基于canny和形態(tài)學(xué)的邊緣檢測(cè)技術(shù)研究碩士學(xué)位論文

1、碩 士 學(xué) 位 論 文基于canny和形態(tài)學(xué)的邊緣檢測(cè)技術(shù)研究research of image edge detection based on canny& mathematical morphology 原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫過的作品成果。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)。論文作者簽名：簽字日期： 年 月 日關(guān)于論文使用授權(quán)的說明學(xué)位論文作者完全了解云南民族大學(xué)有關(guān)保留和使用學(xué)位

2、論文的規(guī)定，即：研究生在校攻讀學(xué)位期間論文工作的知識(shí)產(chǎn)權(quán)單位屬云南民族大學(xué)。學(xué)校有權(quán)保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許學(xué)位論文被查閱和借閱；學(xué)?？梢怨紝W(xué)位論文的全部或部分內(nèi)容，可以允許采用影印、縮印或其它復(fù)制手段保存、匯編學(xué)位論文。（保密的學(xué)位論文在解密后遵守此規(guī)定）學(xué)位論文作者簽名：簽字日期： 年 月 日導(dǎo) 師 簽 名： 簽字日期： 年 月 日摘要圖像處理的研究?jī)?nèi)容主要包含邊緣檢測(cè)、圖像分割、模式識(shí)別等。隨著數(shù)字化時(shí)代的到來，數(shù)字圖像處理與分析方面的研究工作顯得十分重要。數(shù)字圖像處理廣泛地應(yīng)用于工業(yè)、農(nóng)業(yè)、交通、金融、地質(zhì)、海洋、氣象、生物醫(yī)學(xué)、軍事、公安、電子商務(wù)、

3、衛(wèi)星遙感、機(jī)器人視覺、目標(biāo)跟蹤、自主車導(dǎo)航、多媒體信息網(wǎng)絡(luò)通信等領(lǐng)域，取得了顯著的社會(huì)效益和經(jīng)濟(jì)效益。圖像中灰度信息變化較明顯的地方稱為圖像的邊緣?；叶鹊淖兓畔⒎Q為階躍信息，一般來說，像素點(diǎn)灰度值從一個(gè)很小值急劇過渡到另一個(gè)灰度較大的值即形成了邊緣。圖像邊緣含有豐富的圖像信息，較圖像其它部分應(yīng)用價(jià)值很大，這是因?yàn)榛诖宋覀兛梢赃M(jìn)一步進(jìn)行識(shí)別、分割等方面的研究。低層視覺和高層視覺是計(jì)算機(jī)視覺研究的主要內(nèi)容。圖像處理就屬于低層視覺部分，它主要包括圖像的信息增強(qiáng)、除躁和邊緣檢測(cè)信息檢測(cè)、圖像濾波等；圖像分析和圖像理解即為高層視覺研究的主要內(nèi)容，主要是通過計(jì)算機(jī)模擬生物對(duì)于圖像信息的感知和運(yùn)用能力。

4、圖像里含有的信息量較多，圖像邊緣檢測(cè)是圖像處理技術(shù)中很重要的一環(huán)，是圖像圖形學(xué)賴以研究的基礎(chǔ)和支柱。 數(shù)學(xué)形態(tài)學(xué)簡(jiǎn)稱形態(tài)學(xué)，是運(yùn)用集合論來分析幾何形狀的方法，打破了傳統(tǒng)數(shù)值建模的思想，是非線性信號(hào)分析理論的一種。相異的結(jié)構(gòu)元素對(duì)圖像信號(hào)進(jìn)行探測(cè)，我們得到的是不同的圖像分析，這是由于結(jié)構(gòu)元素的尺寸和形狀與圖像結(jié)構(gòu)的信息有關(guān)。關(guān)鍵詞：圖像處理；邊緣檢測(cè)；數(shù)學(xué)形態(tài)學(xué)；abstractimage processing research includes edge detection, image segmentation, and pattern recognition. with the comin

5、g of the digital age, digital image processing and analysis of the research is becoming very important. digital image processing is being widely used in the field of industry, agriculture, transportation, finance, geology, oceanography, meteorology, biology, medicine, military, public security, e-co

6、mmerce, satellite remote sensing, robot vision, object tracking, autonomous vehicle navigation, multimedia information network communication, etc. it has made a significant society and economic benefits.the gray information changed obviously local image is called image edge. change information of gr

7、ay called yue information, order in general, pixel gray value from a very small value of a sharp transition to another gray large value that the formation of the edge. image edge image which contains rich information, compared with other parts of image of great application value, because it is based

8、 on this we can further research on recognition, segmentation.low-level and high-level vision is the main research content of the computer vision. image processing belong to the low-level vision part, it mainly includes image information enhancement, in addition to noise and edge detection informati

9、on detection, image filtering; image analysis and image understanding is the main content of the high-level vision research, mainly is the simulation of biological for image information perception and the ability to apply the computer. contains abundant information of image, the image edge detection

10、 is very important in image processing, is the basis and pillar of image and graphics.mathematical morphology referred morphology, it is the use of set theory to analyze the geometry of the method, the idea of breaking the traditional numerical modeling, a nonlinear signal analysis theory. different

11、 structural elements of the image signal detection, we get is different from the image analysis, which is due to the size and shape of the structural elements and picture structure information.keywords: image processing; edge detection; morphology;目錄第1章 概論11.1 數(shù)字圖像處理概論及其應(yīng)用21.2 邊緣檢測(cè)技術(shù)簡(jiǎn)介及評(píng)價(jià)標(biāo)準(zhǔn)31.3 現(xiàn)存邊緣

12、檢測(cè)技術(shù)存在的問題41.4 論文主要研究?jī)?nèi)容和結(jié)構(gòu)安排3第2章 傳統(tǒng)邊緣檢測(cè)方法62.1 邊緣檢測(cè)原理62.2 傳統(tǒng)邊緣檢測(cè)方法72.2.1 roberts邊緣檢測(cè)72.2.2 sobel邊緣檢測(cè)72.2.3 prewitt邊緣檢測(cè)82.2.4 log邊緣檢測(cè)92.2.5 canny邊緣檢測(cè)102.2.6 以上幾種算法仿真分析12第3章 形態(tài)學(xué)邊緣檢測(cè)143.1 形態(tài)學(xué)基本理論143.2 幾種形態(tài)學(xué)邊緣檢測(cè)算法143.2.1 一般形態(tài)學(xué)邊緣檢測(cè)算子143.2.2 基于輪廓的結(jié)構(gòu)元素（cb）形態(tài)學(xué)邊緣檢測(cè)算子15第4章 本文改進(jìn)的邊緣檢測(cè)算法 4.1 改進(jìn)的形態(tài)學(xué)邊緣檢測(cè)算法174.1.1 改進(jìn)

