灰度图像特征提取算法研究毕业论文.doc

《灰度图像特征提取算法研究毕业论文.doc》由会员分享，可在线阅读，更多相关《灰度图像特征提取算法研究毕业论文.doc（36页珍藏版）》请在三一办公上搜索。

1、摘 要图像特征提取一直是图像研究和计算机识别中一个值得探讨的问题，在计算机科学、医疗辅助诊断、军事、工业测量等各种领域都正在发挥着越来越重要的作用。尤其是医疗检索系统中，如何准确定位和提取关键特征往往是首要解决的问题之一，是提高医疗仪器识别率的关键。在医疗检索系统中准确的定位和提取图像的边缘特征，能够使医生快速准确的判别出病因。本文针对边缘特征提取算法和灰度直方图特征提取算法进行了特征提取试验与分析。边缘特征提取，本文通过采取Robets算法，Sobel算法，Canny算法，小波变换算法对一幅图像做了不同的边缘特征提取。结果表明，本文采取的Canny边缘特征提取算子法明显优于其他边缘特征提取算

2、法，且能够最为接近的描述灰度图像的边缘特征信息。灰度直方图特征，对于边缘算子法提取出的灰度边缘特征图像，通过人眼观测有时可能会观测不到明显的区别。本文通过分析其灰度灰度直方图特征，提取其中的灰度特征量（灰度均值（Mean）、方差（Variance）、熵（Entropy）、能量（Energy），根据特征量的变化情况分析图像边缘提取效果的差异。本算法编程采用C#语言，在Visual studio2010平台下实现，通过各种算法对图像特征提取的描述实现其不同的提取效果。结果显示C#语言能更好的表示各种不同算法在图像处理中的编程。关键词：灰度图像；特征提取；边缘特征；灰度直方图；特征量Abstract

3、Research and computer image feature extraction has been a problem that worth exploring in visual identification, In computer science, medical diagnosis, military, industry measurement and so on various fields are playing an increasingly important role. especially in medical retrieval system, how t a

4、ccurately locate and extract the key features are often the first to solve one of the problems, Is the key to improve medical instrument recognition rate. In medical retrieval system accurately locate and extract the image edge features, Can make the doctor quickly accurately identify the cause. Bas

5、ed on edge feature extraction algorithm and the algorithm for calculating grayscale histogram feature extraction feature extraction experiment and analyzed.The edge feature extraction, Algorithm in this paper, by adopting Robets, Sobel algorithm, the Canny algorithm, the wavelet transform algorithm

6、to an image made of different edge feature extraction. Results show that the adopted Canny edge operator of feature extraction method is superior to other edge feature extraction algorithms, And can describe the most close to the edge of gray image feature information.Gray level histogram feature, f

7、or gray level edge operator method to extract the edge character images, by the human eye observation may sometimes observed no significant difference between the two. In this article, through analyzing the characteristic of the gray level histogram gray-scale and，Extract the grayscale characteristi

8、cs (grayscale average (mean) and variance (variance), entropy (entropy), energy (energy), according to the change of characteristic analysis of image edge extraction effect difference.The algorithm programming using c # language, in Visual studio2010 platform, through a variety of algorithms for ima

9、ge features extraction and description of the effect of different extraction results show that the c # language is better said all sorts of different algorithms in image processing programming.Keywords: Gray image; Feature extraction; Edge features; Gray levelhistogram; characteristic.目 录第1章 绪论11.1研

10、究背景及意义11.2论文的研究内容11.3本文的结构安排2第2章 边缘图像预处理技术32.1锐化32.2彩色图像灰度化42.3图像二值化52.4本章小结5第3章 图像边缘特征提取算法63.1 边缘特征提取步骤63.2传统边缘特征提取主要算法及其效果分析73.2.1 Roberts边缘算子73.2.2 Sobel边缘算子83.2.3 Prewitt算子103.2.4 Laplace算子113.3改进的边缘特征提取算法及其效果分析133.3.1 Canny边缘检测子算法133.3.2 小波变换边缘检测算法173.4 算法比较213.5本章小结23第4章 灰度直方图特征提取算法244.1灰度直方图的

