小波變換算法在車牌識別系統(tǒng)中的應用

PAGE1分類號：本科生畢業(yè)論文題目：小波變換算法在車牌識別系統(tǒng)中的應用作者姓名：學號：系(院)、專業(yè)：信息工程學院計算機科學與技術專業(yè)指導教師姓名：指導教師職稱：年月日宿州學院本科畢業(yè)論文摘要隨著我國公路運輸?shù)陌l(fā)展，車輛的數(shù)量的迅速增加，同時為提供舒適的旅游中所存在的車輛的管理問題也較為突出，人工控制模式已不符合人們的需要。計算機技術在交通領域的應用極大地提高了交通管理效率。圖像的自動識別技術作為主要的信息來源是越來越受到人們的關注。近年來的快速發(fā)展,計算機對傳統(tǒng)交通管理帶來了巨大轉變,先進的計算機處理技術不僅可以將人們從繁瑣的手工的觀察和監(jiān)控中解放,并能大大提高精度,汽車車牌自動識別系統(tǒng)是興起在這樣的背景和目的下?，F(xiàn)在，車牌識別是一個重要的研究課題，在現(xiàn)代化的智能交通系統(tǒng)中，計算機視覺和模式識別技術是智能交通管理的重要組成部分。。本文僅進行了在Matlab軟件中的模擬，將小波變換算法運用到圖像的降噪處理中去，給出了圖像小波分解的實例，并使用小波的多尺度算法對圖像進行邊緣的提取。關鍵詞：小波變換，車牌識別，降噪

ABSTRACTWiththedevelopmentofhighwaytransportationinourcountry,rapidincreaseinthenumberofvehicles,andprovidesmanagementproblemsofcomfortabletravelinvehiclesisalsomoreprominent,manualcontrolmodehasnotmeettheneedsofthepeople.Theapplicationofcomputertechnologyinthefieldoftrafficgreatlyimprovestheefficiencyoftrafficmanagement.Auto-detectionimagetechnology,asthemainsourceofinformationisbeingmoreandmoreattention.Therapiddevelopmentinrecentyears,thecomputerfortrafficmanagementbringsagreatchange,computeradvancedprocessingtechniquescannotonlyfreedpeoplefrommanualobservationandmonitoringthecumbersome,butalsocangreatlyimprovetheaccuracy,thevehiclelicenseplateautomaticrecognitionsystemisdevelopedinthebackgroundandpurposeofsuch.Now,thelicenseplaterecognitionisanimportantresearchtopic,inthemodernintelligenttransportationsystems,computervisionandpatternrecognitiontechnologyisanimportantpartofintelligenttrafficmanagement.Inordertomakethevehiclelicenseplaterecognitionaccuracyashighaspossible,imagepreprocessingisveryimportant,forimagedenoisingisaveryimportantstep,intheimagepreprocessing.WaveletanalysisisanewbranchofamathematicsinlatetwentiethCenturybegantorise,bothinthefieldofsignalprocessing,geologicalexploration,imageprocessinghasbeenappliedtomanyaspectsof.ThisarticleonlyissimulatedinMatlabsoftware,thewavelettransformisappliedtoimagenoisereductionprocessingto,givesanexampleofimagewaveletdecomposition,extractionalgorithmusingwaveletandmultiserialedgeofimage.Keywords:Wavelettransform;Noisereduction;Licenseplate

目錄摘要 2ABSTRACT 3緒論 11.車牌識別的背景 21.1車牌識別背景綜述 21.2車牌識別的難點 21.3國內外車牌識別技術情況 31.4車牌識別的發(fā)展方向及趨勢 31.5車牌識別的應用領域 41.6車牌識別系統(tǒng)工作原理 51.7車輛牌照識別系統(tǒng)組成 62.小波變換的基本理論 82.1小波變換概述 82.2小波變換在信號消噪中的應用 82.3圖像消噪中的小波變換 93.圖像消噪處理 103.1二維小波的特性 103.2用小波變換算法對圖像消噪 103.3在MATLAB中進行仿真 114.圖像的邊緣檢測 134.1邊緣檢測的基本原理 134.2邊緣檢測的定義 144.3圖像邊緣檢測的應用領域 154.4圖像邊緣檢測算法的研究 174.5邊緣檢測算子 184.6基于Matlab的實驗結果與分析 215.基于小波變換的圖像邊緣提取 245.1多尺度算法的基本思想 245.2小波多尺度算法 245.3Matlab仿真結果 25結論 27參考文獻 28致謝 29宿州學院2013屆本科畢業(yè)論文緒論PAGE33緒論機動車闖紅燈這種交通違章現(xiàn)象在日常的交通管理中是很常見的，這種現(xiàn)象不僅擾亂了正常的交通秩序，而且是導致交通事故的重要原因之一。電子監(jiān)控就是針對闖紅燈這種容易造成交通事故的交通違章行為管理的，可以做到自動監(jiān)監(jiān)控，可以做到了無人值班，自動的連續(xù)的檢測，并收集到準確的車輛違章證據(jù)。