13、的復(fù)合cb形態(tài)學(xué)濾波174.1.2 改進(jìn)的多尺度cb形態(tài)學(xué)算法184.1.3 仿真分析194.2 改進(jìn)的自適應(yīng)canny-形態(tài)學(xué)算法274.2.1 傳統(tǒng)canny算法局限性分析274.2.2 本文改進(jìn)的自適應(yīng)canny-形態(tài)學(xué)算法284.2.3 仿真分析314.3 改進(jìn)的形態(tài)學(xué)邊緣檢測(cè)算法33第5章 本文算法的應(yīng)用實(shí)踐345.1 對(duì)癌癥細(xì)胞的邊緣檢測(cè)345.1.1 癌癥研究的必要性345.1.3 癌癥細(xì)胞邊緣獲得35第6章 總結(jié)和展望376.1 論文總結(jié)376.2 展望37參考文獻(xiàn)39附錄41發(fā)表的學(xué)術(shù)論文成果44致謝45第1章 緒論1.1 數(shù)字圖像處理概論及其應(yīng)用 圖像處理的研究?jī)?nèi)容主要包含

14、邊緣檢測(cè)、圖像分割、模式識(shí)別等。數(shù)字圖像處理(digital image processing)將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并利用計(jì)算機(jī)對(duì)其進(jìn)行處理,隨著數(shù)字化時(shí)代的到來，數(shù)字圖像處理與分析方面的研究工作顯得十分重要。數(shù)字圖像處理廣泛地應(yīng)用于工業(yè)、農(nóng)業(yè)、交通、金融、地質(zhì)、海洋、氣象、生物醫(yī)學(xué)、軍事、公安、電子商務(wù)、衛(wèi)星遙感、機(jī)器人視覺、目標(biāo)跟蹤、自主車導(dǎo)航、多媒體信息網(wǎng)絡(luò)通信等領(lǐng)域，取得了顯著的社會(huì)效益和經(jīng)濟(jì)效益 。數(shù)字圖像處理的研究?jī)?nèi)容主要包括:（1）圖像變換：主要是對(duì)原始圖像的加工處理，使得圖像的大小、幾何形狀、像素值等發(fā)生變化，常見的有時(shí)域變換和頻域變換。例如，傅里葉變換可使處理分析在頻域中

15、進(jìn)行，使運(yùn)算簡(jiǎn)單；而使用離散余弦變換（dct）則可壓縮數(shù)據(jù)，從而便于圖像傳輸和存儲(chǔ)。（2）圖像增強(qiáng)：圖像再生產(chǎn)、傳輸過程中往往會(huì)失真，所得圖像和原圖像有某種差別。人們可以估計(jì)出使圖像降質(zhì)的一些可能原因，針對(duì)這些原因采取簡(jiǎn)單易行的方法，改善圖像質(zhì)量。（3）圖像分析：為達(dá)到研究圖像的目的，我們要借助于一些數(shù)學(xué)算法來獲取圖像特定信息。這些數(shù)學(xué)算法中的參數(shù)值和矩陣算子是依據(jù)待檢測(cè)圖像而設(shè)置的。圖像分析是我們通過檢測(cè)結(jié)果，分析圖像的幾何特性等信息，并將其應(yīng)用于生活實(shí)踐。（4）圖像壓縮：多媒體和互聯(lián)網(wǎng)的發(fā)展，使得圖像的傳輸越來越重要。為了減少傳輸圖像時(shí)所需花費(fèi)的代價(jià)，最好采用合適的方法對(duì)圖像進(jìn)行壓縮和編碼

16、，以便于圖像的傳輸和存儲(chǔ)。1.2 邊緣檢測(cè)技術(shù)簡(jiǎn)介及評(píng)價(jià)標(biāo)準(zhǔn)圖像的邊緣包含了圖像大部分信息，其中大量的信息是由不連續(xù)的，這主要是由于像素點(diǎn)灰度值的階躍造成的，因此，我們將圖像中灰度產(chǎn)生較大耀變的區(qū)域定義為邊緣。邊緣廣泛存在于物體與物體、物體與背景之間。邊緣檢測(cè)的對(duì)象是灰度變化較為劇烈的部分。邊緣一般包括兩類，即階躍狀邊緣和和屋脊?fàn)钸吘?階躍狀邊緣通常是指像素點(diǎn)的灰度值變化比較顯著的一些點(diǎn)的集合;而屋脊?fàn)钸吘壱话闶腔叶戎翟黾优c減少的邊界。傳統(tǒng)的邊緣檢測(cè)算法一般通過求一階、二階導(dǎo)數(shù)來表示邊緣點(diǎn)的變化。傳統(tǒng)邊緣檢測(cè)算法通過構(gòu)造檢測(cè)算子來提取邊緣，然而邊緣和噪聲在空間域上灰度值大小表現(xiàn)出較大的差落，這

17、也給邊緣檢測(cè)帶來了挑戰(zhàn)。圖像邊緣檢測(cè)技術(shù)一般先經(jīng)過圖像的預(yù)處理，然后再對(duì)邊緣進(jìn)行提取和判斷。很多研究者在圖像預(yù)處理和邊緣提取兩個(gè)方面，已經(jīng)提出了很多方法。圖像的預(yù)處理就是減少與目標(biāo)無關(guān)的信息和加強(qiáng)與目標(biāo)相關(guān)的信息，常用的圖像預(yù)處理方法有去噪，圖像加強(qiáng)等。第二步就是從已經(jīng)處理過的圖像中提取特征和用一定決策方法來判斷。在處理區(qū)域中最有意義的特征如下:形狀特征，紋理特征。在提取特征的前提下，可以用如下的決策算法來對(duì)圖像的目標(biāo)區(qū)域進(jìn)行檢測(cè):距離函數(shù)，貝葉斯決策，神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)和模糊函數(shù)等。邊緣檢測(cè)最早在1959年被提出，1965年，roberts等人開始系統(tǒng)的研究邊緣檢測(cè)技術(shù)，從20世紀(jì)70年代