11、定义244.2基于直方图的特征统计244.3灰度直方图特征提取的C#实现代码及直方图显示254.4统计量描述直方图274.5本章小结29第5章 总结与展望305.1总结305.2展望30参考文献31致 谢32第1章 绪论1.1研究背景及意义 由于医疗特征成像检测系统诊断方式与其他诊断方式相比可以快速准确的查找病因，并且不会对病人造成太大的伤害。因此成像诊断技术已成为目前发展最为迅速的诊断技术，通过医疗检测病人器官成像特征是一种有效的检测方式，但是现实中对图像特征提取的技术还不够完善虽然人们在此基础上研究出了一系列的特征及其提取算法，但是随着计算机技术和成像水平的高速发展，现有的技术已经无法满足

12、医疗诊断的需要。本文主要对当前的边缘级灰度直方图的特征提取算法进行了研究分析。图像边缘特征提取涉及图像中对象图片的特征提取，即怎样识别图像中物体的轮廓，是数字图像分析处理的前提。边缘特征提取结果直接影响着图像分析、识别等工作的准确性与否，因此具有重要的现实意义和应用前景。现在，虽然许多边缘提取方法已经得到了推广应用，但数字图像的边缘提取问题并没有得到很好的解决。首先，随着计算机硬件技术的发展，显示器的分辨率越来越高，使得边缘灰度大量的减少，造成传统算法在边缘提取上出现了一定的困难。其次，图像在生成和传输中，受到外部设备和周围环境的影响，造成结果总是含有和边缘点频率相近的噪声，这使得图像的边缘提

13、取存在伪检、漏检以及多像素宽度边缘等现象。再则，受摄像环境和摄像条件等因素的影响，图像边缘提取中经常会有一些与目标无关的干扰存在。如何提高边缘特征提取的准确性，使边缘提取算法具有更高的信噪比是图像处理的难题。好的边缘提取算法对更高层次的图像分析、理解等有不可忽视的实用价值和影响，也是现今众多学者研究的重点。图像的直方图特征提取即为灰度图像的灰度值得分布情况，一幅图像的直方图包含图像的很多信息，如何从一幅图像的直方图中提取出有用的信息是图像识别的关键。受到输入图像的灰度差异，灰度直方图的特征提取结果会明显不同，当前人们在灰度直方图的特征算法基础上提出了灰度直方图均衡化，直方图灰度拉伸等一些列的算

14、法来提高图像的显示质量，但是对灰度直方图的特征提取研究工作还远远不够，如何根据灰度直方图特征量来表述图像特征是本文研究的重点。1.2论文的研究内容本文题目为灰度图像的特征提取算法，对于图像的特征提取首先确定想要提取哪些特征。而针对不同特征又存在不同的特征提取算法，本文主要针对灰度图像的边缘特征和灰度直方图的特征提取算法和结果进行了比较分析。1.边缘特征对输入的灰度图像采取不同算子的特征提取 (Robets算法、Sobel算法、Laplace算法、Prewitt算法、Canny算法、小波变换算法)进行自身不同参数变量和算法之间的相互比较，从而确定出针对不同图像最适应的特征提取算法2.灰度直方图特

15、征真对本文中图像边缘特征提取的结果存在人眼观测不到的差异本文通过采集边缘特征算子法提取出的边缘结果图提取其灰度直方图的不同特征量(均值（Mean）、方差（Variance）、熵（Entropy）、能量（Energy)进行结果比较从而判别出边缘特征结果存在的差异以及最优特征提取算法。1.3本文的结构安排本文的结构安排如下第一章，绪论。提出图像特征提取研究的意义及背景，介绍本文的主要研究内容和组织结构安排。第二章，图像预处理技术。提出当前图像处理的几种常用方法，比较分析每种方法的效果。第三章，边缘特征提取算法。针对输入的同一幅图像采取不同边缘提取算子进行边缘特征提取试验，得出提取结果，提出算法的优

16、缺点。第四章，灰度直方图特征特征提取算法。研究第三章各算子法提取出的边缘特征图像提取器灰度直方图特征量进行比较分析，得出边缘特征提取最优算子。第五章，总结与展望。总结与展望。通过总结本次算法已经实现的功能和分析存在的问题，提出下一阶段改进的计划。 第2章 边缘图像预处理技术外界获取的图像，由于会受到各种因素的干扰和影响，导致图像质量的影响，从而降低对图像特征提取的精准性，因此我们在图像特征提取之前首先需要对目标图像进行处理操作。图像处理包括图像锐化，彩色图像灰度化，图像二值化等操作，通过图像的预处理能够有效地提取出灰度图像的边缘特征。2.1锐化图象在数据传输和转换过程中，一般情况下都会或多或少