車牌識別技術(VehicleLicensePlateRecognition，VLPR)是現(xiàn)代智能交通系統(tǒng)中的一項重要的研究課題，也是實現(xiàn)交通智能管理的重要環(huán)節(jié)。它是基于數(shù)字圖像處理，模式識別，計算機視覺技術等的智能識別技術，在做到不影響汽車正常行駛的情況下，使計算機可以自動完成車牌的識別，從而降低車輛管理的工作復雜度。車牌識別技術在車輛進過高速路口收費站時做到自動收費，控制來往車輛的流量，做到車輛事故報告自動送達，車輛車牌的定位，做到控制交通的擁堵，在維護公共安全、緩解交通擁堵情況等方面都會起到非常有效的作用。就目前而言，可以應用于車庫管理系統(tǒng)、高速收費站管理系統(tǒng)、小區(qū)安全監(jiān)控系統(tǒng)等各個領域，不論是在交通管理還是在治安管理方面都有著非常重要的地位。由于我國的車牌種類繁多，車牌樣式不統(tǒng)一，再加上在不同的天氣情況下，所獲得的圖像清晰程度也有所不同，晴天獲得的圖像與陰雨天氣獲得的圖像之間有很大差異，這樣一來就會造成車牌的識別率下降。正因為如此，把得到的圖像進行包括降噪處理在內的預處理是非常重要的。小波變換的思想來源于伸縮與平移的方法，在1910年由Haar提出。之后經(jīng)過很多科學家的修改變化，從而形成了現(xiàn)在的小波理論。小波理論在20世紀就受到了許許多多的科研工作者的高度重視。小波分析理論作為數(shù)學和工程應用等許多學科共同研究所得出的成果，在圖像處理、信號處理、地質勘探學等諸多領域得到了廣泛應用。同時，本文使用了基于小波變換的多尺度邊緣檢測算法，其優(yōu)點在于計算量的減少和定位更準確，并且可以提供邊緣平滑程度的估計，對圖像邊緣做到有效提取。宿州學院2013屆本科畢業(yè)論文車牌識別背景1.車牌識別的背景1.1車牌識別背景綜述與車牌識別技術相關的研究，就目前在我們國家就已經(jīng)有十幾年的歷史了，但是卻還沒有能完全投入使用的大型的系統(tǒng)，車牌識別系統(tǒng)作為交通管理的有效的工具，其技術水平仍有待改善。雖然國內外的許多專家學者對此已經(jīng)進行了很多工作，但實際效果并不理想，尤其是對高速車牌定位方法還有待進一步研究。此外，輔助光源的要求，這是難以有效地解決的技術上的問題，復雜的情況下，在條件復雜的情況下高速移動的車輛的識別車牌號的問題很難解決，例如：不同的天氣條件下，光的亮度程度，車牌表面污染或磨損光干擾會影響車牌的準確性。傳統(tǒng)的車牌識別只支持一個單一的車輛，背景是簡單的。在許多應用場合中，如在繁忙的交通路口的欠稅、報廢等得稽查，監(jiān)測區(qū)域則更加復雜，現(xiàn)有的識別方法不能直接應用；在大多數(shù)情況下，也出現(xiàn)了很多車，背景有廣告牌，建筑，線條和各種背景文本等，現(xiàn)有的識別方法也不能很好得適應適應變化的環(huán)境，所以對車牌識別技術的研究仍然是一個在科學領域的熱門話題。車牌識別系統(tǒng)的設計和應用，其發(fā)展具有巨大的社會、經(jīng)濟和學術意義。1.2車牌識別的難點（1）大多數(shù)車牌圖像采集于室外，由于光線、天氣條件的作用，會有圖像模糊，對比度低的現(xiàn)象產(chǎn)生，會出現(xiàn)色彩失真，同時也有背景圖像的復雜性，這些因素都將是對確切的車牌定位和車牌識別造成難度的原因（2）圖像采集時，目標位置是不同的，所以從圖像采集的不同角度來看，會有巨大的變化，同時由于傾斜的車牌，車牌圖案也會有扭曲。（3）（4）我國的汽車車牌懸掛的位置不統(tǒng)一。（5）車牌在道路環(huán)境、天氣或人為的因素下造成了嚴重的污染或磨損，遇到這樣的情況在發(fā)達國家的道路上是不允許出行的，而在中國的道路上，他們可以繼續(xù)上路行駛。（6）目前，國內存在著多種多樣格式的牌照，再加上有上述的各種難題，這些都使得中國的車牌識別難度遠遠大于國外的車牌識別。1.3國內外車牌識別技術情況眼下，在一些發(fā)達國家，車牌識別技術已成功地在實際生活中被應用，但是中國在實際應用中的進步速度卻很慢，這種技術尚處于實驗階段的應用與開發(fā)。這是因為我國與國外的實際情況是有所不同的。車牌在國外是很統(tǒng)一的，但在我們國家，在規(guī)范的車牌這方面還做得不夠，車牌趨向于多樣化。雖然到目前為車牌識別的研究已經(jīng)有了很多深入的探討，但是，就車牌的識別及圖像處理等關鍵問題上還是有一些難以解決的問題存在著的。首先，車牌的圖像的對比度小，當它遇到非均勻的照明時，有效定位的速度就會下降。功能和紋理不同的車牌，較低的對比度，傾斜度，黏連字符和拍攝效果不理想的位置和拍攝效果不清晰。都使得車牌的字符識別準確性降低，而車牌的準確識別很大程度上依賴于字符的位置的成功定位。許多報刊已經(jīng)報道了許多在國內和國外的車牌識別。國外的研究活動，在此之前，已經(jīng)展開很長時間。在我國，許多高校的科研小組也在進行車牌識別方向的研究，比如西安交大的圖像處理和識別研究室、清華大學人工智能國家重點實驗室、浙江大學的自動化系等等，都在車牌識別方面有各自獨立的研究，并在這方面取得了一定的研究成果。從整體上說，目前所現(xiàn)有的車輛識別系統(tǒng)，基本上都是對車輛的數(shù)量、大小、外觀、速度、種類等的大概特點能做到自動識別。但是，相比之下，對于車輛的牌照等等較為細致的信息的識別就沒能做到那么準確的識別了，這是由于在客觀與主觀的各種復雜條件下，對于車牌的識別多少有所受限。1.4車牌識別的發(fā)展方向及趨勢車牌識別技術在智能交通系統(tǒng)中處于關鍵位置，在各國的專家學者的不懈努力下，已經(jīng)取得了突飛猛進的發(fā)展，并且在實際生活中已經(jīng)得到了各種各樣的應用，但即使如此這項技術仍然存在著各種不足之處。對于未來車牌識別產(chǎn)品的技術的發(fā)展趨勢，有以下幾點：視頻圖像處理由工控機向DSP(digitalsingnalprocessor數(shù)字信號處理器)再向智能相機，機內集成了高速DSP處理芯片方向發(fā)展；視頻圖像傳輸后端主機開發(fā)的圖像采集，識別處理，數(shù)據(jù)存儲等所有的攝像頭，即將到來的高清攝像頭圖像采集，處理，存儲，通信范圍內的遠距離傳輸?shù)膱D像數(shù)據(jù)集成;車牌識別軟件不斷更新，準確率提高到98%，識別車牌類型不斷增加，可以識別農(nóng)用車牌、民航車票、境外車牌等特殊車牌；監(jiān)控范圍從機動車車牌擴展到車身特征、司機和乘客的特征；以車身顏色識別為代表的視頻檢測技術進一步應用；補光方式由恒定照明箱閃光燈再向LED燈發(fā)展；車輛檢測方式由環(huán)形線圈檢測發(fā)展為視頻檢測；車牌識別由單次抓拍發(fā)展為視頻流多次識別；注意環(huán)保節(jié)能，降低對駕駛員的影響；（9）車牌識別更專業(yè)、設備維護更便捷，網(wǎng)絡覆蓋面更廣。