基于MATLAB邊緣檢測與提取的幾種方法的比較

1、精選優(yōu)質(zhì)文檔-傾情為你奉上精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)專心-專注-專業(yè)精選優(yōu)質(zhì)文檔-傾情為你奉上專心-專注-專業(yè)基于MATLAB邊緣檢測與提取的幾種方法的比較數(shù)字圖像邊緣檢測(Digital Image Processing)又稱為計(jì)算機(jī)圖像邊緣檢測，它是指將圖像信號轉(zhuǎn)換成數(shù)字信號并利用計(jì)算機(jī)對其進(jìn)行處理的過程。由于圖像邊緣是圖像最基本的特征之一，往往攜帶著一幅圖像的大部分信息。而邊緣存在于圖像的不規(guī)則結(jié)構(gòu)和不平穩(wěn)現(xiàn)象中，也即存在于信號的突變點(diǎn)處，這些點(diǎn)給出了圖像輪廓的位置，這些輪廓常常是我們在圖像邊緣檢測時(shí)所需要的非常重要的一些特征條件，這就需要我們對一幅圖像檢測并提取出它的邊

2、緣。在通常情況下，我們可以將信號中的奇異點(diǎn)和突變點(diǎn)認(rèn)為是圖像中的邊緣點(diǎn)，其附近灰度的變化情況可從它相鄰像素灰度分布的梯度來反映。根據(jù)這一特點(diǎn)，提出了多種邊緣檢測算子：如 Robert算子、Sobel 算子、Prewitt 算子、Laplacian 算子，Canny算子等。這些方法多是以待處理像素為中心的鄰域作為進(jìn)行灰度分析的基礎(chǔ)，實(shí)現(xiàn)對圖像邊緣的提取并已經(jīng)取得了較好的處理效果。經(jīng)典的邊界提取技術(shù)大都基于微分運(yùn)算。首先通過平滑來濾除圖像中的噪聲，然后進(jìn)行一階微分或二階微分運(yùn)算，求得梯度最大值或二階導(dǎo)數(shù)的過零點(diǎn)，最后選取適當(dāng)?shù)拈撝祦硖崛∵吔?。本文主要介紹幾種經(jīng)典的邊緣提取算法，選取兩種用MATLA

3、B語言編程實(shí)現(xiàn)，對提取結(jié)果進(jìn)行比較和分析。圖像邊緣檢測的基本步驟：（1）濾波。邊緣檢測主要基于導(dǎo)數(shù)計(jì)算，但受噪聲影響。但濾波器在降低噪聲的同時(shí)也導(dǎo)致邊緣強(qiáng)度的損失。（2）增強(qiáng)。增強(qiáng)算法將鄰域中灰度有顯著變化的點(diǎn)突出顯示。一般通過計(jì)算梯度幅值完成。（3）檢測。但在有些圖像中梯度幅值較大的并不是邊緣點(diǎn)。最簡單的邊緣檢測是梯度幅值閾值判定。（4）定位。精確確定邊緣的位置。幾種邊緣算子的比較以柚子的圖片為例1、Roberts算子是一種利用局部差分算子尋找邊緣的算子，Roberts算子邊緣定位準(zhǔn)，但是對噪聲敏感。適用于邊緣明顯而且噪聲較少的圖像分割，在應(yīng)用中經(jīng)常用Roberts算子來提取道路。程序如下：

4、I=imread(D:研一陽建宏信號作業(yè)柚子.jpg); %讀取圖像 J=rgb2gray(I); %轉(zhuǎn)化為灰度圖像 K=imadjust(J,40/255 1); %調(diào)整灰度值 BW=edge(K, roberts); %邊緣檢測 figure(1);imshow(BW); %顯示圖像2、Sobel邊緣算子：圖像中的每個(gè)像素都用這核做卷積。這兩個(gè)核分別對垂直邊緣和水平邊緣響應(yīng)最大，兩個(gè)卷積的最大值作為該點(diǎn)的輸出位。運(yùn)算結(jié)果是一幅邊緣幅度圖像。Sobel算子認(rèn)為鄰域的像素對當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離不同的像素具有不同的權(quán)值，對算子結(jié)果產(chǎn)生的影響也不同。一般來說，距離越大，產(chǎn)生的影響

