a good too l of detecting info r m ati on of edge i m ages .In th is paper ,a m ultiscale Gaussian edge detecto r is constructed .A cco rding to transfer p roperties acro ss scales of the w avelet modules of the signal edge and the no ise edge ,w e com bine the p roperties of edges in different scales and p ropo se a m ulti 2scale edge fusi on algo rithm consisting of edge transfer ,edge inherit and edge grow th .T he result of experi m ents show s that th is algo rithm can get rid of the affect of no ise and the edges fused have p recise po siti on and intact contour .Key words :i m age p rocess ;edge detecti on ;m ultiscale w avelet transfo r m ;w avelet95第2期 郦丹芸等:基于小波变换的多尺度图像边缘检测。
基于小波变换的数字图像边缘检测数字图像边缘检测是计算机视觉领域中的一个重要问题，它在图像处理、模式识别和计算机视觉应用中有着广泛的应用。
边缘是图像中灰度值发生剧烈变化的地方，对于图像的分割和特征提取具有重要意义。
而小波变换作为一种多尺度分析工具，在数字图像边缘检测中发挥着重要作用。
小波变换是一种时频分析方法，它能够对信号在时间和频率上进行局部化分析。
对于数字图像，小波变换将图像分解为不同尺度的频域子带，每个子带都包含了图像在不同频率范围内的信息。
边缘是图像中高频分量的主要特征，因此小波变换能够提取图像中的边缘信息。
在基于小波变换的数字图像边缘检测中，首先需要对图像进行小波变换，将图像分解为多个尺度的频域子带。
然后，通过对每个子带进行阈值处理，将低频分量和高频分量分离开来。
高频分量中包含了图像中的边缘信息，因此可以通过对高频分量进行边缘检测来获取图像的边缘。
常用的小波函数有多种，如Haar小波、Daubechies小波和Morlet小波等。
不同的小波函数具有不同的频率特性和尺度特性，可以根据具体应用的需求选择合适的小波函数。
此外，还可以通过调整小波变换的尺度参数，来获取不同尺度下的边缘信息。
小波变换的边缘检测方法具有较好的性能和灵活性。
相比于传统的边缘检测方法，基于小波变换的边缘检测能够更好地提取图像中的边缘信息，并且能够对不同尺度下的边缘进行检测。
此外，小波变换还能够处理图像中的噪声，提高边缘检测的精度和稳定性。
综上所述，基于小波变换的数字图像边缘检测是一种有效的方法。
通过对图像进行小波变换，并对高频分量进行边缘检测，可以提取出图像中的边缘信息。
小波变换的边缘检测方法具有较好的性能和灵活性，可以广泛应用于图像处理、模式识别和计算机视觉等领域。
使用小波变换进行图像边缘检测的实用方法图像边缘检测是计算机视觉和图像处理领域中的一个重要任务，它可以帮助我们理解图像的结构和形状。
小波变换是一种在信号处理中常用的工具，它具有多分辨率分析的能力，可以对图像进行细节和边缘的提取。
本文将介绍使用小波变换进行图像边缘检测的实用方法。
首先，我们需要了解小波变换的基本原理。
小波变换是一种将信号分解成不同频率的成分的方法。
它使用一组称为小波基函数的函数来表示信号，这些函数在时域和频域上都具有局部性质。
小波基函数具有时频局部化的特点，能够在时域和频域上同时提供较好的分辨率，因此适用于图像边缘检测。