1.5車牌識別的應用領域（1）停車場及小區(qū)出入口舉個容易理解的例子：智能小區(qū)中的車輛可以自動確定內部車輛和非內部車輛的自動每小時收費。在某些設備上，這款應用還可以是相應的單位車輛調度系統(tǒng)，對單位車輛的使用得出結合自動和客觀的報告。管理停車場和住宅單從手動輸入車輛登記號碼和停車時間是非常困難的，要記住，不只是容易出現(xiàn)錯誤，而且還必須投入大量的人力。就算號牌掉漆甚至斷裂，模糊不清，也具有很強的識別分析能力，為您節(jié)省了很多麻煩。（2）高速公路收費站就現(xiàn)在而言，中國的公路建設和發(fā)展是跨越式的，高速公路四通八達，每個入口都安排了收費站，一方面，是以方便的收取相應的管理費用，另一方面，可以同時在交警的支持下，規(guī)范在高速公路上的交通管理。安裝車牌識別系統(tǒng)的收費崗亭和用系統(tǒng)來識別車輛牌照，并指定中心識別車牌的交通何時會被發(fā)送到管理服務器，通過在比較和搶劫犯罪嫌疑人的車輛牌照板信息數(shù)據(jù)庫來確定公路收費站的是否是是搶劫犯罪嫌疑人的車輛，可以防止犯罪事件的發(fā)生和幫助事件解決，為警方提供了參考信息。收費亭通常在露天的環(huán)境中，為了滿足識別一些非?？斓男旭傑囕v的車牌識別的要求，對更高的車牌識別技術的需求很大。要使車牌識別可識別320P像素的圖像，防止車牌信息的泄漏，高收費站卡口的識別系統(tǒng)仍不能滿足實際的需求。而目前的車牌識別技術的高清處理為公安，交警的執(zhí)法提供了更多可靠的依據(jù)。（3）在公路卡口中的應用伴隨著我國公路里程建設的增加，人民生活水平的整體提高，現(xiàn)在買車的人越來越多，給公路造成各種各樣的違法問題。車牌識別技術作為車輛違法處罰的必要依據(jù)，可以對視頻中車輛號牌進行自動的檢測識別，其中最為典型的就是治安卡口系統(tǒng)，這個系統(tǒng)最重要的部分就是實現(xiàn)車牌的自動識別。一個完善的治安卡口管理系統(tǒng)應該具備車牌自動識別、卡口應用系統(tǒng)和中心管理平臺三個主要功能。車牌識別是其中最為重要的一部分，車牌識別的優(yōu)劣直接影響了卡口系統(tǒng)的整體性能，而識別速度是其最為重要的一個技術指標。只要識別的效率可以得到提高，這個系統(tǒng)就可以占用相對較少的系統(tǒng)資源，這樣一來，也可以防止黑客入侵，也可以用較少的人力得到更大的回報。識別車牌速度快、準確，車牌識別系統(tǒng)才能有效地實現(xiàn)自動比對報警，避免出現(xiàn)大量的誤報?？梢詾榉辣I搶車輛，非法搶劫車輛等犯罪破案提供有力可靠的破案信息。（4）在城市交通的應用最近幾年，隨著社會和經(jīng)濟的快速發(fā)展，機動車數(shù)量的快速增長，公路運輸已變得越來越繁忙。進一步提高交通管理的現(xiàn)狀和需求，與交通有關的刑事治安案件逐年增加。在這種情況下，如何使用科技手段加強安全的公共管理部門，機動車和駕駛行為的調查和控制工作在城市，提供各種手段打擊刑事科學技術，公安交通管理部門急需解決的問題。為了有效減少車輛闖紅燈違規(guī)，在全市范圍內的所有道路都安裝上紅燈違規(guī)檢測系統(tǒng)，這個系統(tǒng)最重要的部分是車牌識別模塊，車牌識別系統(tǒng)可以得到?jīng)Q定性信息，捕捉所有車輛的牌照信息和公眾安全的網(wǎng)絡數(shù)據(jù)庫分析哪些車輛是可疑車輛，減少違規(guī)行為也可以被控制，以減少道路交通事故，道路監(jiān)控設備的應用與現(xiàn)代信息網(wǎng)絡結合城市科技進步形成了道路監(jiān)控智能化網(wǎng)絡系統(tǒng)，以更好地提高道路的動態(tài)管理/控制和滿足新形勢下治安，刑偵，交通管理和其他業(yè)務需求。1.6車牌識別系統(tǒng)工作原理車牌識別是利用車輛的動態(tài)視頻或靜態(tài)圖像，車牌號碼，車牌顏色圖案識別技術，可做到自動識別。該技術的核心是包含了圖像預處理算法，車牌定位算法，車牌邊緣檢測算法和字符識別算法。一個車牌識別系統(tǒng)應該包括幾個部分圖像采集，圖像預處理，車牌定位，字符識別。當識別系統(tǒng)檢測到汽車經(jīng)過時，他們開始圖像采集，截取當前的動態(tài)圖像。對圖像進行前期的圖像處理，車牌定位，車牌字符分割，車牌字符識別，最后輸出車牌號碼。車輛檢測通常使用線圈或雷達，牌照識別系統(tǒng)還具有視頻圖像判斷功能，以確定是否有車，稱為視頻的車輛檢測。在公路上，每天幾乎24個小時都是有車輛來回行駛的，所以，車牌識別系統(tǒng)就有必要每天24小時不間斷工作，不僅如此，為了夜間的識別的準確率盡可能的高，還需要配有閃頻燈或閃光燈來對經(jīng)過車輛的車牌進行補光。機動車檢測：采用地下線圈檢測、紅外線感應檢測、地面雷達感應檢測技術以及視頻圖像檢測等多種方式感應到機動車的經(jīng)過，以此來觸發(fā)照相機拍攝牌照。獲取圖像：由安裝在路邊的照相機拍照，對經(jīng)過的機動車進行全天候的不間斷的獲取照片，并記錄。預處理：過濾噪聲、去除噪點、調整對比度以及色彩調整、色階調整、清晰度調整等。車牌定位：圖像已經(jīng)經(jīng)過了預先的降噪處理后，得到了灰度圖像對其進行分析，得出車牌的所在位置。車牌分割，字符處理：在上一步已經(jīng)得到車牌的大致位置，再通過各種的處理，對已得到的圖像進行分割，得到字符區(qū)域，再對其進行字符的分割。字符識別：字符分割后再進行尺寸改變、根據(jù)字符特征對其進行提取，在與已有的字符數(shù)據(jù)庫中的字符進行比對，得出字符文本。結果輸出：將車牌識別的結果以文本格式輸出。1.7車輛牌照識別系統(tǒng)組成車牌識別系統(tǒng)的基本結構圖如圖1.1所示：圖1.1（1）圖像的讀?。簭臄z像機中讀取拍攝到的汽車圖像。