18、起，邊緣檢測(cè)技術(shù)開始引起人們的廣泛關(guān)注。由于圖像邊緣檢測(cè)是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，在圖像處理和計(jì)算機(jī)視覺等領(lǐng)域占有重要地位，再加上圖像邊緣檢測(cè)本身的難度和深度，邊緣檢測(cè)技術(shù)一直以來都受到人們的重視，并為此進(jìn)行了大量研究，迄今為止人們已提出了很多類型的邊緣檢測(cè)算法。對(duì)于圖像的邊緣檢測(cè)來說，一般在檢測(cè)過程中有如下的要求:(l)能夠較為正確地檢測(cè)出圖像大致邊緣;(2)邊緣定位精確，模糊邊緣較少;(3)邊緣檢測(cè)響應(yīng)越少越好，最好是唯一響應(yīng);(4)適應(yīng)性較強(qiáng)，并盡可能降低誤檢率和漏檢率;(5)抗燥能力較好;1.3 現(xiàn)存邊緣檢測(cè)技術(shù)存在的問題邊緣檢測(cè)技術(shù)主要是為了獲取原圖像的邊緣信息。為了達(dá)到更好的視覺

19、效果、更充分的運(yùn)用圖像的邊緣信息進(jìn)行科學(xué)研究，人們要求邊緣檢測(cè)要在精度上進(jìn)一步提高，盡量避免檢測(cè)出較為粗糙的邊緣曲線，要“精益求精”。實(shí)際中，圖像不可避免地會(huì)受到噪聲污染，如油漬、光照、灰塵等，這都加大了檢測(cè)出原圖像真實(shí)邊緣的難度，為了努力還原圖像邊緣的真實(shí)面目，學(xué)者們不斷為之奮斗。因此，我們要盡可能地通過數(shù)字圖像處理技術(shù)盡量濾掉這些噪聲，盡量減少干擾信息，去除冗余，但圖像的噪聲依然或多或少地存在于圖像中，干擾著我們對(duì)圖像的邊緣檢測(cè)。傳統(tǒng)的邊緣檢測(cè)方法存在的諸多問題：（1） 噪聲處理效果不佳。邊緣檢測(cè)在對(duì)含噪圖像進(jìn)行平滑去噪時(shí)，容易丟失高頻信息，導(dǎo)致圖像失真，而且，邊緣檢測(cè)中不能實(shí)際有效地濾除

20、外界干擾噪聲，即使經(jīng)過處理，也仍舊不能擺脫少部分頑固噪聲的干擾； （2） 定位精確度不夠高。對(duì)邊緣具體點(diǎn)的確定不能“一針見血”，不能僅保留住有效的邊緣點(diǎn)信息，或多或少總會(huì)摻雜一些冗余噪聲信息，造成了提取的邊緣部分較為模糊；而且，傳統(tǒng)的邊緣檢測(cè)方法的定位精度一般只能達(dá)到像素級(jí)，但在實(shí)際應(yīng)用中，對(duì)定位的精度要求甚至達(dá)到亞像素級(jí)。 （3） 尺度過于單一。實(shí)際中，圖像的邊緣產(chǎn)生在不同尺度內(nèi)，因此，我們需要利用多尺度的邊緣檢測(cè)算子對(duì)不同尺度的邊緣進(jìn)行檢測(cè)。（4） 適用領(lǐng)域的局限性?，F(xiàn)在的邊緣檢測(cè)算法雖多，但每種算法基本都存在適用環(huán)境的局限，例如經(jīng)典坎尼算子僅對(duì)高斯噪聲干擾的圖像有較好地檢測(cè)結(jié)果，而對(duì)椒鹽

21、噪聲圖像，邊緣檢測(cè)效果很差，不能濾除大部分噪聲，造成了得到的圖像灰度階躍信息混亂，在椒鹽噪聲濃度較高時(shí)甚至難以分辨真實(shí)圖像邊緣和噪聲點(diǎn)。1.4 論文主要研究?jī)?nèi)容和結(jié)構(gòu)安排第一章，概論，主要介紹了邊緣檢測(cè)技術(shù)的過往及現(xiàn)狀和本論文研究的一些內(nèi)容和流程。第二章，主要闡述了傳統(tǒng)經(jīng)典邊緣檢測(cè)算子，進(jìn)行較為深入的分析和介紹，并最終給出它們的仿真結(jié)果和分析結(jié)論。詳細(xì)地分析了個(gè)算法的優(yōu)缺點(diǎn)和應(yīng)用范圍及適應(yīng)性。第三章，主要闡述了數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算法，包括傳統(tǒng)的形態(tài)學(xué)算法和基于輪廓（cb）的形態(tài)學(xué)算法。分別對(duì)它們進(jìn)行了較為深入的介紹。在文獻(xiàn)17及其它文獻(xiàn)的基礎(chǔ)上，深入理解原文內(nèi)容，并融會(huì)貫通自己所學(xué)，提出了一種

22、新的邊緣檢測(cè)算法。第四章，提出了本文改進(jìn)的2種邊緣檢測(cè)算法。一種是改進(jìn)的多尺度復(fù)合形態(tài)學(xué)濾波算法，該算法源于形態(tài)學(xué)邊緣檢測(cè)算子，但又不拘泥于它的基本原理，而是充分運(yùn)用形態(tài)學(xué)的基礎(chǔ)運(yùn)算和結(jié)構(gòu)元素等知識(shí)。實(shí)驗(yàn)證明該算法具備較好的邊緣檢測(cè)結(jié)果，優(yōu)于一般的邊緣檢測(cè)算法和部分參考文獻(xiàn)的算法，具備較好的實(shí)用性能。另一種是結(jié)合經(jīng)典邊緣檢測(cè)算子canny和數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)方法。該方法在原始算法的基礎(chǔ)上，進(jìn)行多處改進(jìn)，它可以根據(jù)具體圖像去設(shè)定濾波窗口大小，有效濾除椒鹽噪聲，并可以細(xì)化檢測(cè)出的邊緣，使其盡量靠近單像素級(jí)。檢測(cè)效果較好，較清晰、噪聲較少，可以達(dá)到基本濾除椒鹽噪聲的結(jié)果。第五章，提出了本文改進(jìn)算法

23、的實(shí)際應(yīng)用。現(xiàn)今，圖像處理技術(shù)的研究非常熱點(diǎn)，這源于它廣泛的實(shí)用性和提高科技水平的能力。伴隨著生活水平的發(fā)展，人類的身體狀況也出現(xiàn)了諸多問題，許多疾病的患病率逐漸提升，并已引起了人們的警覺。而病理細(xì)胞的檢測(cè)將可以為醫(yī)學(xué)工作者提供較好的研究依據(jù)，為人類疾病的解決帶來福音。為此，我選取了人類最為關(guān)心的癌癥細(xì)胞作為信息處理的對(duì)象。第六章，概述和展望了本論文的工作，并提出了一些后續(xù)研究?jī)?nèi)容。最后，附貼了本文算法改進(jìn)的部分代碼和相關(guān)文獻(xiàn)。第2章 傳統(tǒng)邊緣檢測(cè)方法2.1 邊緣檢測(cè)原理圖像中灰度信息變化較明顯的地方稱為圖像的邊緣?；叶鹊淖兓畔⒎Q為階躍信息，一般來說，像素點(diǎn)灰度值從一個(gè)很小值急劇過渡到另一個(gè)