5、越小。程序如下：I=imread(D:研一陽建宏信號作業(yè)柚子.jpg); %讀取圖像 J=rgb2gray(I); %轉(zhuǎn)化為灰度圖像 K=imadjust(J,40/255 1); %調(diào)整灰度值 BW=edge(K, sobel); %邊緣檢測 figure(1);imshow(BW); %顯示圖像3、Prewitt算子在一個(gè)方向求微分，而在另一個(gè)方向求平均，因而對噪聲相對不敏感，有抑制噪聲作用。但是像素平均相當(dāng)于對圖像的低通濾波，所以Prewitt算子對邊緣的定位不如Roberts算子。程序如下：I=imread(D:研一陽建宏信號作業(yè)柚子.jpg); %讀取圖像 J=rgb2gray(I)

6、; %轉(zhuǎn)化為灰度圖像 K=imadjust(J,40/255 1); %調(diào)整灰度值 BW=edge(K, prewitt); %邊緣檢測 figure(2);imshow(BW); %顯示圖像這是未經(jīng)濾波的效果圖。4、Laplacian算子利用二階導(dǎo)數(shù)信息，具有各向同性，即與坐標(biāo)軸方向無關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度結(jié)果不變。使得圖像經(jīng)過二階微分后，在邊緣處產(chǎn)生一個(gè)陡峭的零交叉點(diǎn)，根據(jù)這個(gè)對零交叉點(diǎn)判斷邊緣。Laplacian算子對噪聲比較敏感，Laplacian算子有一個(gè)缺點(diǎn)是它對圖像中的某些邊緣產(chǎn)生雙重響應(yīng)。所以圖像一般先經(jīng)過平滑處理，通常把Laplacian算子和平滑算子結(jié)合起來生成一個(gè)新的模板。

7、5、Log（Laplacian of Gassian ）算法：將高斯濾波和拉普拉斯檢測算子結(jié)合在一起進(jìn)行邊緣檢測的方法。也稱之為拉普拉斯高斯算法。該算法的主要思路和步驟是：濾波（濾波函數(shù)根據(jù)人類視覺特性選為高斯函數(shù)）、增強(qiáng)（對平滑圖像進(jìn)行拉普拉斯運(yùn)算）、檢測（邊緣檢測判據(jù)是二階導(dǎo)數(shù)的零交叉點(diǎn)并對應(yīng)一階導(dǎo)數(shù)的較大峰值）。這種方法的特點(diǎn)是圖像首先與高斯濾波器進(jìn)行卷積，這樣既平滑了圖像又降低了噪聲，孤立的噪聲點(diǎn)和較小的結(jié)構(gòu)組織將被濾除。但是由于平滑會(huì)造成圖像邊緣的延伸，因此邊緣檢測器只考慮那些具有局部梯度最大值的點(diǎn)為邊緣點(diǎn)。高斯-拉普拉斯算子把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來，先平化掉噪聲

8、，再進(jìn)行邊緣檢測，所以效果更好。程序如下：I=imread (D:研一陽建宏信號作業(yè)柚子.jpg);J=rgb2gray(I); %轉(zhuǎn)化為灰度圖像K=imadjust(J,40/255 1); %調(diào)整灰度值BW1=edge(K,log,0.01); figure(1);subplot(3,2,1);imshow(BW1);title(閾值為0.01的LOG算子邊緣檢測圖像);BW11=edge(K,log,0.001);subplot(3,2,5);imshow(BW11);title(閾值為0.001的LOG算子邊緣檢測圖像);BW2= edge(K,log,0.005);subplot(3

9、,2,4);imshow(BW2);title(閾值為0.005的LOG算子邊緣檢測圖像);BW20= edge(K,log,0.007);subplot(3,2,3);imshow(BW20);title(閾值為0.007的LOG算子邊緣檢測圖像);BW22= edge(K,log,0.009);subplot(3,2,2);imshow(BW22);title(閾值為0.009的LOG算子邊緣檢測圖像);BW23= edge(K,log,0.0001);subplot(3,2,6);imshow(BW23);title(閾值為0.0001的LOG算子邊緣檢測圖像);結(jié)果分析：如圖所示采用的