在实际应用中，我们常用的小波变换方法是离散小波变换（DWT）。
离散小波变换将信号分解成不同频率的子带，每个子带都包含了信号在不同频率上的信息。
对于图像边缘检测，我们通常使用一维的小波变换方法对图像的每一行和每一列进行变换。
接下来，我们需要选择合适的小波基函数。
小波基函数的选择对于图像边缘检测的效果有很大的影响。
常用的小波基函数有Haar小波、Daubechies小波和Symlet小波等。
它们具有不同的性质，适用于不同类型的图像。
在选择小波基函数时，我们需要考虑图像的特点和需求，选择最适合的小波基函数。
然后，我们需要对图像进行小波变换。
在进行小波变换之前，我们需要将图像转换为灰度图像，并进行归一化处理。
然后，我们可以使用离散小波变换算法对图像进行变换。
变换后，我们得到了图像在不同频率上的子带系数。
这些子带系数可以表示图像的细节和边缘信息。
接下来，我们需要对小波变换后的图像进行边缘检测。
一种常用的方法是通过阈值处理来提取边缘信息。
我们可以设置一个阈值，将小于阈值的子带系数置为0，将大于阈值的子带系数保留。
这样，我们就可以得到一个二值图像，其中白色像素表示边缘，黑色像素表示背景。
然而，简单的阈值处理方法往往会导致边缘信息的丢失和噪声的引入。
为了提高边缘检测的准确性，我们可以使用基于小波变换的边缘检测算法，如Canny算子。
基于小波变换多尺度边缘检测分析解读小波变换是一种时频分析方法，具有多尺度分析的特点。
在图像处理领域中，小波变换被广泛应用于边缘检测。
在这篇文章中，我们将通过分析小波变换多尺度边缘检测的原理和方法，来解读其应用和优势。
首先，我们需要了解小波变换的基本原理。
小波变换可以将信号在时间域和频率域上进行分析，通过选择不同的小波函数（母小波），可以实现不同尺度的信号分析。
小波变换将信号分解成不同频率的子信号，这些子信号可以对应图像的不同特征。
在边缘检测中，我们希望能够提取出图像中明显的边缘特征。
传统的边缘检测算法，如Sobel算子、Canny边缘检测等，只能提取出单一尺度的边缘特征。
而小波变换可以通过选择不同的小波函数，实现多尺度的特征提取。
多尺度边缘检测算法的基本思想是，在不同尺度下，对图像进行小波变换，并提取出具有边缘特征的子信号。
然后将这些子信号进行重构，得到多尺度边缘图像。
具体而言，多尺度边缘检测算法包括以下几个步骤：第一步，选择合适的小波函数。
小波函数的选择会影响边缘检测的效果。
常用的小波函数有Haar小波、Daubechies小波等。
第二步，对图像进行小波变换。
通过选择不同尺度的小波函数，对图像进行小波变换，得到不同频率的子信号。
第三步，提取具有边缘特征的子信号。
根据不同尺度下的边缘特征，选择适当的阈值，将边缘信号从其他噪声信号中分离出来。
第四步，将提取出的边缘信号进行重构。
通过将不同尺度的边缘信号进行重构，得到多尺度的边缘图像。
多尺度边缘检测的优势在于它可以提取出不同尺度的边缘特征。
在实际应用中，图像中的边缘通常具有不同的宽度和强度。
传统的边缘检测算法往往只能提取出其中一特定尺度的边缘特征，而多尺度边缘检测能够提取出多个尺度的边缘特征，从而更全面地描述图像中的边缘结构。
此外，多尺度边缘检测还可以在一定程度上消除图像中的噪声。
由于不同频率的子信号对应着不同尺度的特征，对较高频率的子信号进行阈值处理，可以去除图像中的高频噪声。
小波变换在图像处理中的边缘检测技术介绍引言：在图像处理领域，边缘检测是一项重要的任务，它可以帮助我们识别图像中的物体边界，从而实现图像分割、目标识别等应用。
而小波变换作为一种常用的信号分析工具，也被广泛应用于边缘检测技术中。
本文将介绍小波变换在图像处理中的边缘检测技术。
一、小波变换简介小波变换是一种数学工具，可以将信号分解成不同频率的成分。
与傅里叶变换相比，小波变换具有时域和频域同时存在的特点，能够提供更多的信号细节信息。
小波变换通过将信号与一组基函数进行卷积运算，得到信号在不同尺度和位置上的频谱信息。