24、灰度較大的值即形成了邊緣。圖像邊緣含有豐富的圖像信息，較圖像其它部分應(yīng)用價(jià)值很大，這是因?yàn)榛诖宋覀兛梢赃M(jìn)一步進(jìn)行識(shí)別、分割等方面的研究。低層視覺和高層視覺是計(jì)算機(jī)視覺研究的主要內(nèi)容。圖像處理就屬于低層視覺部分，它主要包括圖像的信息增強(qiáng)、除躁和邊緣檢測(cè)信息檢測(cè)、圖像濾波等；圖像分析和圖像理解即為高層視覺研究的主要內(nèi)容，主要是通過計(jì)算機(jī)模擬生物對(duì)于圖像信息的感知和運(yùn)用能力。圖像里含有的信息量較多，圖像邊緣檢測(cè)是圖像處理技術(shù)中很重要的一環(huán)，是圖像圖形學(xué)賴以研究的基礎(chǔ)和支柱。 要做好圖像邊緣檢測(cè)技術(shù)的研究，必須牢牢掌握?qǐng)D像邊緣檢測(cè)的原理和步驟。下面我們介紹下邊緣檢測(cè)的原理。邊緣檢測(cè)的基本原理：（5）

25、 圖像濾波 濾波是邊緣檢測(cè)的第一步，濾波主要是為了去除圖像噪聲，防止圖像噪聲影響后續(xù)邊緣檢測(cè)的結(jié)果，是圖像邊緣檢測(cè)技術(shù)必不可少的一環(huán)，但它是一把“雙刃劍”：既能濾除噪聲，又可能損失邊緣信息。（6） 圖像增強(qiáng) 一般我們通過計(jì)算圖像的梯度幅值，將圖像中灰度變化不太大或差異不明顯的區(qū)域的灰度差異人為加大。這樣做有利益后續(xù)工作中邊緣信息的提取和圖像的分割。（7） 圖像檢測(cè) 通過設(shè)定合理的梯度閾值，利用閾值進(jìn)行邊緣點(diǎn)的檢測(cè)。符合要求的檢測(cè)為邊緣點(diǎn)，信息予以保留，不符合要求的即去除。（8） 圖像定位 這一步主要是為了精確確定圖像邊緣的位置，基于以上幾步，圖像的邊緣大概得以檢測(cè)出來，但是有的可能邊緣較粗糙，

26、不夠細(xì)致，不夠精確，通過這步，我們可以縮小圖像的邊緣細(xì)線范圍，使得到的邊緣圖像更加清晰明了，感觀效果更好。由此我們可以看出，邊緣檢測(cè)主要是先用一些灰度階躍信息增強(qiáng)算法來使圖像的階躍信息更加明顯，再通過閾值（較為合理的圖像灰度值）提取灰度階躍點(diǎn)，進(jìn)而由點(diǎn)及線，即得一幅“邊緣線圖”。當(dāng)然，科學(xué)研究中，并沒有一成不變的事物。邊緣檢測(cè)的基本原理只是研究者在長(zhǎng)期研究后總結(jié)出的圖像邊緣檢測(cè)的一種方法論，并不是絕對(duì)的。近幾年諸多研究成果也表明，圖像研究者只是遵循和借鑒這一方法原理，多數(shù)還是通過實(shí)際研究和實(shí)驗(yàn)，并結(jié)合生產(chǎn)實(shí)際予以改進(jìn)出許多不同的邊緣檢測(cè)技術(shù)，并將它們應(yīng)用于實(shí)際生活生產(chǎn)領(lǐng)域，均取得不錯(cuò)成果。2.

27、2 傳統(tǒng)邊緣檢測(cè)方法2.2.1 roberts邊緣檢測(cè)roberts邊緣檢測(cè)算子的原理是將梯度近似理解為相互垂直方向的差分逼近，運(yùn)用對(duì)角線方向相鄰兩像素點(diǎn)的差值，即:， （2-1） roberts算子為： （2-2）2.2.2 sobel邊緣檢測(cè)sobel，是一離散差分算子，主要是采用3x3鄰域，可以避免在象素之間的內(nèi)插點(diǎn)上計(jì)算梯度幅值。該算子是在(x，y)為中心的3x3矩陣鄰域上，計(jì)算x方向和y方向的一階偏導(dǎo)。它也是通過近似計(jì)算圖像的梯度值來完成邊緣檢測(cè)，但該梯度幅值不同于roberts算子梯度幅值。sobel的檢測(cè)算子為： （2-3）或者 （2-4）這里， （2-5） （2-6）sobel

28、算子有兩個(gè)，一個(gè)是檢測(cè)水平方向的模板，一個(gè)是檢測(cè)垂直方向的模板，分別為： （2-7） （2-8）sobel算子的優(yōu)缺點(diǎn)：該算子的優(yōu)點(diǎn)是，計(jì)算較快，且較為簡(jiǎn)單；缺點(diǎn)：該算子只采用了水平和垂直兩個(gè)方向的模板，對(duì)于一些圖像結(jié)構(gòu)較為復(fù)雜和紋理較多的圖像，其檢測(cè)效果較差，不能精準(zhǔn)的檢測(cè)出所有邊緣。2.2.3 prewitt邊緣檢測(cè)prewitt是在鄰域內(nèi)做灰度加權(quán)與差分運(yùn)算，和sobel算法近似，該算法也有兩個(gè)算子，且都是水平和垂直方向的算子，但是它所用的卷積算子和sobel不一樣。它利用像素點(diǎn)的周圍相鄰點(diǎn)的灰度進(jìn)行邊緣檢測(cè)運(yùn)算，在邊緣處進(jìn)行極值零點(diǎn)檢測(cè)，去除偽邊緣。基于它的原理，我們可以看出它可以濾除

29、一些噪聲。對(duì)于一幅圖像f(x，y)，其prewitt算子的定義如下：h(i)=|f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)-f(i+1,j-1)+f(i+1，j)+f(i+1，j+1)| （2-9）h(j)=|f(i-1,j+1)+f(i,j+1)+f(i+1，j+1)-f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)| （2-10）則 q(i,j)=maxh(i),h(j)或 q(i,j)=h(i)+h(j) （2-11）水平方向和垂直方向的卷積算子分別為： （2-12） （2-13）算法思想路線為：利用prewitt的兩個(gè)算子與原圖像分別做水平和垂直方向的卷積