17、造成图像质量的下降，除了引入了噪声之外，还会变得模糊一些。这主要因为图像的传输或转换系统的传递函数对高频成分的衰减作用，进而造成图像的细节和轮廓不清晰。图像锐化的目的就是加强图像中景物的细节和轮廓，使图像变得更加清晰。在数字图像处理中，细节和轮廓就是灰度值变化明显的地方。灰度变化在频城中代表了一种高频分量，如果使图像信号经历一个使高频分量得到加强的滤波器，就可以减少图像中的模糊以及细节和轮廊。锐化刚好是一个与平滑相反的过程。我们使用对像素及其邻域进行加权平均，也就是用积分的方法实现了图像的平滑。常用的图像锐化算法包括：Kirsch算法、laplace算法、Prewitt算法、Robets算法和

18、Sobel算法等五种锐化算法，本文采用laplace算法对图像进行锐化处理。Laplace锐化实现模板为：为了更好的描述处理效果，将拉式算子表示为离散形式：从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。灰度图像锐化比较结果如图2-1、图2-2显示：如果一片暗区中出现了一个亮点，那么锐化的结果就是使这个亮点变得更亮，即拉普拉斯锐化过程可以减少图象中的模糊，加强图象的细节和轮廓，使得图像的细节比原始图像更加清晰，所以锐化在边缘检测中很有用。但是，它也有不理

19、想的一面，即锐化处理在增强图像边缘的同时也增加了图像的噪声。图2-1 原始图像 图2-2 锐化效果图2.2彩色图像灰度化由于彩色图像的特征提取速度比灰度图像要慢上很多，而且在现实研究应用中灰度图像比彩色图像更为广泛，因此为了提高图像的处理速度须要对输入的RGB彩色图像进行灰度化处理 。常用的彩色图像灰度化有转换公式如下： 公式R(i,j)代表像素点(i,j)的红色分量值，G(i,j)代表绿色分量值，B(i,j)代表蓝色分量值，Gray(i,j)是经过该公式计算后的像素点(i,j)的灰度值，结果将该灰度值分别赋值给R、G、B三个颜色分量就得到了灰度图像。 图2-3 原始图像 图2-4 灰度化结果

20、灰度化处理比较结果如图2-3、图2-4显示：灰度处理前图2-3含有红(R)、绿(G)、蓝(B)三个颜色分量共同显示，灰度化处理结果图2-4只有一个灰度级分布，所以显示的为灰度图像。2.3图像二值化二值图像含义，图像中只有两种颜色，通常是黑色和白色，是将普通的图像黑白二值化后的到的图像。图像二值化的作用是为了方便提取图像中的信息，二值化图像在进行计算机识别时用时较短可提高识别效率。例如要提取夜晚星空图像中的星星分布情况，水中鱼群分布等都可以采用二值化处理。图像二值化原理：根据灰度化原理从输入图像中获取f(I,j)处R、G、B颜色分量值并按下述公式得到该点灰度值Gray(i,j)：获取输入阈值T与

21、改点灰度值比较，若灰度值大于阈值，则将该点灰度值赋值为255，即为黑色，若该点灰度值小于阈值，则将该点灰度值赋值为0，即为白色 图2-5 原始图像 图2-6二值化结果显示图像二值化结果如图2-5、图2-6显示：通过对彩色图像图2-5灰度二值化之后得到结果图2-6有效过滤掉了原图像中的鱼群之外的无用信息，但是由于阈值选取的不同可能会对二值化图片图2-6产生不同的影响，若阈值选取过大则图片中的鱼群有用信息会丢失，若阈值选取过小则不能有效过滤掉鱼群之外的无用信息，本文采取人工输入阈值法，比较处理结果从中选出最优二值化结果。2.4本章小结在数字图像处理中，图像预处理是基本的操作步骤，通过与处理图像可以

22、过滤复杂图像中的非主要信息，只提取得到我们感兴趣的区域和信息，图像预处理在计算机识别中既提高图像处理的速度又去消除了外部信息和非主要信息对识别结果的干扰，增强了识别结果的精准性，为我们在科技研究和医学判别等领域对图片的进一步分析和特征提取减小了误差。第3章 图像边缘特征提取算法边缘特征提取已经在许多领域广泛应用。图像属性中的剧烈变化通常反映了属性的重要特征，这些包括：深度上的不连续、表面上的不连续，它们在图像中表现为亮度变化明显的点。提取灰度图像边缘特征信息，可以把图像看做曲面，边缘就是图像上变化最明显的点的集合。而这里的边缘特征包括两个信息，边缘点的位置和方向。本文主要讨论了几个边缘检测算子