（2）圖像預處理：對汽車圖像進行圖像轉換、圖像消噪和邊緣檢測等。（3）車牌定位：對預處理后的汽車的圖像進行分割，得到汽車車牌的圖像。即在一幅汽車圖像中準確找到車牌所在的位置。（4）字符分割：從車牌圖像中分離出組成車牌號碼的單個字符圖像（5）字符識別：對分割出來的字符進行分析提取，對分割出的字符圖像進行識別，然后給出文本形式的車牌號碼。（6）輸出結果：把得到的車牌號碼輸出。宿州學院2013屆本科畢業(yè)論文小波變換的基本理論2.小波變換的基本理論2.1小波變換概述傳統(tǒng)的信號理論，是由Fourier分析為基礎的，但由于Fourier變換有一定的局限性。在實際應用中人們開始對Fourier變換進行各種改進，小波分析便是由此產(chǎn)生的。小波分析是一種新興的數(shù)學分支，它是泛函數(shù)、Fourier分析、調和分析、數(shù)值分析的最完美的結晶；在應用領域，特別是在信號處理、圖像處理、語音處理以及眾多非線性科學領域，它被認為是繼Fourier分析之后的又一有效的時頻分析方法。小波變換與Fourier變換相比，是一個時間和頻域的局域變換因而能有效地從信號中提取信息，通過伸縮和平移等運算功能對函數(shù)或信號進行多尺度細化分析，解決了Fourier變換不能解決的許多困難問題。小波變換的思想來源于伸縮與平移的方法，于1910年由Haar提出。后來經(jīng)過許多科學家的改進形成現(xiàn)在的小波理論。小波理論在20世紀90年代受到眾多科研工作者的高度重視。小波理論作為數(shù)學和工程應用等學科共同研究的成果，在圖像處理、量子物理、地震勘探以及非線性科學等諸多領域得到了廣泛應用。小波變換是一種信號的時間——尺度分析方法，他具有多分辨率分析的特點，而且在時頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變但其形狀可變，時間窗和頻率窗都可變的時頻局部化分析方法。很適合探測正常信號中夾帶的瞬態(tài)反?，F(xiàn)象并展示其成分[1]。2.2小波變換在信號消噪中的應用小波變換是基于多層次函數(shù)分解的，信號經(jīng)過小波變換后就可以用小波系數(shù)來描述，小波系數(shù)可以體現(xiàn)出信號的特征。因此，小波變換在圖像處理領域引起了越來越多的關注和重視。小波消噪的基本思路：小波變換中大多采用二進制，利用小波變換把含有噪聲的信號分解到多尺度中，然后，在每一個尺度下把屬于噪聲的小波系數(shù)去除，保留并增強信號的小波系數(shù)，最后再重構出經(jīng)過小波消噪之后的信號。一個含噪的一維信號模型可用以下形式來表示：S(x)=f(x)+k*e(x)(x=0,1,……,m-1)上述公式中，f(x)代表真實信號，s(x)代表含噪信號，e(x)代表噪聲。以一個簡最單噪的聲型模舉說例明，e(i)高是斯白聲噪n(0,1)，在實工際作中，有的用號信常表通現(xiàn)為低信頻號，而聲噪信號常通表為現(xiàn)高信頻號消噪，所以，過程可以按照可以以下方法的行進理處：先首，信對號行進波小解分，聲噪分部常通包被在含cb1、cb2、cb3等頻部高分解級的分數(shù)由中，此們，我可門以用限等形閾小波值進式對系處數(shù)行理，后然再對信進重行構，以一個最簡單的噪聲模型舉例說明，e(x)即是高斯白噪聲，在實際工作中，有用的信號通常表現(xiàn)為低頻信號，而噪聲信號通常表現(xiàn)為高頻信號，所以，消噪過程可以可以按照以下的方法進行處理：首先，對信號進行小波分解，噪聲部分通常被包含在cD1、cD2、cD3等高頻部分的分解級數(shù)中，由此，我們可以用門限閾值等形式對小波系數(shù)進行處理，然后再對信號進行重構，這樣就可以達到消噪的目的。2.3圖像消噪中的小波變換只要是在對一維信號進行消噪的過程中可以使用的方法，就也是可以運用到對二維的圖像的消噪處理中。含有噪聲的二維信號模型可以用以下公式來表達：S(x,y)=f(x,y)+δ·e(x,y)x,y=0,1,2…,n-1;其中，e(x,y)代表的是標準偏差不變的高斯白噪聲。對二維圖像信號進行圖像消噪的步驟與對一維信號進行信號消噪的步驟是一樣的，不同的是，在對二維圖像信號的處理中，把對一維信號進行處理的分析工具替換成了對二維信號進行處理的分析工具?；蛘?，采用的是保持閥值不變的處理形式的，所選用閥值就是用n2代替了一維信號中的m。對二維圖像信號進行降噪處理的步驟：第一步，對二維信號進行小波分解。首先，要選擇一個小波，再選擇一個進行小波分解的層次n,然后，計算出信號s到第n層的分解。第二步，進行對二維信號中的高頻系數(shù)進行閥值的量化。給第1層到第n層中的每一層都選擇一個閥值，然后，對每一層上的高頻系數(shù)都進行閥值的量化處理。第三步，對二維圖像信號進行小波重構。根據(jù)小波分解在第n層上的低頻系數(shù)加上上一步中的從第1層到第n層的每一層的高頻系數(shù)，最后計算出二維信號的小波重構。在上述的三個步驟中，我們需要特別注意的是閥值的選擇和如何對閥值進行量化處理[2]?；谛〔ㄗ儞Q的消噪方法是利用了小波變換中的“變尺度特性”，噪聲信號通常與正常信號的小波系數(shù)有很大不同，所以，只要能選出合適的閥值，然后減去所有絕對值小于這個閥值的小波系數(shù)，就可以去掉噪聲信號，以此來實現(xiàn)對二維圖像信號的進行消噪[4]。宿州學院2013屆本科畢業(yè)論文圖像消噪處理3.圖像消噪處理3.1二維小波的特性小波變換是一種信號的時間——尺度分析方法，它具有多分辨率分析的特點，而且在時頻兩域都具有表征信號局部特征的能力，是一種時間窗口和頻率窗口都可變，窗口大小固定不變但其形狀可變的時頻局部化分析方法，即在低頻部分具有高頻率分辨率和高時間分辨率，在高頻部分則具有高時間分辨率和低頻率分辨率，很適合探測正常信號中夾帶的瞬態(tài)反?，F(xiàn)象并展示其成分。小波分析是把信號分解成低頻a1和高頻d1兩部分，在分解中低頻a1中失去的信息由高頻d1捕獲,在下一層的分解中，又將a1分解成低頻a2和高頻d2兩部分，低頻a2中失去的信息由高頻d2捕獲，以此類推，可以得到更深層的分解[1]。二維小波分析是從一維小波分析演變而來的，二維小波分析把尺度I的低頻部分分解成了由由尺度i+1的低頻部分和三個方向的高頻部分組成的四個部分，這樣一來，不僅有效得減少了計算量，同時也能滿足了實時很關鍵處理的要求，并且，也為累進編碼的實現(xiàn)提供了條件。