30、，分別得到一個(gè)水平方向的矩陣算子和一個(gè)垂直方向的矩陣算子，該矩陣中的所有點(diǎn)的水平坐標(biāo)為原圖像中像素點(diǎn)關(guān)于x方向的偏導(dǎo)數(shù)，垂直坐標(biāo)為原圖像中像素點(diǎn)關(guān)于y方向的偏導(dǎo)數(shù)。矩陣大小和原圖像矩陣大小一致。對(duì)這兩個(gè)矩陣求平方和，得到一個(gè)平方和矩陣，將該矩陣看作是原圖像中所有灰度幅值的近似矩陣。然后，針對(duì)這個(gè)平方和矩陣，我們選擇一個(gè)合理的閾值進(jìn)行邊緣檢測(cè)，得到的圖像即為該算法的邊緣檢測(cè)圖像。prewitt算子對(duì)灰度漸變和噪聲較多的圖像處理效果較好，但是從它的運(yùn)算過程我們不難看出，它在一些方向進(jìn)行了平均值運(yùn)算，這就相當(dāng)于對(duì)圖像進(jìn)行了平滑運(yùn)算，有可能濾除了圖像中的一些有用信息，而且容易產(chǎn)生偽邊緣。2.2.4 l

31、aplacian of gaussian邊緣檢測(cè)laplacian-gauss算子的縮寫形式為log算子，是基于高斯濾波和拉普拉斯的一種改進(jìn)。它的基本思想是：首先用高斯濾波函數(shù)對(duì)圖像濾波去除噪聲，再采用拉氏算子處理高斯濾波后的圖像，最后提取再對(duì)一階導(dǎo)數(shù)求導(dǎo)得到極值點(diǎn)，這些極值點(diǎn)形成的圖像即為邊緣檢測(cè)效果圖。log算子，具有更好的邊緣檢測(cè)效果，原因是它將gauss平滑濾波和laplacian銳化濾波相結(jié)合，能夠很好的去除圖像噪聲，使得檢測(cè)出的邊緣更加精確。log 算法的邊緣檢測(cè)步驟：用高斯函數(shù)對(duì)圖像 f ( x ,y )進(jìn)行平滑濾波；求解濾波處理后圖像的二階微分為零點(diǎn)，提取圖像的邊緣點(diǎn)。log算

32、子的邊緣檢測(cè)公式定義： （2-14） 這里，是gauss函數(shù)，是的二階偏導(dǎo)，且： （2-15） （2-16）其中，是gaussian濾波器的標(biāo)準(zhǔn)差，決定了濾波窗口的大小，對(duì)圖像的平滑處理程度起決定作用。因此，在利用該log算法進(jìn)行邊緣檢測(cè)時(shí)，要特別注重如何選擇合適的參數(shù)值。2.2.5 坎尼邊緣檢測(cè)1986 年，canny提出了canny邊緣檢測(cè)算子，提出了 “最優(yōu)算子”邊緣檢測(cè)評(píng)判準(zhǔn)則：（1）較優(yōu)的snr比，要盡可能地降低邊緣點(diǎn)的誤判率，提高真實(shí)信號(hào)點(diǎn)個(gè)數(shù)，降低干擾點(diǎn)個(gè)數(shù)；（2）精確定位，要盡可能接近真實(shí)信號(hào)點(diǎn)，盡量向單像素級(jí)靠攏；（3）檢測(cè)結(jié)果點(diǎn)唯一，盡可能避免檢測(cè)時(shí)“一點(diǎn)多響應(yīng)”?；凇白?/p>

33、優(yōu)算子”準(zhǔn)則，人們開發(fā)出了canny算子，它也親切地被學(xué)者們稱為“最優(yōu)算子”。實(shí)踐證明，canny算子具備較前幾種算子較為優(yōu)越的邊緣檢測(cè)性能。canny算子的算法流程： 用高斯函數(shù) h( x,y)對(duì)圖像 m( x,y)進(jìn)行平滑濾波以去除噪聲，得到平滑圖像m( x,y)。 （2-17） （2-18） 計(jì)算平滑圖像中每個(gè)像素點(diǎn)( x ,y)的梯度幅值和方向：用2 2鄰域一階偏導(dǎo)的有限差分計(jì)算平滑后圖像 的梯度和方向。以下公式中，和分別代表沿和方向的偏導(dǎo)數(shù)，即： （2-19） （2-20）圖像中每個(gè)像素點(diǎn)的梯度幅值和梯度方向?yàn)椋?（2-21）式中：反應(yīng)了圖像點(diǎn)處的邊緣強(qiáng)度；為垂直于邊緣的方向。 非極

34、大值抑制部分模糊信息非極大值抑制(nonmaxima suppression，nms)，是抑制梯度方向上所有非帶狀峰值的梯度去達(dá)到邊緣精細(xì)的目的。通過這步的附近會(huì)產(chǎn)生帶狀邊緣，利用這些帶狀線條提取極大值點(diǎn)，從而達(dá)到保留局部梯度幅值最大點(diǎn)的目的。非極大值抑制是坎尼算子的特色步驟，其常被借鑒應(yīng)用于其它算子，用以改良其它算子。該步驟的思路是：對(duì)梯度矩陣中的像素用一個(gè)3 3、8方向的鄰域沿梯度方向插值。對(duì)區(qū)域中的每個(gè)點(diǎn)，將鄰域的中心像素點(diǎn)的梯度值和該點(diǎn)梯度方向的插值后的兩個(gè)相鄰的梯度幅值（記為n）比較。若，則該點(diǎn)不是邊緣點(diǎn)并將值賦為 0。若，則認(rèn)為該點(diǎn)為初選邊緣點(diǎn)，且不改變值。 高低閾值檢測(cè)并連接邊緣

35、為防止非極大值抑制后得到的初邊緣信息中出現(xiàn)虛假邊緣，我們必須對(duì)非極大值抑制后的幅值圖像高低閾值處理，設(shè)高低閾值分別為ht和lt，設(shè)第（3）步的檢測(cè)結(jié)果中某點(diǎn)的梯度幅值為,步驟如下： 用低閾值lt處理（3）步的梯度幅值圖像。若lt，則修改該處梯度幅值為0，這樣經(jīng)檢測(cè)后得到圖像a； 用高閾值ht處理（3）步的梯度幅值圖像。若ht，則修改該處梯度幅值為0，這樣經(jīng)檢測(cè)后得到圖像b； 以圖象b為基準(zhǔn)，借助于圖像a進(jìn)行邊緣補(bǔ)充和連接。說明：ht閾值較高，雖濾掉了較多的噪聲信息，但同時(shí)也損失了真實(shí)的邊緣信息；lt閾值較低，噪聲較低的點(diǎn)沒有被濾除，雖保留了圖像的弱邊緣信息，但得到的邊緣圖像信息較冗余 17。通