10、閾值越小則圖像的邊緣處理效果越清晰，且邊緣點(diǎn)條理顯著。但是當(dāng)閾值超過0.0001時(shí)圖像邊緣的處理效果越模糊如圖5.20所示，但是仍能進(jìn)行邊緣的判斷！6、Canny算子類似與Marr（LOG）邊緣檢測方法，也屬于先平滑后求導(dǎo)數(shù)的方法。采用二維高斯函數(shù)的任意方向上的一階方向?qū)?shù)為噪聲濾波器，通過與圖像卷積進(jìn)行濾波；然后對濾波后的圖像尋找圖像梯度的局部最大值，以此來確定圖像邊緣。根據(jù)對信噪比與定位乘積進(jìn)行測度，得到最優(yōu)化逼近算子。這就是Canny邊緣檢測算子。用雙閾值算法檢測和連接邊緣。檢測方法的優(yōu)點(diǎn)：低誤碼率，很少把邊緣點(diǎn)誤認(rèn)為非邊緣點(diǎn)；高定位精度，即精確地把邊緣點(diǎn)定位在灰度變化最大的像素上；抑制

11、虛假邊緣。程序如下：I=imread (D:研一陽建宏信號作業(yè)柚子.jpg);J=rgb2gray(I); %轉(zhuǎn)化為灰度圖像K=imadjust(J,40/255 1); %調(diào)整灰度值BW1=edge(K,canny,0.01); figure(2);subplot(3,2,1);imshow(BW1);title(閾值為0.01的Canny算子邊緣檢測圖像);BW11=edge(K,canny ,0.009);subplot(3,2,2);imshow(BW11);title(閾值為0.009的Canny算子邊緣檢測圖像);BW2= edge(K,canny,0.007);subplot(3

12、,2,3);imshow(BW2);title(閾值為0.007的Canny算子邊緣檢測圖像);BW21= edge(K,canny,0.005);subplot(3,2,4);imshow(BW21);title(閾值為0.005的Canny算子邊緣檢測圖像);BW22= edge(K,canny,0.0001);subplot(3,2,5);imshow(BW22);title(閾值為0.0001的Canny算子邊緣檢測圖像);結(jié)果分析：如圖所示采用的閾值越小則圖像的邊緣處理效果越模糊不清，且邊緣分界點(diǎn)無法判斷，變得模糊不清。且當(dāng)閾值超過0.0002時(shí)圖像邊緣的邊緣有效信息部分丟失，邊緣點(diǎn)

13、的判斷模糊如圖5.19所示，雖仍然能夠識別它的邊界線，但其清晰邊界點(diǎn)已無法識別判斷圖像的邊緣點(diǎn)準(zhǔn)確性！重新選擇閾值，程序如下：I=imread (D:研一陽建宏信號作業(yè)柚子.jpg);J=rgb2gray(I); %轉(zhuǎn)化為灰度圖像K=imadjust(J,40/255 1); %調(diào)整灰度值BW1=edge(K,canny,0.00);subplot(3,2,1);imshow(BW1);title(閾值為0.00的Canny算子邊緣檢測圖像);BW11=edge(K,canny ,0.05);subplot(3,2,2);imshow(BW11);title(閾值為0.05的Canny算子邊緣

14、檢測圖像);BW2= edge(K,canny,0.1);subplot(3,2,3);imshow(BW2);title(閾值為0.1的Canny算子邊緣檢測圖像);BW21= edge(K,canny,0.2);subplot(3,2,4);imshow(BW21);title(閾值為0.2的Canny算子邊緣檢測圖像);BW22= edge(K,canny,0.3);subplot(3,2,5);imshow(BW22);title(閾值為0.3的Canny算子邊緣檢測圖像);效果明顯變好。7、基于小波包的圖像邊緣檢測從信號分析的角度看，圖像的邊緣是圖像信號的突變點(diǎn)，描述信號最有意義的特

15、征點(diǎn)是信號的突變點(diǎn)，它包含了信號的大量信息。邊緣在圖像中表現(xiàn)為灰度值的突變，表現(xiàn)為高頻信號。因此所以的邊緣檢測方法都是檢測信號的高頻分量，但是在實(shí)際圖像中，由于噪聲的存在，邊緣檢測成為一個(gè)難題。小波包分解后得到的圖像序列又近似部分和細(xì)節(jié)部分組成，近似部分是原圖像對高頻部分進(jìn)行濾波所得的近似表示，經(jīng)濾波后，近似部分去除了高頻分量，因此能夠檢測到原圖像中所檢測不到的邊緣。I=imread(D:研一陽建宏信號作業(yè)柚子.jpg);%加入噪聲I2=imnoise(I, gaussian,0,0.01);subplot(221);imagesc=(I2);title(原始圖像);axis square;X