3.2用小波變換算法對圖像消噪我們所知道的，含噪圖像f(x,y)是由原圖像S(x,y)和噪聲圖像e(x,y)組成的，數(shù)學公式表達為：f(x,y)=S(x,y)+e(x,y)。所以，盡最大可能來消去e(x,y)就是對圖像進行消噪處理，在此同時，我們也要盡力防止消去了有用的信息，即減少S(x,y)的損失。比起很多傳統(tǒng)的對圖像進行消噪處理的算法，小波變換算法可以避免過度消噪，減少源圖像S（x,y)的是損失，用小波變換算法消噪有以下三種方法：強制消噪[1]這種方法比起另外兩種方式要較為簡單。在消噪過程中，先將圖像信號中所有的高頻信號的系數(shù)都置零。在對余下的所有低頻信號進行小波重構。在對同一個二維圖像信號進行消噪處理的過程中，這一方法是可以多次使用的。默認閾值消噪[1]這是一個非常典型的消噪處理方法；先要得到一個在消噪過程中的默認閾值，接著，用WDENCMP()來對二維圖像信號進行消噪。獨立閾值消噪[1]在1層到n層的每一層都選取一個獨立的閾值，然后用WDENCMP()對圖像進行消噪處理，在這種方法中需要自行選擇閾值，而閾值的選取直接影響到了消噪的效果。所以閾值的選取是這個方法中最關鍵的一點也是難點。在實際應用中，閾值要靠公式計算獲得。綜上所述，這三種方法都有其不同的優(yōu)缺點。其中，強制消噪法相對容易實現(xiàn)，實際使用起來也更方便，如果二維信號的噪聲相對來說多處于高頻信號中，用這種方法來進行消噪會比較好，但是，如果大多數(shù)噪聲在低頻信號中，那用這種方法消噪就不太合適了。而默認閾值消噪法中，由于閾值是固定的，在實際使用中，默認閾值消噪可能造成可用信息消失，造成消噪結果有誤差。而獨立閾值消噪法在每一層都進行閾值消噪，使得得到的消噪結果更為準確，所以，大多數(shù)情況下我們使用第三種方法來進行消噪。3.3在MATLAB中進行仿真在MATLAB中并不能處理所有類型的圖像，他的圖像處理工具箱只能處理索引圖像、灰度圖像及二進制圖像，而MATLAB小波工具箱大多數(shù)情況下只能處理索引圖像[4]。所以當我們需要對RGB圖像進行小波處理時，就必須轉換為灰度圖像（如圖3.1所示）圖3.1RGB圖像轉變?yōu)榛叶葓D像編寫二維小波變換程序，對圖像進行去噪：I=imread(‘C:\MATLAB7\work\DSC0134.jpg’);I1=rgb2gray(I);%轉化為灰度圖像subplot(1,2,2),imshow(I1)subplot(221);%新建窗口image(I);%顯示圖像title(‘原圖‘);axissquare;%畫出原圖象[c,s]=wavedec2(I1,2,’sym4’a1=wrcoef2(‘a(chǎn)’,c,s,’sym4’subplot(222);image(a1);title(‘第一次消噪后圖象’);axissquare;a2=wrcoef2(‘a(chǎn)’,c,s,’sym4’subplot(223);image(a2);title(‘第二次消噪后圖象‘);axissquare;%畫出第二次低通濾波消噪后圖象運行結果如下圖所示：圖3.2圖像消噪運行結果對上圖中的幾種消噪結果圖像進行對比，第一次對圖像進行消噪時，濾除了很大一部分的高頻噪聲，但是，對于原始圖像來比較，還是存在很多高頻噪聲，而接下來的第二次對圖像消噪建立在了第一次消噪處理的基礎上，第二次去除了圖像中的高頻噪聲，這樣一來，圖像的去噪效果就要要好一些。但是可以從結果圖中看出，第二次去噪也造成了圖像的邊緣模糊，所以在實際應用中需要酌情考慮對圖像的多次消噪。宿州學院2013屆本科畢業(yè)論文圖像的邊緣檢測4.圖像的邊緣檢測4.1邊緣檢測的基本原理經(jīng)過圖像去噪的預處理之后，圖像的清晰程度得到提高，同時，圖像的邊緣提取也是智能交通系統(tǒng)中的一個重要環(huán)節(jié)。圖像的邊緣是一個基本圖象的特性，往往攜帶大量的圖像的信息。圖像存在著非固定的現(xiàn)象，即在一個給定的位置中的圖像的內外邊緣有并不平整的結構，有些邊緣的信號改變特別突兀，而這些往往是非常重要的信息，在此條件下，我們需要對圖像進行邊緣檢測，以此來提取圖像的邊緣。邊緣檢測算法是圖像邊緣檢測問題的經(jīng)典技術問題之一，其解決方案的特點，如高層次的描述的認識和理解有一個顯著的影響;邊緣檢測可以使用的方式方法有很多，有非常重要的使用價值，因此，這個就成為了科研人員、專家學者們一直致力于研究和解決的一個重要問題，如何能得到一個良好的邊緣檢測算子，能得到良好的效果。圖像邊緣檢測是最基礎的形象的描述，最顯著的特征，邊緣檢測是最經(jīng)典的計算機視覺和圖像處理領域的研究主題之一，邊緣檢測是衡量一個灰度變化檢測的位置。對圖像進行邊緣檢測的邊緣檢測器的高頻信號從圖像中分離，但也可以區(qū)分邊緣和噪聲的邊緣位置的精確校準。被稱為“數(shù)學顯微鏡”的小波變換在時域和頻域具有良好的局部特性，小波變換的圖像作為對應于小波變換的小波系數(shù)的邊緣的圖像的一階導數(shù)的函數(shù)的平滑函數(shù)模極大值。其中，最為經(jīng)典的邊緣檢測方法有：一階導數(shù)極大值點算法(例如Robert算子、索貝爾算了、Canny算子)，二階導數(shù)零交叉點算法(例如LoG算子)等等,目前最新的檢測方法有數(shù)學形態(tài)學的方法、模糊算子法、神經(jīng)網(wǎng)絡法、小波分析法、遺傳算法、動態(tài)規(guī)劃法、分形理論法等等。[6]基本原理的數(shù)學表達：設是二維平滑函數(shù)。讓它沿x1，x2兩個方向上的一階導數(shù)作為兩個基本小波：（1）（2）再令：（3）（4）其中，對任意二維函數(shù)f（x1，x2）L2（R2），其小波變換有兩個分量：沿x1方向：（5）沿x2方向：（6）其中**代表而為卷積，他的具體含義是：，i=1或2。（7）小波分量可簡記成矢量形式：（8）其中是被平滑后的圖像。（8）式表明WT1和WT2分別反映此圖像灰度沿x1和x2方向的梯度。通常取a為2j(jZ)，而f（x1，x2）的二進小波變換為矢量：（9）其模值是：（10）其幅角（與x1方向的夾角）是：（11）邊緣定義為Mod[WTf]取極值之處，其方向則沿與Arg[WTf]垂直的方向。但是噪聲也是灰度突變點，也是極大值點[6][7]。