23、用于比较图像特征提取效果。首先，分析了几种模板边缘算子的原理及并对其边缘特征提取效果进行了简要的分析，其次，针对改进后的Canny算子和小波边缘检测算法进行了算法分析和提取效果的比较分析，最后针对本文所提出的各种算法提取效果比较其优缺点并得出每种算法最适用于那种图像的边缘特征提取。3.1 边缘特征提取步骤1.滤波边缘检测主要是基于导数计算，由于在处理过程中经常会受到噪声影响，因此在边缘定位之前要对图像进行滤波处理，但是滤波器在降低噪声的同时也导致边缘强度的损失。2.增强图像增强算法的目的是将邻域中灰度有显著变化的点突出显示。一般通过增强图像中对应梯度幅度值来完成。3.检测在有些图像中梯度幅值较

24、大的并不是边缘点。最简单的边缘检测是梯度幅值是通过阈值大小进行判定。4.定位精确确定边缘的位置。总的说来传统边缘检测的流程如图3-1边缘检测流程图所示原始图像图像去噪得出二值化边缘图像阈值分割增强图片去噪图像边缘定位边缘检测边缘增强图3-1 边缘检测流程图3.2传统边缘特征提取主要算法及其效果分析图像边缘特征提取的实质就是采用某种算法来提取图像中对象与背景间的交界线。边缘就是图像中灰度发生剧烈变化的区域。图像灰度的变化情况可以用图像灰度分布的梯度值来描述，因此我们可以用图像微分技术来获得边缘检测算子。根据图像的边缘特征定义，人们在研究图像特征提取时提出了许多现在被认为是传统的边缘提取算法。设为

25、图像灰度函数的梯度，中包含局部灰度的变化信息。定义为边缘提取算子中该点的灰度值。从上述理论基础中，人们提出了许多经典边缘提取算法，如Robets边缘提取算法、Sobel边缘提取算法、Prewitt边缘提取算法、Laplace边缘提取算法等，下面分别对这些边缘提取算法进行介绍和效果分析。上述的边界提取算法大都基于微分运算。但是其得到的边缘特征图像往往是断开的、不完整的结构信息，噪声也较为敏感，为了有效抑制噪声，首先对原图像进行平滑，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值来提取边界，用于图像识别的边缘提取往往需要输出的边缘是二值图像，即只有黑白两个灰度

26、的图像，其中一个灰度代表边缘，另一个代表背景。3.2.1 Roberts边缘算子Roberts 边缘提取算子根据在图像内任意一点取任意相互垂直方向的差分来计算梯度的原理，采用对角线方向相邻两像素之差表示，为：Robets边缘提取算子在x和y方向的卷积模板为： 在确定了卷积模板之后，根据上述公式可以计算出图像梯度 M (i ,j)。由于图像的平滑区域梯度较小，输出图像在平滑区域存在暗斑，为了克服这一缺陷，有必要取适当的阈值T ，并做出判断：当 M(i ,j)T时， (i ,j)保存为边缘点并将该点灰度值设为255即为白色；当 M (i ,j)T时，设该点灰度值为0即为黑色。对于阈值选取的说明：由

27、于微分算子的检测性能受到阀值的影响较大，本文采用人工输入阈值来判别灰度图像边缘点。算法实现结果图示： 图3-2 原始图像 图3-3 Robets阈值(40) 图3-4 Robets阈值(80) 图3-5 Robets阈值(160)本次算法中针对Robets算法的3个阈值（40,80,160）进行了边缘特征提取结果图3-3、图3-4、图3-5与原始图像图3-2比较表明，随着阈值的增大，灰度图像的边缘特征提取结果越清晰，但是随着阈值的增大也会丢失掉一些有用的边缘特征会丢失，当阈值大于某一个值时，图像边缘完全丢失。3.2.2 Sobel边缘算子Sobel 边缘提取算法考虑图像f(i，j)内的每一个点