二、小波变换在边缘检测中的应用边缘是图像中灰度变化较大的地方，因此在边缘检测中，我们希望能够找到图像中灰度变化的位置。
小波变换通过分析图像中各个尺度的频谱信息，可以有效地提取出图像中的边缘特征。
1. 尺度变换小波变换可以通过改变基函数的尺度来适应不同尺度的边缘特征。
当基函数的尺度较大时，可以检测到较宽的边缘；而当基函数的尺度较小时，则可以检测到较细的边缘。
通过尺度变换，小波变换可以适应不同大小的边缘特征，提高边缘检测的准确性。
2. 多尺度分解小波变换可以将图像分解成不同尺度的频谱信息，从而提取出不同尺度的边缘特征。
通过对图像进行多尺度分解，可以获取到图像中不同层次的边缘信息，从而实现更全面的边缘检测。
3. 边缘响应小波变换可以通过计算图像在不同尺度上的边缘响应，来检测图像中的边缘特征。
边缘响应可以通过计算小波变换的高频系数来实现，高频系数表示图像中灰度变化较大的位置。
通过计算边缘响应，可以找到图像中的边缘位置，实现边缘检测的目的。
三、小波变换边缘检测算法基于小波变换的边缘检测算法有很多种，其中比较常用的有Canny边缘检测算法和Sobel边缘检测算法。
1. Canny边缘检测算法Canny边缘检测算法是一种经典的边缘检测算法，它基于小波变换的多尺度分解和边缘响应计算。
该算法首先对图像进行高斯滤波，然后利用小波变换进行多尺度分解，计算边缘响应。
第一章图像边缘的定义引言在实际的图像处理问题中，图像的边缘作为图像的一种基本特征，被经常用于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的图像处理和分析中，从而可以对图像进行进一步的分析和理解。
由于信号的奇异点或突变点往往表现为相邻像素点处的灰度值发生了剧烈的变化，我们可以通过相邻像素灰度分布的梯度来反映这种变化。
根据这一特点，人们提出了多种边缘检测算子：Roberts算子Prewitt算子Laplace算子等。
经典的边缘检测方法是构造出像素灰度级阶跃变化敏感的微分算子。
这些算子毫无例外地对噪声较为敏感。
由于原始图像往往含有噪声、而边缘和噪声在空间域表现为灰度有大的起落，在频域则反映为同是主频分量，这就给真正的边缘检测到来困难。
于是发展了多尺度分析的边缘检测方法。
小波分析与多尺度分析有着密切的联系，而且在小波变换这一统一理论框架下，可以更深刻地研究多尺度分析的边缘检测方法，Mallat S提出了一小波变换多尺度分析为基础的局部极大模方法进行边缘检测。
小波变换有良好的时频局部转化及多尺度分析能力，因此比其他的边缘检测方法更实用和准确。
小波边缘检测算子的基本思想是取小波函数作为平滑函数的一阶导数或二阶导数。
利用信号的小波变换的模值在信号突变点处取局部极大值或过零点的性质来提取信号的边缘点。
常用的小波算子有Marr 算子Canny算子和Mallat算子等。
§1.1信号边缘特征人类的视觉研究表明，信号知觉不是信号各部分简单的相加，而是各部分有机组成的。
人类的信号识别（这里讨论二维信号即图像）具有以下几个特点：边缘与纹理背景的对比鲜明时,图像知觉比较稳定；图像在空间上比较接近的部分容易形成一个整体；在一个按一定顺序组成的图像中，如果有新的成份加入，则这些新的成份容易被看作是原来图像的继续；在视觉的初级阶段，视觉系统首先会把图像边缘与纹理背景分离出来，然后才能知觉到图像的细节，辨认出图像的轮廓，也就是说，首先识别的是图像的大轮廓；知觉的过程中并不只是被动地接受外界刺激，同时也主动地认识外界事物，复杂图像的识别需要人的先验知识作指导；图像的空间位置、方向角度影响知觉的效果。
从以上这几点，可以总结出待识别的图像边缘点应具有下列特征即要素：具有较强的灰度突变，也就是与背景的对比度鲜明；边缘点之间可以形成有意义的线形关系，即相邻边缘点之间存在一种有序性；具有方向特征；在图像中的空间相对位置；边缘的类型，即边缘是脉冲型、阶跃型、斜坡型、屋脊型中哪一种。
§1.2图像边缘的定义边缘检测是图像处理中的重要内容。
而边缘是图像中最基本的特征，也是指周围像素灰度有变化的那些像素的集合。