由于小波的能量集中的特性，如果噪聲的能量集中，這將會使少數(shù)的小波系數(shù)的邊緣上的小波系數(shù)的振幅較大，如果噪聲能量分散，振幅越小的小波系數(shù)，因此，一階導數(shù)的平滑函數(shù)對圖像進行小波變換模極大值的小波系數(shù)大于一定的閾值所對應的點就是圖像的邊緣，這是小波變換進行邊緣檢測的原理。4.2邊緣檢測的定義圖像邊緣是圖像的最基本特征，在圖像的分析中圖像邊緣檢測起著非常重要的作用。這里所說的邊緣（edge）指的是圖像局部特征的間斷性。圖像色界的突變就被稱為邊緣，例如：灰度的突變、色彩的突變、紋理結構的突變。邊緣代表著一個區(qū)域的結束與另一個區(qū)域的開始，我們可以利用這種特征來分割圖形。圖4.1灰度級跳躍變化的邊緣模型如上圖所示，我們所希望看到的理想的邊緣應該具有如圖4.1(a)所示的圖像模型的特性。切面上的每個點都處在灰度級躍變的一個垂直的界面上。而在現(xiàn)實生活中，因為受到攝像攝影工具的特性、天氣干擾和車牌照表面是否清潔條件等因素的影響，得到的邊緣一般都是不清楚的，邊緣被模擬成具有“斜坡面”的剖面，在圖4.1(b)中，這個模型中圖像的邊緣并不是一條單一的線條，相對的，邊緣是塊狀的。由此可以看到：圖像邊緣模糊不清導致邊緣的寬度變大，而相對清晰的邊緣可以使得邊緣的寬度變小。圖像的邊緣有方向和幅度兩個屬性，沿邊緣方向像素變化平緩，垂直于邊緣方向像素變化劇烈。邊緣上的這種變化可以用微分算子檢測出來，通常用一階導數(shù)或二階導數(shù)來檢測邊緣，不同的是一階導數(shù)認為最大值對應邊緣位置，而二階導數(shù)以過零點對應邊緣位置。實際上，對于圖像中的任意方向上的邊緣都可以進行類似的分析。圖像邊緣檢測中對任意點的一階導數(shù)可以利用該點梯度的幅度來獲得，二階導數(shù)可以用拉普拉斯算子得到。4.3圖像邊緣檢測的應用領域圖像是人類獲取和交換信息的主要來源，必然涉及到人類生活和工作的各個方面，所以邊緣的圖像處理應用。隨著人類活動的范圍，圖像邊緣檢測與提取加工的應用范圍不斷擴大，也將隨之擴大。數(shù)字圖像的邊緣檢測，也稱為計算機圖像的邊緣檢測，它是指圖像信號被轉換成數(shù)字信號，和計算機處理的程序。數(shù)字圖像邊緣檢測最早出現(xiàn)在20世紀50年代，當計算機已經(jīng)發(fā)展到一定水平，人們開始用計算機圖形和圖像信息。數(shù)字圖像的邊緣檢測，輸入時是低質量的圖像，輸出時是質量得到改善的圖，圖像增強，銳化，復原，編碼，壓縮，提取和其他常見的圖像處理方法都是進行邊緣檢測的方法。圖像邊緣檢測的主要應用范圍有：（1）在醫(yī)學方面的應用，數(shù)字圖像邊緣檢測，可廣泛應用于生物醫(yī)學工程，事實證明，它是非常有效的。除了在CT技術中，還有一類是對微小的圖像處理和分析，如紅血細胞，白血細胞的檢測，染色體分析的邊緣，癌細胞的識別和判別中使用到邊緣檢測。此外，在X射線心電圖分析，立體定向放射治療的醫(yī)療診斷超聲圖像中，圖像增強，邊緣檢測，圖像分析和處理技術都被廣泛應用。（2）航天、航空技術，數(shù)字圖像的邊緣檢測提取技術在航空、航天技術方面的應用，還有在飛機遙感和衛(wèi)星遙感技術方面的應用。20世紀60年代后期以來，一些國際組織開發(fā)了資源遙感衛(wèi)星和宇宙實驗室，但由于飛機位置、狀態(tài)、環(huán)境條件和其他成像條件的影響，圖像質量并不總是很高。裝備了國家的最先進的計算機圖像邊緣檢測系統(tǒng)，分析首先提取圖像的邊緣，節(jié)省人力，也加快了速度，并作了大量人工也沒能找到的很多有用的信息。（3）公共安全及軍事方面的應用，公眾安全的企業(yè)形象演繹，指紋識別，面部識別，恢復全貌，和交通監(jiān)控，事故分析。已投入運行的高速公路不停車自動收費系統(tǒng)的車輛自動識別和車牌自動識別，這些都是圖像邊緣檢測技術的成功應用的例子。特別是軍事方面的圖像邊緣檢測和識別精度導彈，偵察照片判讀，識別未知來電武器，軍事指揮自動化系統(tǒng)的圖像傳輸，存儲和顯示，飛機，坦克和軍艦的類型使用類似教育系統(tǒng)。（4）交通管理系統(tǒng)的應用，隨著中國的經(jīng)濟建設的快速發(fā)展，城市的人口和車輛的數(shù)量也快速增長，日益惡化的沉重的交通擁堵，交通事故時有發(fā)生。在城市管理中，交通問題已成為一個重大的社會問題，阻礙和制約國家經(jīng)濟建設的發(fā)展。城市交通為了解決這個問題，有必要準確地掌握交通信息。常見的通信流的檢測方法是人工監(jiān)測，埋地感應線圈，超聲波探測器，視頻監(jiān)控。其中，視頻監(jiān)控比其他方法是有更多的優(yōu)點的方法。需要車牌識別系統(tǒng)和車輛識別系統(tǒng)的圖像邊緣檢測技術，交通目標捕獲和交通的目標行為使用的計算機處理系統(tǒng)，使實時檢測，自動統(tǒng)計繁忙的道路和機動車輛，車輛的行駛速度和車輛識別號碼分門別類計算，做如實反饋的流量參數(shù)和監(jiān)控路況。圖像邊緣檢測應用在車輛識別系統(tǒng)概述：（1）車輛識別系統(tǒng)是一個集圖像邊緣檢測系統(tǒng)和信息管理系統(tǒng)為一體的綜合系統(tǒng)。要更新計算機圖像的邊緣檢測圖像輸入裝置，圖像的存儲和顯示，這些組件的組合物總輸出的圖像和計算機接口的一些最重要的部分，該程序的各個部分的性能直接的質量該處理系統(tǒng)。（2）攝像頭捕捉圖像，將圖像傳遞到到計算機中，然后對捕獲的圖像序列的進行圖像邊緣檢測，圖像分析和圖像理解，輸出交通流量數(shù)據(jù)和交通條件信息。（3）應用舉例車牌識別技術，車牌自動識別計算機視覺，圖像邊緣檢測與模式識別，智能交通應用領域最重要的研究課題之一是智能交通管理的重要組成部分，包括車牌定位，字符分割和登記的車牌字符識別三個主要組成部分。車牌識別系統(tǒng)在實際交通系統(tǒng)在發(fā)達國家已成功應用，而我國的開發(fā)和應用基本停留在實驗室階段而且進展緩慢。4.4圖像邊緣檢測算法的研究圖像邊緣檢測的目的是為了提高所獲得的信息的質量，以提取有用的信息。變換圖像的輸入/輸出模式屬于邊緣的圖像，圖像處理邊緣檢測的特定應用程序在個別問題上的所有新技術和新方法的圖像處理邊緣檢測的發(fā)展是來說話，可以肯定會發(fā)現(xiàn)另一個完全不同的應用領域。