16、,map=rgb2ind(I2,0.1); %轉(zhuǎn)化為灰度圖像X=double(X);%用小波db10對圖像X進(jìn)行一層小波包分解T=wpdec2(X,1,db10);%重構(gòu)圖像的近似部分A=wprcoef(T,1 0);subplot(222); imagesc=(A);title(圖像的近似部分);axis square;%原圖像的邊緣檢測BW1=edge(X, sobel);subplot(223);imshow(BW1);title(原圖像的邊緣);axis square;%圖像近似部分的邊緣檢測BW2=edge(A, sobel);subplot(224);imshow(BW2);tit

17、le(圖像近似部分的邊緣);axis square;8、基于膨脹與腐蝕的形態(tài)操作骨架化和邊緣檢測（1）骨架化：某些應(yīng)用中，針對一副圖像，希望對圖像中所有對象簡化為線條，但不修改圖像的基本結(jié)構(gòu)，保留圖像基本輪廓，這個(gè)過程就是所謂的骨架化。提供了專門的函數(shù)bwmorph，可以實(shí)現(xiàn)骨架化操作。BW1=imread(D:研一陽建宏信號作業(yè)柚子.jpg);J=rgb2gray(BW1); %轉(zhuǎn)化為灰度圖像K=imadjust(J,40/255 1); %調(diào)整灰度值BW2=bwmorph(K,skel,Inf);imshow(K); title(轉(zhuǎn)為灰度的圖像);figure,imshow(BW2); t

18、itle(骨架圖);（2）邊緣檢測對于一副灰度二進(jìn)制圖像,如果圖像像素值為1,則該像素的狀態(tài)為ON,如果其像素值為0,則該像素的狀態(tài)為OFF。在一副圖像中，如果圖像某個(gè)像素滿足以下兩個(gè)條件：1.該像素狀態(tài)為ON,2.該像素鄰域中有一個(gè)或多個(gè)像素狀態(tài)為OFF。則認(rèn)為該像素為邊緣像素。Matlab中提供了專門的函數(shù)bwperim,可以用于判斷一副二進(jìn)制圖像中的哪些像素為邊緣像素。以下程序代碼示例就是利用bwperim函數(shù)，對圖像進(jìn)行邊緣檢測，其邊緣像素檢測效果如尾圖。BW1=imread(D:研一陽建宏信號作業(yè)柚子.jpg);J=rgb2gray(BW1); %轉(zhuǎn)化為灰度圖像K=imadjust(

19、J,40/255 1); %調(diào)整灰度值BW2=bwperim(K);figure,imshow(BW2) ; title(邊緣效果圖);對圖片進(jìn)行濾波后在提取邊緣，各種方法對比如下圖：%對原始圖像進(jìn)行前期處理I=imread(D:研一陽建宏信號作業(yè)柚子.jpg);I2=im2double(I);Ihd=rgb2gray(I2);thr,sorh,keepapp=ddencmp(den, wv,Ihd);Ixc=wdencmp(gbl, Ihd,sym4,2,thr,sorh,keepapp);figure(3),imshow(Ixc),title(消噪后的圖像);k2=medfilt2(Ixc

20、,7 7);figure(4),imshow(k2),title(中值濾波);Isuo=imresize(k2,0.25, bicubic);% Sobel、Roberts、Prewitt算子檢測圖像邊緣esobel=edge(Isuo,sobel);erob=edge(Isuo,roberts);eprew=edge(Isuo,prewitt);subplot(3,2,1);imshow(Isuo);title(前期處理圖像);subplot(3,2,2);imshow(esobel);title(sobel算子提取);subplot(3,2,3);imshow(erob);title(roberts算子提取);subplot(3,2,4);imshow(eprew);title(prewitt算子提取);%調(diào)用Log算子、Canny算子檢測圖像邊緣elog=edge(Isuo,log);ecanny=edge(Isuo