36、過高低閾值邊緣檢測(cè)結(jié)果的相融合，既可以濾除大部分干擾信息，又可以保留許多弱小邊緣，使邊緣檢測(cè)結(jié)果連接性更好，更加細(xì)膩逼真。2.2.6 以上幾種算法仿真分析為了更直觀的理解以上各種邊緣檢測(cè)算子，下面我們以經(jīng)典的邊緣檢測(cè)常用圖像lena圖像進(jìn)行效果檢測(cè)，來具體的看下各種邊緣檢測(cè)的效果圖。由于現(xiàn)實(shí)中的圖像都是存在噪聲的，在此我們理論結(jié)合實(shí)際，主要研究lena圖像的加燥圖像邊緣檢測(cè)結(jié)果。為此，我們將原lena圖像加以濃度為0.01的椒鹽噪聲。 圖2.1椒鹽lena圖像 圖2.2 roberts檢測(cè) 圖2.3 sobel檢測(cè) 圖2.4 prewitt檢測(cè) 圖2.5 log檢測(cè) 圖2.6 canny檢測(cè)圖

37、像邊緣檢測(cè)結(jié)果分析：roberts對(duì)低陡峭邊緣的處理效果較好，但是它檢測(cè)出的邊緣較為粗糙；sobel對(duì)圖像中灰度漸變的部分處理效果較好，對(duì)邊緣定位的精確度也可以；log算子對(duì)噪聲較敏感，且邊緣定位不精確；canny算子的邊緣檢測(cè)效果最優(yōu)，對(duì)弱邊緣和強(qiáng)邊緣均有較好的檢測(cè)效果，對(duì)噪聲的去除也較好，但該算子的計(jì)算輛較大。綜上所述，邊緣檢測(cè)效果最好的是canny，這也無愧于它“最優(yōu)算子”的稱號(hào)。第3章 形態(tài)學(xué)邊緣檢測(cè)3.1 形態(tài)學(xué)基本理論數(shù)學(xué)形態(tài)學(xué)是是一種非線性濾波方法，技術(shù)用途主要有抑制噪聲、模式識(shí)別、分割圖像、紋理分析等圖像信息處理等方面。數(shù)學(xué)形態(tài)學(xué)適用于掌握?qǐng)D像具體信息，主要是運(yùn)用結(jié)構(gòu)形狀各異的

38、結(jié)構(gòu)元素作為“探針”去偵察待處理的目標(biāo)。這些處理其運(yùn)算都是由腐蝕、膨脹、開、閉等運(yùn)算來完成的，并將所處理的圖像結(jié)果轉(zhuǎn)換為集合。該集合即為形態(tài)學(xué)邊緣檢測(cè)結(jié)果。在數(shù)學(xué)形態(tài)學(xué)中，結(jié)構(gòu)元素的選取非常關(guān)鍵，這關(guān)系到處理結(jié)果是否理想。結(jié)構(gòu)元素的選取要根據(jù)我們的處理目標(biāo)和待處理圖像的結(jié)構(gòu)信息選取，我們可以人為地參照?qǐng)D形圖像的大小、幾何形狀予以選取。數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算主要包括四類：腐蝕、膨脹、開和閉。通過對(duì)這些基本運(yùn)算的不同靈活組合，可以實(shí)現(xiàn)圖像濾波、邊緣提取、圖像識(shí)別等多種圖像信息處理方面的問題。根據(jù)數(shù)學(xué)形態(tài)學(xué)的應(yīng)用，它主要分為二值形態(tài)學(xué)和灰度形態(tài)學(xué)。二值形態(tài)學(xué)，是指將形態(tài)學(xué)應(yīng)用于二值圖像處理的學(xué)術(shù)門類。

39、二值圖像是一種簡(jiǎn)單的圖像格式，只有兩個(gè)灰度級(jí)0和255，分別對(duì)應(yīng)地表示黑像素點(diǎn)和白像素點(diǎn)。二值圖像在圖像信息處理中很重要，應(yīng)用較多，許多圖像處理工作都是基于二值圖像進(jìn)行的操作，二值圖像處理產(chǎn)生于形態(tài)學(xué)的集合論。常見的關(guān)于二值形態(tài)學(xué)的運(yùn)算主要有膨脹、腐蝕、開運(yùn)算、閉運(yùn)算等?；叶刃螒B(tài)學(xué)建立于灰度圖像基礎(chǔ)上的形態(tài)學(xué)運(yùn)算處理，在灰度圖像的信息處理中占據(jù)重要位置，近年來，它的應(yīng)用研究越來越多。二值形態(tài)學(xué)和灰度形態(tài)學(xué)是相關(guān)聯(lián)的，類似于二值形態(tài)學(xué)，灰度形態(tài)學(xué)的運(yùn)算主要有灰度腐蝕、灰度膨脹、灰度開運(yùn)算和灰度閉運(yùn)算。3.2 幾種形態(tài)學(xué)邊緣檢測(cè)算法3.2.1一般形態(tài)學(xué)邊緣檢測(cè)算子數(shù)學(xué)形態(tài)學(xué)簡(jiǎn)稱形態(tài)學(xué)，是運(yùn)用集合論

40、來分析幾何形狀的方法，打破了傳統(tǒng)數(shù)值建模的思想，是非線性信號(hào)分析理論的一種。相異的結(jié)構(gòu)元素對(duì)圖像信號(hào)進(jìn)行探測(cè)，我們得到的是不同的圖像分析，這是由于結(jié)構(gòu)元素的尺寸和形狀與圖像結(jié)構(gòu)的信息有關(guān)。數(shù)學(xué)形態(tài)學(xué)能夠在保持圖像的基本形狀特性的前提下刪除與所需要的圖像中無關(guān)的內(nèi)容，從而達(dá)到簡(jiǎn)化圖像數(shù)據(jù)的目的。因此形態(tài)學(xué)廣泛應(yīng)用在填充、消噪、骨架化等圖像處理中。二值形態(tài)學(xué)和灰度形態(tài)學(xué)共同組成了數(shù)學(xué)形態(tài)學(xué)。而灰度形態(tài)學(xué)又是基于二值形態(tài)學(xué)而創(chuàng)立的一門研究學(xué)科。數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算包括：腐蝕、膨脹、開、閉等。利用數(shù)學(xué)形態(tài)學(xué)提取圖像邊緣的算法如下：m是一個(gè)合適的結(jié)構(gòu)元素，n是原圖像，我們先用m腐蝕n，再算出它和圖像a的