圖像邊緣檢測的主要研究內容包括：（1）圖像和人眼的視覺領域采樣捕捉圖像最常用的圖像采集設備-電視（TV）相機的問題，獨立采樣和數(shù)字化的信號可以表示以數(shù)字形式sceneall的的顏色內容;充電-電荷耦合器件作為圖像傳感器，該圖像傳感器，每個掃描行上的場景，或由平行掃描圖像;選擇正確的分辨率或采樣密度，圖像本質上是一個二維空間中的信號，規(guī)則同樣適用于信號處理在放射圖像邊緣檢測往往需要至少為2048像素×2048像素的灰度量化高分辨率圖像，還必須進行數(shù)字化影像的強度，一般情況下在256（按1個字節(jié)編碼）覆蓋了整個灰色一般的灰度縮放8比特分辨率，分辨率為512px×512px，需要0.25兆字節(jié)的存儲容量。（2）切割圖像分割圖像使其成為它的組成成分，以每一層為測量目標。圖像分割是一個非常困難的過程。測量結果的質量在很大程度上決定了對圖像進行分割的質量。有兩種不同類型的圖像分割方法。一種方法是，假設為每個組件的圖像強度值是均勻的和均勻性，另一種方法找到的圖像分量之間的邊界，因此，使用圖像不均勻。主要有：直方圖分割，區(qū)域生長，梯度法等等。（3）邊界搜索檢測圖像的線性部分結構通常作為圖像分割的預處理步驟。一個梯度算子的水平方向上的梯度算子的形式對圖像進行邊緣檢測技術，可以應用，垂直或對角線方向的邊界可以在任何方向上檢測用復合材料的順序。（4）圖像增強和恢復，用于改善圖像質量。不同的增強技術可用于不同的目的，這取決于應用程序的類型。如果您打算直接觀察的圖像，你可以增加對比度。如果是為了進一步的圖像數(shù)字處理，你可以選擇分區(qū)（運營商之間的一個突出的邊界和線性結構的每一圖像分量）。該技術可以是整體的或局部的，也可以進行在頻域或空間域。圖像增強不考慮圖像退化的原因，突出部在圖像中的興趣。（5）特征提取圖像分割圖案匹配的區(qū)域，內容，其中一些要進行預先的處理，根據(jù)一些已知的方法來對圖像進行分割，然后進行特征提取，在最近幾年，怎樣更準確地進行圖像的邊緣提取與檢測以及字符識別也成為了一個大家致力于解決的研究課題。（6）圖像變換通常情況下，一些比較大的圖像，需要直接在一個特定的空間域中進行計算，這樣的圖像一般的計算量會比較大。因此，經(jīng)常使用的各種圖像變換的方法，如傅立葉變換，沃爾什變換，離散余弦變換的間接技術，處理空間域變換域轉換處理，導致計算量的減少，而較高的加工效率。新的研究小波變換的時間和頻域具有良好的定位性能，它具有廣泛而有效的應用在圖像邊緣檢測。4.5邊緣檢測算子圖像的邊緣檢測算子主要有：索貝爾算子，方向算子，拉普拉斯算子，Canny邊緣檢測算子，沈俊邊緣檢測方法和曲面擬合法。（1）索貝爾算子索貝爾算子一種用于圖像處理的算子，它的主要作用就是用于圖像邊緣的提取。從數(shù)學方面來說，這是一種離散性差分算子，主要就是用于圖像的梯度的計算。在二維圖像信號的處理中，它可被用于計算每個像素點的梯度矢量。索貝爾算子由兩個3*3矩陣所構成，兩個矩陣保存了其縱向以及橫向數(shù)據(jù)，經(jīng)過計算就可以獲得橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測的圖像其公式如下:然后，用圖像的每個像素點的橫向和縱向梯度的近似值和下面這個公式進行結合，計算出梯度再計算梯度的方向在上述的公式中，當計算出的θ的值是0時，就說明這個圖像在這一點有縱向邊緣。索貝爾算子有兩種，這兩種算子分別用來檢測橫向邊緣和縱向邊緣。同時，索貝爾算子還有另外一種形式，這就是各向同性索貝爾算子，相同的，這種算子也有兩個，分別是用來檢測橫向邊緣和縱向邊緣的。各向同性索貝爾算子比普通索貝爾算子的位置加權系數(shù)更加準確，在檢測不同方向的邊沿時梯度的幅度一致。由于索貝爾算子是濾波算子的形式，在邊緣的檢測中使用時，可以利用快速卷積函數(shù)，十分便捷，因此得到廣泛的應用。但是，索貝爾算子也有不好的一面，索貝爾算子并沒有將圖像的主體與背景嚴格地區(qū)分開來，換言之就是索貝爾算子沒有基于灰度對圖像進行處理，由于索貝爾算子并沒有嚴格的模擬人的視覺生理特性，所以有時候提取出來的圖像輪廓并不能完全令人滿意。在對圖像進行檢測的時候，我們通常首先注意到圖像與背景不同的部分，正是這個部分將主體突出顯示，基于該理論，我們給出了下面閾值化輪廓提取算法，該算法已在數(shù)學上證明當像素點滿足正態(tài)分布時所求解是最優(yōu)的。索貝爾邊緣算子的卷積和圖5.2所示，在圖像中的每個像素都用這兩個核做卷積。這兩個核分別對垂直邊緣和水平邊緣響應最大，兩個卷積的最大值作為該點的輸出位。運算結果是一幅邊緣幅度圖像。-1-1-2-1000121-101-202-101圖4.2索貝爾邊緣算子索貝爾算子認為鄰域的像素對當前像素產(chǎn)生的影響不是等價的，所以距離不同的像素具有不同的權值，對算子結果產(chǎn)生的影響也不同。一般來說，距離越大，產(chǎn)生的影響越小。（2）canny算子Canny邊緣檢測基本原理：過濾掉噪聲和保持邊緣特性最優(yōu)邊緣檢測濾波器，它采用一階差分濾波器。使用一階方向導數(shù)在任意方向上的一個二維高斯函數(shù)作為一個噪聲濾波器，與圖像的卷積過濾，找到濾波后的圖像梯度的局部最大值和圖像，以確定該圖像的邊緣。據(jù)的信號對噪聲比的測量和定位的產(chǎn)品的最優(yōu)化逼近算子。這就是Canny邊緣檢測算子。Canny邊緣檢測算法：第一步:利用用高斯濾波函數(shù)來處理圖象；第二步:計算梯度的幅值和方向時使用一階偏導；第三步:對梯度幅值進行非極大值抑制；第四步:雙閾值算法的利用與邊緣鏈接。用數(shù)學表達出來如下所示：第一步：二維高斯函數(shù)為：=在n方向上是的一階導數(shù)為：==n▽n==式中：n是方向矢量，▽是梯度矢量。將圖像與作卷積，同時改變n的方向，*取得最大值時的n就是正交于檢測邊緣的方向。第二步：=，=*=反映了圖像(x,y)點處的邊緣強度，是圖像(x,y)點處的法向矢量。第三步：抑制非極大值利用梯度方向：圖4.3抑制非極大值將扇區(qū)以0到3編號，對應3*3鄰域的四種可能的組合。然后，在每個扇區(qū)中，鄰域的中心像素M與沿著梯度線的兩個像素相比。如果M的梯度值不比沿梯度線的兩個相鄰像素梯度值大，則令M=0。第四步：選取閾值①邊緣判別：所有的邊緣的強度必須大于高閾值的邊緣點。任何邊緣的強度只要比低閾值小的，就絕對不會是邊緣點。