主要表现为图像局部特征的不连续性，也就是通常说的信号发生奇异变化的地方。
奇异信号沿边缘走向的灰度变化剧烈，通常分为阶跃边缘和屋顶边缘两种类型。
阶跃边缘在阶跃的两边的灰度值有明显的变化；屋顶边缘则位于灰度增加与减少的交界处。
我们可以利用灰度的导数来刻画边缘点的变化，分别求阶跃边缘和屋顶边缘的一阶，二阶导数。
如图可见，对于边缘点A，阶跃边缘的一阶导数在A点到最大值，二阶导数在A点过零点；屋顶边缘的一阶导数在A点过零点，二阶导数在A点有最大值。
第二章 传统的边缘检测算子§2.1传统的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像与背景间的交界线。
我们将边缘定义为图像中灰度发生急剧变化的区域边界。
而灰度变化的情况可以用图像灰度分布的梯度来反映，所以我们可以用局部图像微分技术来获得边缘检测算子。
以下对比较经典的边缘检测算子进行了理论分析，并做出了比较和评价。
我们记为(,)f f f x y i j x y ∂∂∇=+∂∂图像的梯度，(,)f x y ∇中包含局部灰度的变化信息。
记： (,)e x y = (2.1) 为梯度(,)f x y ∇的幅度，(,)e x y 可以用做边缘检测算子。
常用的边缘检测方法有：差分边缘检测，Roberts 边缘检测算子，Sobel 边缘检测算子，Prewitt 边缘检测算子,Robinson 边缘检测算子,Lapalce 边缘检测算子等等。
§2.2 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来进行奇异点的检测。
它在某一点的值就代表该点的“边缘强度”，可以通过对这些值设置阈值来进一步得到边缘图像。
但用差分边缘检测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。
一般为垂直边缘、水平边缘、对角线边缘检测：图2-1 差分算法检测边缘的方向模板§ 2.3 Roberts 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以用来计算梯度的原理，采用对角线方向相邻两像素之差，即：他们的卷积算子为：10:01x f ⎡⎤∆⎢⎥-⎣⎦ 01:10y f ⎡⎤∆⎢⎥-⎣⎦有了x f ∆，y f ∆之后，很容易计算出Roberts 的梯度幅值(,)R i j ，适当的取门限TH ，作如下判断：(,)R i j TH >，(,)i j 为阶跃边缘点。
{}(,)R i j 为边缘图像。
Roberts 算子采用对角线方向相邻两像素之差近似梯度幅值边缘检测。
检测水平和垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感。
图2-2：用Roberts算子进行边缘检测的Lena图与原图像§2.4 Sobel边缘检测算子对数字图像{}f i j的每一个像素，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：卷积算子为：图2-3：Sobel边缘检测算子方向模板适当的取门限TH，作如下判断：(,),(,)>为阶跃边缘点，为s i j TH i j{}s i j边缘图像。
(,)Sobel算子很容易在空间上实现，Sobel边缘检测器不但产生较好的边缘检测效果，而且受噪声的影响也比较小。
当使用大的领域时，抗噪声特性会更好，但这样做会增加计算量，并得出的边缘也比较粗。
Sobel算子利用像素点上下，左右邻点的灰度加权算法，根据在边缘点出达到极值这一现象进行边缘的检测。
Sobel算子对噪声具有平滑作用，提供较为精确的边缘方向信息，但它同时会检测出许多的伪边缘，边缘定位精度不高。
当对精度要求不是很高时，是一种较为常用的方法。
图2-4：用Sobel算子进行边缘检测的Lena图与原图像§2.5 Prewitt边缘检测算子Prewitt算子是一种边缘样板算子。
这些算子样板由理想的边缘子图像构成。