41、差，設(shè)e為檢測(cè)出的邊緣圖像，算法公式如下：內(nèi)邊界邊緣檢測(cè)器： （3-1）外邊界邊緣檢測(cè)器： （3-2）數(shù)學(xué)形態(tài)學(xué)梯度邊緣檢測(cè)器： （3-3）3.2.2 基于輪廓的結(jié)構(gòu)元素（cb）形態(tài)學(xué)邊緣檢測(cè)算子cb 形態(tài)學(xué)是求取結(jié)構(gòu)元素的輪廓矩陣，然后用該矩陣來對(duì)原圖進(jìn)行形態(tài)學(xué)操作（腐蝕、膨脹等），該算法既可以濾除圖像噪聲又可以達(dá)到獲得圖像有用信息的目的，相應(yīng)形態(tài)運(yùn)算定義如下:定義1: 記結(jié)構(gòu)元素 b 的輪廓為。若按連通輪廓定義，則 （3-4）其中，如下圖所示： 圖3.1其中，紅色點(diǎn)即為原點(diǎn)定義 2: 設(shè)灰度圖像為 f，定義 f 關(guān)于 b 的 cb開變換和 cb 閉變換分別為: （3-5） （3-6）cb的

42、開、閉運(yùn)算類似于經(jīng)典開、閉運(yùn)算，它可以平滑圖像的邊緣輪廓。 cb 開運(yùn)算去掉了邊緣輪廓上突出部分并填充了圖像中的一些“洞”，而 cb 閉運(yùn)算則填補(bǔ)了邊緣輪廓上的凹進(jìn)部分并刪除了圖像中的一些連通分量。由此可見，cb 形態(tài)運(yùn)算是基于經(jīng)典形態(tài)運(yùn)算而創(chuàng)建出來的的，是對(duì)經(jīng)典形態(tài)學(xué)的進(jìn)一步詮釋。因此，腐蝕運(yùn)算的作用是收縮圖像目標(biāo)，選取合適的結(jié)構(gòu)元素，將不易分辨的兩個(gè)或多個(gè)圖像目標(biāo)朝灰度變小的方向收縮，可以達(dá)到使目標(biāo)分離的目的，這樣便于提取圖像目標(biāo)輪廓。第4章 本文改進(jìn)的邊緣檢測(cè)算法4.1 改進(jìn)的形態(tài)學(xué)邊緣檢測(cè)算法基于cb形態(tài)學(xué)，我提出了一種多尺度的新邊緣檢測(cè)方法。該算法的基本思想是：先對(duì)待處理圖像運(yùn)用改進(jìn)

43、的復(fù)合cb形態(tài)學(xué)濾波濾除噪聲，得到濾波后圖像；然后運(yùn)用改進(jìn)的cb形態(tài)學(xué)算子對(duì)進(jìn)行邊緣提取，得到最終的邊緣檢測(cè)圖像。4.1.1改進(jìn)的復(fù)合cb形態(tài)學(xué)濾波傳統(tǒng)的數(shù)學(xué)形態(tài)學(xué)濾掉干擾信息的原理：設(shè)有圖像a，并有結(jié)構(gòu)元素b（根據(jù)具體圖像具體選擇），先用結(jié)構(gòu)元素b膨脹圖像a，再用b對(duì)剛才的結(jié)果進(jìn)行進(jìn)行腐蝕操作，這主要是濾除檢測(cè)目標(biāo)周圍的冗余噪聲；再用b腐蝕a，最后b對(duì)a進(jìn)行膨脹，這樣可以去除檢測(cè)目標(biāo)內(nèi)里的干擾噪聲。設(shè) c 為去除噪聲后的圖像，有2種濾波除噪算法如下： （4-1）或 （4-2）這是建立在經(jīng)典形態(tài)學(xué)上的形態(tài)學(xué)濾波算法。然而經(jīng)典形態(tài)學(xué)存在以下較為困擾我們的問題：（1）經(jīng)典形態(tài)學(xué)是以結(jié)構(gòu)元素（或函數(shù)

44、）為“探針”對(duì)原圖像進(jìn)行偵測(cè)的，運(yùn)算結(jié)果與所選結(jié)構(gòu)元素的尺寸大小、方位、形狀等息息相關(guān)。因此，結(jié)構(gòu)元素矩陣的選取嚴(yán)重影響著經(jīng)典形態(tài)學(xué)邊緣檢測(cè)結(jié)果。而現(xiàn)實(shí)中，待處理圖像并不是固定不變的，圖像尺度的不同決定了適用于它們的結(jié)構(gòu)元素矩陣是有差異的，有時(shí)差異可能會(huì)很明顯。這嚴(yán)重影響了形態(tài)學(xué)算法的實(shí)用性。如何提高這些算法的實(shí)用性是不容忽視的問題（2）圖像邊緣細(xì)節(jié)的丟失。經(jīng)典形態(tài)運(yùn)算中用到的結(jié)構(gòu)元素尺度不盡合理，具體的每一個(gè)結(jié)構(gòu)元素并不適用于所有圖像，不能有效地區(qū)分出信號(hào)點(diǎn)和非信號(hào)點(diǎn)。這有可能影響圖像邊緣點(diǎn)的定位精度和部分較強(qiáng)邊緣和較弱邊緣的缺失。這一問題亟待解決?；诖?，我們提出一種改進(jìn)的復(fù)合形態(tài)學(xué)濾波。

45、這種復(fù)合濾波算法cb 以結(jié)構(gòu)元素的輪廓為“探針”、以“延展度”為處理原則，具有比經(jīng)典形態(tài)學(xué)濾波算法較優(yōu)越的除噪性能。該算法基本思想如下：由（4.1.1-1）和（4.1.1-2），得 （4-3） （4-4）將以上兩式加權(quán)平均，即可得到改進(jìn)的復(fù)合cb多尺度形態(tài)學(xué)濾波算法 （4-5）4.1.2 改進(jìn)的多尺度形態(tài)學(xué)邊緣檢測(cè)算法文獻(xiàn)35中提出了一種多結(jié)構(gòu)元數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算（將該算法縮寫為mmed msene），通過前面對(duì)傳統(tǒng)經(jīng)典形態(tài)學(xué)邊緣檢測(cè)和新興的形態(tài)學(xué)邊緣檢測(cè)的比較，為了得到更好的邊緣檢測(cè)效果，現(xiàn)在對(duì)其進(jìn)行改進(jìn)出一種新算法mmed msene，該算法的核心思想為選取個(gè)合適的結(jié)構(gòu)元素、，接著用它們