28、，取每个点的水平和垂直方向灰度加权差，将各个方向加权差之和作为输出达到提取图像边缘的效果。Sobel 算子定义为传统的 Sobel 算子只取水平方向和垂直方向的卷积和，表示如下： 根据模板和公式可知通过对图像像素点经过模板和卷积化处理得到灰度值M(i,j)。适当选取阈值T，当M(i,j)T是设该点灰度值为255即为白色边缘，反之为黑色。Sobel算法边缘特征提取实现结果图示： 图3-6 原始图像 图3-7 Sobel阈值(40) 图3-8 Sobel阈值(80) 图3-9 Sobel阈值(160) Sobel算法提取三个不同阈值(40、80、160)得到如图结果图3-7、图3-8、图3-9与原

29、始图像图3-6结果比较表明， Sobel算子同Robets算子类似，随着阈值的增大边缘特征提取显示越清晰，边缘线越是细化，但是随着阈值的继续增大一些关键边缘点会丢失，从而造成图像边缘结果与原图像对比失真。3.2.3 Prewitt算子 Prewitt边缘算子是一种边缘样板算子。同Sobel算子一样，也取水平和垂直两个卷积模板对图像中的每个像素点做卷积，取得最大值作为边缘点输出实现公式定义如下： Prewitt算子模板如下： 由图上述矩阵所示的两个卷积算子形成了Prewitt边缘算子，与使用Sobel边缘算子的方法一样，图像中每个像素都用这两个核做卷积，取最大值作为输出，运算结果就是一幅边缘图像

30、。适当取阈值T，如果R(i,j)T 则为阶跃边缘点灰度值为255即为白色。Sobel算法边缘特征提取实现结果图示： 图3-10 原始图像 图3-11 Prewitt阈值(40) 图3-12 Prewitt阈值(80) 图3-13 Prewitt阈值(160) 经Prewitt算子法提取边缘特征结果显示如图3-10、图3-11、图3-12、图3-13结果与原始图像图3-10比较表明，随着阈值的增大边缘点逐渐减少，边缘逐渐细化，但是继续增大，其中的关键边缘像素点会丢失，与Robets算法和Prewitt算法相比，该算法边缘特征提取结果针对该幅图像明显好于Robets算法但是差与Sobel算法。3.

31、2.4 Laplace算子拉普拉斯算子一种二阶边缘检测算子，它是一个线性的、旋转不变性算子，因此它只需要一个模板。对一个连续函数f (x, y)它在图像中的位置(x, y),拉普拉斯值定义为：在数字图像中可用数字差分近似为：Laplacian算子利用二阶导数信息，具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。使得图像经过二阶微分后，在边缘处产生一个陡峭的零交叉点，根据这个对零交叉点判断边缘。本次算法验证采用4邻域系统Laplacian算子模板如下：Lapliacion算法边缘特征提取试验结果图示： 图3-14原始图像 图3-15 Laplacian阈值(40) 图3-16 Lap

32、lacian阈值(80) 图3-17 Laplacian阈值(120)Laplace算法提取边缘图像特征结果如图3-15、图3-16、图3-17所示，与原图像图3-14比较随着阈值的增大边缘特征逐渐减少，与上述一阶算法相比该算法提取图像边缘特征点定位较准，对灰度变化比较明显的特征点能够有效的提出，但是该算法发对噪声比较敏感，提取出的边缘特征常常是不连续的特征点的组合，对边缘轮廓描述不清晰。3.3改进的边缘特征提取算法及其效果分析随着计算机硬件技术的发展，显示器的分辨率越来越高，必然引起边缘灰度变化带的减少。图像的边缘总是产生在不同的尺度范围内，形成不同的边缘，而在图像处理之前这些信息是未知的。

33、传统边缘提取算法没有自动变焦的功能，很难完全提取出图像的真正边缘；而且，传统算法没有建立一套评价一种边缘提取算法优劣的定量标准。随着图像处理的发展和新兴技术的研究应用，又涌现出了很多新的边缘提取算法，如 Canny 边缘提取算法，小波边缘提取算法，广义模糊算法，结合误差图像的边缘提取算法，形态学边缘提取算法等，下面本文针对Canny边缘提取算法和小波变换边缘提取算法进行研究和分析。3.3.1 Canny边缘检测子算法1.Canny算子边缘检测思想Canny 边缘特征提取的原理是在图像中找出具有局部最大梯度幅值的像素点，对图像边缘提取内容大都集中在找到能够用于实际图像的梯度数学逼近。然而实际的图