依次用边缘样板去检测图像，与被检测区域为相似的样板给出最大值。
用这个最大值作为算子的输出值(,)P i j，这样就可以将边缘像素检测出来。
定义Prewitt边缘算子模板如下：图2-5：Prewitt边缘检测算子模板8个算子样板对应的边缘方向如下图所示：图2-6：样板方向适当取门限TH，作如下判断：(,),(,)为阶跃边缘点。
(,)P i jP i j TH i j为边缘图像。
图2-7：用Prewitt算子进行边缘检测的Lena图与原图§2.6 Robinson 边缘检测算子Robinson 边缘检测算子也是一种边缘样板算子，其算法和Prewitt边缘检测算子相似，只是8个边缘样板不同。
如下所示：图2-8：Robinson 边缘检测算子模板§2.7 Laplace 边缘检测算子Laplace 算子是二阶微分算子，是一个标量，属于各向同性的运算，对灰度突变敏感。
在数字图像中，可以用差分来近似微分运算，(,)f i j 的Laplace 算子为Laplace 算子的二种估算模板：图2-9：Laplace 的两种估算模板对阶跃边缘，二阶导数在边缘点出现零交叉，即边缘点两边二阶导函数取异号。
Laplace 算子就是据此对{}(,)f i j 的每个像素取它关于x 方向和y 方向的二阶差分之和，这是一个与边缘方向无关的边缘检测算子。
而对屋顶状边缘，在边缘点的二阶导数取极小值，这时对{}(,)f i j 的每个像素取它关于x 方向和y 方向的二阶差分之和的相反数。
Laplace 算子有两个缺点：其一是边缘的方向信息丢失，其二是Laplace 算子为二阶差分，双倍加强了图像中的噪声影响：优点是各向同性，即具有旋转不变性。
因为在微分学中有：一个只包含偶次阶导数和取偶次幂的奇次阶导数的线形组合算子，一定是各向同性的。
Laplace算子实际二阶微分算子，利用边缘点处二阶导函数出现零交叉原理检测边缘。
不具有方向性，对灰度突变敏感，定位精度高，不但检测出了绝大部分的边缘，同时基本上没有出现伪边缘。
但他的检测也存在一些缺点，如丢失一些边缘，有一些边缘不够连续，对噪声敏感且不能获得边缘方向的功能信息。
图2-10：用Laplace算子进行边缘检测的Lena图与原图§2.8 检测结果与结论通过对以上介绍的几种边缘检测算子的算法公式和检测的结果可以看出，Roberts算子简单直观，但边缘检测图里存在有伪边缘；Sobel算子、Prewitt算子和Robinson的检测结果图能检测出更多的边缘，但也存在有伪边缘且检测出来的边缘线比较粗，并放大了噪声；Lapalce算子和改进的Laplace算子利用二阶差分运算来进行检测，但不可以检测出较多的边缘，而且还在很大程度上消除了伪边缘的存在，定位精度高。
但受噪声的影响比较大。
第三章小波变换在图像边缘检测中的应用§3.1 小波思想的引入虽然边缘提取已有梯度算子、Laplace算子、Sobel算子等方法，但这些算法都没有自动变焦的思想。
而事实上，由于物理和光照等原因，每幅图像中的边缘通常产生在不同的尺度范围内，形成不同类型的边缘，这些信息是未知的。
另外图像中还存在有噪声，因此，根据图像特性自适应地正确检测出图像的边缘是非常困难的。
可以肯定，用单一尺度的边缘算子不可能检测出所有的边缘，同时，为避免在滤除噪声是影响边缘检测的正确性，用多尺度的方法检测边缘越来越引起人们的重视。
由于小波变换具有良好的时频局部化特性及多尺度分析能力，在不同尺度上具有“变焦”的功能，适合于检测突变信号。
是检测突变信号强有力的工具，得到了广泛的应用。
§3.1.1小波变换在图像边缘检测中的优势用小波变换对信号做多分辨率分析非常适合提取信号的局部特征。
这是因为小波变换的尺度因子和平移因子构成了一个滑动的时间-频率窗，小尺度下的变换系数对应信号的高频分量，大尺度下的变换系数对应信号的低频分量。
于是信号被分解成各个频率下的分量，这样就可以检测对应不同频率的信号局部特征。
而图像中的突变信息和噪声都属于高频信号，可以利用小波变换后的高频分量进行去噪和得到边缘图像。