而邊緣的強度在低閾值和高閾值之間的情況下，像素的邊緣點相鄰的像素是否高于高閾值，如果存在，它是邊緣點，如果沒有，它不是邊緣點。②連接邊緣：雙閾值算法的圖像效果兩個閾值T1和T2，非極大值抑制和2T1≈T2，從而獲得兩個閾值邊緣圖像G1（X，Y）和G2（X，Y）。值得使用高閾值G2（X，Y），并含有少量的偽邊緣，而且是間歇性地（不閉合）。雙閾值的方法，在G2（X，Y）的邊緣連接成的輪廓達到終點時，在G1上的8鄰點的位置，可以被連接到輪廓的邊緣，這樣，算法連續(xù)地收集在G1（X，Y）的邊緣，直到G1（X，Y）連接上。Canny算子檢測方法的優(yōu)點：（1）相對來說有誤差的可能性小，邊緣點很少被誤認為是一個非邊緣點；（2）定位精度高，準確的定位在最大的像素灰度變化的邊緣點上；（3）抑制虛假邊緣。Roberts算子在幾種算法中使用了的圖像的模板，模板運算處理裝置的圖像-鄰域處理，有許多的運算符可用于圖像增強的模板來實現(xiàn)，如平滑效果，中值濾波，圖像凹凸效果。首先定義一個模板，在模板中的運算符，3*3的模板的大小的比較常用的，也有2*5*5或更大的大小。操作中，中心的模板對應的圖像的各像素位置，然后根據(jù)與模板對應的公式，計算的結果作為值的對應像素的中心像素和其周圍像素進行數(shù)學運算輸出圖像。這些經(jīng)典的邊緣提取算子，雖然各有不同，具有不同的優(yōu)勢，但他們也有一個共同的特點：每個算子對應到預定義的邊緣，是在他們最適合的情況下，這意味著他們具有針對性。這一點在他們的目標應用中具有優(yōu)越性，可以幫助我們來完成一個特定的任務。4.6基于Matlab的實驗結果與分析在Matlab中輸入程序代碼：I=imread('C:\MATLAB7\work\DSC0134.tif');%讀取圖像figure(1)imshow(I);title('原圖像');[m,n]=size(I);%用索貝爾微分算子進行邊緣檢測I1=edge(I,'索貝爾');figure(2)imshow(I1);title('索貝爾邊緣檢測得到的圖像');I2=edge(I,'canny');%用canny微分算子進行邊緣檢測figure(3)imshow(I2);title('canny邊緣檢測得到的圖像');實驗結果：原圖索貝爾邊緣檢測canny邊緣檢測圖4.4邊緣檢測算子運行結果分析比較：1.索貝爾算子，根據(jù)測算點的上下左右相鄰的像素的灰度值加權值，以得到最大值，在最大值時即使邊緣，以此來對圖像進行檢測來得到邊緣。當對邊緣精度要求不是很高時，這是一個較為常用的邊緣檢測方法。2.canny算子邊緣檢測的最有代表性的局部極值的邊緣檢測算子，無論是從視覺效果和客觀的評價來看，這種算子提取的邊緣是一種線性連接效果更好的邊緣，提取出的是一種相對完整的，也更精細的邊緣宿州學院本科畢業(yè)論文基于小波變換的圖像邊緣提取5.基于小波變換的圖像邊緣提取5.1多尺度算法的基本思想邊緣檢測是智能交通系統(tǒng)的研究中的一個重要而又困難的問題。之所以會造成這個問題的困難的原因總體來說有兩個。一個原因是每個圖像的邊緣構造都有所不同，有些是非常復雜的。在實際生活中，一個實物的邊緣往往都是他們本身的實際邊緣以及在這些圖像經(jīng)過或多或少的模糊化后所形成的圖像加以重疊所得到的結果。還有每個人的觀察角度不同以及在不同情境下的觀察結果的細微的不同都有可能造成觀察結果的誤差。另一個是要在分辨出圖像的邊緣與圖像本身所具有的噪聲，這兩個都是高頻信號，很容易將它們弄混。邊緣與噪點之間最明顯的不同就是它們所釋放的能量不同。邊緣的能量及范圍比較大，所以，在平滑濾波的作用下，它會被模糊化而不會像噪點那樣消失。所以，在經(jīng)過空間導數(shù)方法得到其邊緣后，所得到的大多是較真實情況稍有移位。多尺度方法的基本思想是在大尺度下抑制噪聲，有效地提取邊緣，再在小尺度下精確定位，以得到精確的邊緣位置。傳統(tǒng)的邊緣檢測算法有很多缺點，比如耗費的人力較大，需要大量數(shù)學計算或者是對圖像的定位不夠準確。而基于小波變換的多尺度方法彌補了這些不足，同時可以估計邊緣的尖銳與平滑程度。5.2小波多尺度算法多尺度邊緣的融合不等于將不同尺度下的邊緣的簡單相加，因為不同尺度的邊緣檢測算子對同一邊緣的響應并不相同，由此，在不同尺度下的邊緣增強圖像也不相同，如果邊緣只是簡單相加，那必然的不到正確的邊緣位置。小波理論采用不同的尺度進行濾波，在小尺度上圖像邊緣細節(jié)要更為復雜，邊緣的定位精度也很高，美中不足是較容易受到噪聲的干擾，相對的，在大尺度上的圖像邊緣檢測較為穩(wěn)定，抗噪性較好，但是定位精度相對較低。多尺度邊緣檢測是將圖像f(x),通過個函數(shù)的伸縮作卷積，然后使用canny算法實現(xiàn)圖像的邊緣檢測計算上就是與兩個小波函數(shù)的兩個偏導數(shù)作用：（1）（2）應用小波的圖像邊緣檢測在小同尺度上的變換結果都提供了一定的邊緣信息。小波理論采用不同的尺度進行濾波，在小尺度上圖像邊緣細節(jié)要更為復雜，邊緣的定位精度也很高，美中不足是較容易受到噪聲的干擾，相對的，在大尺度上的圖像邊緣檢測較為穩(wěn)定，抗噪性較好，但是定位精度相對較低。5.3Matlab仿真結果在Matlab中輸入代碼：clearall;I=imread('C:\MATLAB7\work\DSC0134.tif');%IX=ind2gray(I,map);imshow(IX);I1=imadjust(I,stretchlim(I),[0,1]);%調節(jié)灰度圖像的亮度figure;imshow(I1);[N,M]=size(I);h=[0.125,0.375,0.375,0.125];g=[0.5,-0.5];delta=[1,0,0];J=3;a(1:N,1:M,1,1:J+1)=0;dx(1:N,1:M,1,1:J+1)=0;dy(1:N,1:M,1,1:J+1)=0;d(1:N,1:M,1,1:J+1)=0;a(:,:,1,1)=conv2(h,h,I,'same');dx(:,:,1,1)=conv2(delta,g,I,'same');dy(:,:,1,1)=conv2(g,delta,I,'same');x=dx(:,:,1,1);y=dy(:,:,1,1);d(:,:,1,1)=sqrt(x.^2+y.^2);I1=imadjust(d(:,:,1,1),stretchlim(d(:,:,1,1)),[01]);figure