34、像多数都经过了摄像机光学系统和电路系统固有的低通滤波器的平滑，因此图像中的阶跃边缘并不十分陡立。同时，图像也容易受到噪声和场景中不希望因素的干扰。这些内容决定了图像梯度逼近必须满足两个要求：逼近必须能够抑制噪声效应；逼近必须尽量精确地确定边缘的位置。但是，现实中抑制噪声和边缘精确定位常常无法同时得到满足，也就是说，边缘提取算法通过图像平滑算子去除了噪声，但却增加了边缘定位的不确定性；反过来，若提高边缘提取算子对边缘的敏感性，同时也就提高了对噪声的敏感性。针对此种情况，Canny 认为：有一种线性算子可以在噪声干扰和精确定位之间提供最佳折中方案，它就是高斯函数的一阶导数。2.Canny边缘检测原

35、理具有既能滤去噪声又保持边缘特性的边缘检测最优滤波器，其采用一阶微分滤波器。采用二维高斯函数的任意方向上的一阶方向导数为噪声滤波器，通过与图像卷积进行滤波；然后对滤波后的图像寻找图像梯度的局部最大值，以此来确定图像边缘。根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。Canny边缘检测步骤：(1)用高斯滤波器对图像平滑处理(2)用一阶偏导算子找到图像灰度在水平和垂直方向偏导数Gx和Gy，并按下列两公式求出梯度的幅值G和方位&： ，(3)对梯度幅值进行非极大值抑制，找到局部梯度最大点。在3x3的领域内，给定像素P(i,j)与沿着梯度乡方向的两个像素值比，若P的梯

36、度值不比这两个像素值的梯度幅值大，令P=0，否则保留原幅值。在这里，我们把梯度方向划分为水平方向、垂直方向、和正负45度方向来比较梯度幅值的强度(4)用双阈值算法检测和连接边缘。凡是大于高阈值t1的一定是边缘;凡是小于低阈值t2的一定不是边缘；介于高阈值与低阈值之间的，则要看此像素的邻接像素中是否有大于高阈值的像素，如果有，它就是边缘，否则不是边缘3.实现结果均方差为1，高阈值为200时随低阈值变化(40、80、160)Canny算法边缘检测缘图像实现结果图示： 图3-18 原图像 图3-19 Canny阈值(40) 图3-20 Canny阈值(80) 图3-21 Canny阈值(160)Ca

37、nny算法边缘特征均方差与高阈值一定低阈值变化(40、80、160)提取结果如图3-19、图3-20、图3-21所示，与原图像图3-18比较结果表明随着低阈值增大边缘特征逐渐清晰，但是也会丢失一部分边缘特征点，可见在该算法中低阈值有控制特征点的作用。均方差为1，低阈值为40时随高阈值变化(80、120、200)Canny算法的边缘图像结果实现结果图示： 图3-22 原始图像 图3-23 Canny阈值(80) 图3-24 Canny阈值(120) 图3-25 Canny阈值(200)均方差与低阈值一定，随着高阈值的增大(80、120、200)边缘提取结果显示如上面图3-23、图3-24、图3-

38、25所示结果，与原始图像图3-22比较表明灰度点随着高阈值的增大逐渐减少，边缘轮廓逐渐细化，但是高阈值会造成边缘主要特征点的丢失，从而影响边缘结果的提取。 高阈值为120，低阈值为40时不同均方差(0.5、1.0、2.0)下Canny算法的边缘特征提取图像实现结果图示： 图3-26原始图像 图3-27 Canny均方差(0.5) 图3-28 Canny均方差(1.0) 图3-29 Canny均方差(2.0)高低阈值一定，不同均方差(0.5、1.0、1.5)特征提取结果如图3-27、图3-28、图3-29结果显示与原始图像3-26比较表明，不同均方差下提取的灰度图像边缘特征相比有明显差异，当均方

39、差为1.0时该边缘特征结果与原图像最为接近。4.Canny实验总结通过对Canny算法三个不同变量的取值比较表明，高阈值在算法中控制边缘特征的整体特征提取，低阈值控制边缘点的增减情况，均方差对边缘线进行平滑处理，实验表明，单纯通过一种变量无法提取出灰度图像的完整有效边缘特征信息，只有通过对三种变量的同时控制才能提取出图像的清晰完整信息，实验表明，当高阈值为120，低阈值为48，均方差为1.2是提取出的灰度图像边缘特征最接近原图比较实现结果图示： 图3-30 原始图像 图3-31 Canny最适应3.3.2 小波变换边缘检测算法1.小波变换的思想作为新兴的信号处理技术，由于其良好的时频局部特征非