46、的輪廓、對(duì)目標(biāo)圖像進(jìn)行檢測(cè)和連接邊緣。改進(jìn)的算法如下： （4-6） （4-7） （4-8）算法的基本步驟： 用改進(jìn)的復(fù)合cb形態(tài)學(xué)算法對(duì)圖像進(jìn)行濾波，這有助于消除圖像的干擾噪聲,得到濾波后圖像； 選取合適的多結(jié)構(gòu)元，求取多結(jié)構(gòu)元的輪廓，這里結(jié)構(gòu)元的尺寸要根據(jù)實(shí)際需要選取。 利用改進(jìn)的多尺度cb形態(tài)學(xué)邊緣檢測(cè)方法對(duì)進(jìn)行邊緣檢測(cè)，方法與傳統(tǒng)的數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算法類似。由于該算法結(jié)合運(yùn)用了非線性濾波和數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算子，因此它能很好地抑制噪聲干擾。理論上，應(yīng)該能得到很好的檢測(cè)效果。該邊緣檢測(cè)方法的算法流程如下所示：改進(jìn)的復(fù)合形態(tài)學(xué)濾波改進(jìn)的多尺度cb形態(tài)學(xué)邊緣檢測(cè)算子輸出圖像圖4.1 讀入圖像

47、邊緣檢測(cè)算法流程圖4.1.3 仿真分析（1）評(píng)價(jià)標(biāo)準(zhǔn)介于人眼識(shí)別的主觀性較強(qiáng)，為更具有說服性，特采用相關(guān)資料中的客觀標(biāo)準(zhǔn)評(píng)價(jià)方案。客觀標(biāo)準(zhǔn)主要是通過計(jì)算確切的關(guān)于邊緣圖像與原始圖像的性能數(shù)值來作為評(píng)價(jià)依據(jù)。分別選取去噪性能的指標(biāo)均方誤差（mse)、平均絕對(duì)誤差(mae)和峰值信噪比(psnr)來度量該算法的邊緣檢測(cè)性能優(yōu)劣。它們的表達(dá)式如下： （4-9） （4-10） （4-11）這里，和分別表示原圖像的灰度值和邊緣檢測(cè)處理后的圖像灰度值，和表示圖像的尺寸，即圖像的寬高。評(píng)價(jià)準(zhǔn)則：峰值信噪比psnr越高、mse和mae值越低,則邊緣檢測(cè)效果越好;反之，則邊緣檢測(cè)效果較差。（2）仿真分析：椒鹽噪

48、聲圖像的邊緣檢測(cè) 經(jīng)典形態(tài)學(xué)邊緣檢測(cè)結(jié)果：圖4.2 加入椒鹽噪聲的圖像 圖4.3 內(nèi)邊界邊緣檢測(cè)圖像 圖4.4 外邊界邊緣檢測(cè)圖像 圖4.5 歐式邊界邊緣檢測(cè)圖像 一般cb形態(tài)學(xué)邊緣檢測(cè)結(jié)果： 圖4.6 內(nèi)邊界邊緣檢測(cè)圖像 圖4.7 外邊界邊緣檢測(cè)圖像圖4.8 外邊界邊緣檢測(cè)圖像 mmed msene邊緣檢測(cè)結(jié)果： 圖4.9 內(nèi)邊界邊緣檢測(cè)圖像 圖4.10 外邊界邊緣檢測(cè)圖像 圖4.11歐式邊界邊緣檢測(cè)圖像 e-mmed msene邊緣檢測(cè)結(jié)果： 圖4.12 內(nèi)邊界邊緣檢測(cè)圖像 圖4.13外邊界邊緣檢測(cè)圖像 圖4.14歐式邊界邊緣檢測(cè)圖像內(nèi)邊界邊緣檢測(cè)：評(píng)價(jià)標(biāo)準(zhǔn)經(jīng)典形態(tài)學(xué)一般cb形態(tài)學(xué)文獻(xiàn)17

49、mmed msene本文e-mmed msenemse0 .163420.16509070.161790530.16129244mae0 .364180.3658170.354177030.3531796psnr56.9372456.893121956.980818456.9942093表4.1 內(nèi)邊界邊緣檢測(cè)外邊界邊緣檢測(cè)：評(píng)價(jià)標(biāo)準(zhǔn)經(jīng)典形態(tài)學(xué)一般形態(tài)學(xué)文獻(xiàn)17mmed msene本文e-mmed msenemse0.156087800.160391790.15434720.1522144mae0.36086310.36477920.35251330.34972826psnr57.136659

50、857.01852797157.18535957.2457908表4.2 外邊界邊緣檢測(cè)歐式邊界邊緣檢測(cè)：評(píng)價(jià)標(biāo)準(zhǔn)經(jīng)典形態(tài)學(xué)一般形態(tài)學(xué)文獻(xiàn)17mmed msene本文e-mmed msenemse0.1427820.15107880.12546290.1195410mae0.3356480.34802180.30384750.2944140psnr57.52359957.278314158.085193558.295177表4.3 歐式邊界邊緣檢測(cè)高斯噪聲圖像的邊緣檢測(cè)經(jīng)典形態(tài)學(xué)邊緣檢測(cè)結(jié)果： 圖4.15 加入高斯噪聲的圖像 圖4.16內(nèi)邊界邊緣檢測(cè)圖像 圖4.17外邊界邊緣檢測(cè)圖像 圖4.18歐式邊界邊緣檢測(cè)圖像一般cb形態(tài)學(xué)邊緣檢測(cè)結(jié)果： 圖4.19 內(nèi)邊界邊緣檢測(cè)圖像 圖4.20 外邊界邊緣檢測(cè)圖像圖4.21 外邊界邊緣檢測(cè)圖像 mmed msene邊緣檢測(cè)結(jié)果： 圖4.22 內(nèi)邊界邊緣檢測(cè)圖像 圖4.23 內(nèi)邊界邊緣檢測(cè)圖像圖4.24 內(nèi)邊界邊緣檢測(cè)圖像 e-mmed msene邊緣檢測(cè)結(jié)果： 圖4.25 內(nèi)邊界邊緣檢測(cè)圖像 圖4.26 外邊界邊緣