40、常适合图像处理，因此在图像特征识别中得到了推广。不同尺度下，图像灰度的急剧变化点的集合对应图像的边缘，这就要求在提取图像边缘时运用多尺度的思想，而小波对图像信号的多分辨率分析非常适检测信号的特征，所以小波是图像边缘提取的一种有力工具。小波多尺度边缘提取的基本思想是：选择较大尺度过滤噪声，识别边缘；选择较小的尺度实现边缘的准确定位；综合不同尺度下的边缘图像得到提取结果。2.小波图像边缘提取算法基本步骤(1)在图像f(x,y)中选定平滑函数(x,y)为尺度函数，相应地，函数(x,y)在x和y方向上的到数为小波函数，构成多尺度小波变换。，(2)设定尺度为，h1和h2在该尺度下的小波变换为：(3)对图

41、像进行小波变换，由小波系数计算不同尺度下的梯度方向和梯度矢量。由上面公式可知，二维小波变换的两个分量和分别正比于图像f(x,y)经平滑后沿水平和垂直方向的偏导数，所以二维小波变换的矢量就是梯度。(4)沿着梯度方向检测小波变换系数的局部极大值点，即可得到图像的边缘点，通过抑制非大值和双阈值法。小波的样本函数很多，本文采取二次样条小波函数，其低通滤波系数g(n)和高通滤波系数h(n)如下表3-1所示 表3-1 小波样本函数n-1012h(n)0.1250.3750.3750.125g(n)-22根据表3-1，通过对小波函数尺度的选取不同，得到的边缘和抑制噪声的能力也会有所不同。在尺度下，它所对应的

42、滤波器 hi和gi分别表示在h和g相邻的系数间插入个零而得到的离散滤波器。在具体实现中，用高斯滤波器对图像进行卷积得到边缘图像，用低通滤波器对图像进行卷积得到下一个尺度所要的平滑图像。3.实验结果尺度为2，高阈值为120时随低阈值变化(40、60、100)小波算法的边缘提取结果图示： 图3-32 原始图像 图3-33 小波阈值(40) 图3-34 小波阈值(60) 图3-35 小波阈值(100)小波变换算法控制尺度与高阈值一定，低阈值增大(40、60、100)边缘特征提取结果图3-33、图3-34、图3-35与原始图像图3-32结果比较表明随着低阈值增大图像像素点逐渐减少，可见在该算法中低阈值

43、有控制特征点的作用。尺度为2，低阈值为40时随高阈值变化(80、120、200)小波变换算法边缘提取实现结果图示： 图3-36 原始图像 图3-37 小波阈值(80) 图3-38 小波阈值(120) 图3-39 小波阈值(200)小波变换控制尺度与低阈值一定，随着高阈值的变化(80、120、200)提取边缘结果显示如图3-37、图3-38、图3-39结果显示。与原始图像图3-36比较，随着高阈值的逐渐增大，图像边缘特征逐渐减少，边缘信息逐渐丢失，可见高阈值在图像边缘特征提取中控制着图像整体轮廓情况。高阈值为120，低阈值为40时不同尺度(0、1、2)下小波变换算法边缘特征提取实现结果图示： 图

44、3-40 原始图像 图3-41 小波尺度(0) 图3-42 小波尺度(1) 图3-43 小波尺度(2)高低阈值一定，控制小波变换尺度(0、1.0、2)，边缘特征特征提取结果如图3-41、图3-42、图3-43结果显示与原始图像3-40比较表明，不同尺度下提取的灰度图像边缘特征有明显差异，当尺度为1.0时该边缘特征结果与原图像最为接近。4.小波变化算法总结实验表明单纯通过高低阈值和尺度中的一种描述无法提取出清晰的边缘图像特征，只有通过选取合适的高低阈值和尺度大小才能有效的提取灰度图像整体边缘轮廓特征，实验表明当高阈值为80，低阈值为60，尺度为2是提取出的边缘特征最接近原图，结果显示如图3-44和3-45所示。 图3-44 原始图像 图3-45 小波最适应3.4 算法比较通过上述试验提取出每种算法的最优边缘特征提取结果图像显示如下： 图3-46 Robets 图3-47 Sobel 图3-48 Prewitt 图3-49 Laplacian