全球研究计算机科学杂志》上。
菜单石头:2229 - 371 x
石头:2229 - 371 x
| Naorah Saad Harbi。主管:1万事达卡王子Syed博士2 计算机与信息技术学院计算机科学系,卡西姆大学,沙特阿拉伯王国。 |
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章全球研究计算机科学杂志》上。
边缘特征边界,因此在图像处理基本重要性的问题。图像边缘检测显著减少,过滤掉无用的信息的数据量,同时保留一个图像重要的结构属性。我们建议的方法的目的是获取薄边缘,这样的结果是更适合进一步应用,如边界检测图像分割、目标识别等。在这项研究中,我们提出一个新的基于梯度边缘检测方法的两种方法。我们只关注传统精明的边缘检测方法和引入卷积面具来获得更好的边缘。拟议的项目是使用MATLAB 7.0实现的。
关键字 |
| 边缘检测、数字图像处理、精明的边缘检测器。 |
介绍 |
| 图像处理的目的是获得更好的图像增强和检测/分类/段图像中的对象是不可见的。为了理解内容的图像在图像处理中,它是至关重要的图像分割成对象在一个图像和背景图像。图像的分割成对象和背景图像判读是一种严重的一步。边缘检测是一个基本的工具中使用的大多数图像处理应用程序获得的信息帧。[8] |
| 边缘检测是一个过程,发现在图像边缘。边缘是指图像的像素位置当地重要的突然变化的强度(灰色或颜色)发生。[6]有很多方法进行边缘检测。 |
| 然而,大多数的不同的方法可以分为两类:一阶导数和二阶导数。一个图像的一阶导数是使用梯度计算,[3]和二阶导数得到使用二阶方向导数的计算与零交叉身份位置。[5]早期的一些方法包括罗伯特,普瑞维特,Sobel和精明的边缘运营商他们使用小面具来近似的一阶导数卷积图像亮度的功能。文献调查显示,精明的边缘检测算法执行比所有这些操作符下几乎所有的场景。在实践中,可以密切近似最优滤波器高斯函数的一阶导数是一个二维卷积算子,用于模糊的图像和删除细节和噪声。[7] |
文献综述 |
| 专家认为边缘检测的过程是一个重要的和重要的过程,有助于分析不同的视觉场景。基本的边缘检测算子矩阵区域梯度运算,确定不同像素之间的水平差异。基于例子的梯度边缘探测器是罗伯特,普瑞维特,Sobel和精明的边缘算子。所有基于梯度的算法内核操作符计算边坡的强度方向相互正交,通常垂直和水平。 |
| 精明的实现适应的方法包括,因此,四个顺向步骤:卷积操作,分化,non-maximum抑制技术,阈值分割。因此,与高斯滤波器卷积开始减少源图像中的噪声。[4]的精明的经营者可以使用过滤器接近高斯函数的一阶导数。[2] |
 |
| 非最大抑制一步发现局部极大值的方向梯度和抑制所有他人,尽量减少错误的边缘。通过比较发现当地最大像素与邻国以及梯度的方向。这有助于保持之前的单像素边缘薄最终threshod一步。而不是使用一个静态阈值对整个图像,精明的算法引入了滞后阈值,一些自适应图像的本地内容。磁滞使用两个阈值,如果下面的大小是第一阈值,它被设置为0 (non-edge)。如果幅度高于阈值高,这是一个优势。如果两个阈值之间的大小,然后设置为零,除非有一个路径从这个像素的梯度高于高阈值。精明的边缘检测器使用两个卷积面具一个水平方向和垂直方向他们figure.1所示。[1] |
 |
方法 |
| 方法分为两个部分: |
| 算法。提出四边缘检测方法,使用四个卷积面具。 |
| b。提出了增强的边缘检测方法,算法使用了6卷积面具。 |
| 我们提出基于精明的边缘检测的四边缘检测方法,介绍两个额外的卷积面具除了两个卷积面具用于精明的边缘检测方法。垂直水平第一个,第二个,第三个正面的左对角,第四个积极正确的对角线他们figure.2所示。 |
 |
| 具体算法如下: |
| 步骤1:为了实现该边缘探测器,第一个使用高斯滤波器过滤掉噪音的原始图像。然后把图像和四个面具;寻找水平,垂直,积极左对角,积极正确的对角线边缘。方向产生最大的结果是在每个像素点标记。卷积结果记录,在每个像素边缘的方向。 |
| 步骤2:找到边缘强度图像的梯度。标准向量梯度的图像(NVI)计算: |
 |
| 步骤3:一旦边缘方向,下一步是与边缘方向的方向在图像跟踪。 |
| 目的:应用非最大抑制。非最大抑制用于跟踪沿着边缘的边缘方向,抑制任何像素值(如果等于0集),并不被认为是一个优势。这将产生一个输出图像的细线。非最大抑制的算法如下所示。 |
 |
| 顾不上应用滞后,它是作为一种手段,消除裸奔。裸奔是一个边缘轮廓的分手造成的操作符输出波动高于和低于阈值。 |
| 阈值图像矩阵的元素(Ibw)选择从像素值的图像梯度的计算标准向量后(NVI),或新生成的像素值,哪一个是更大,表现在方程(5)。 |
| (Ibw) = max (NVI,水平。*的(大小(NVI)) (5) |
| 级别是阈值,计算usingequation (6)。 |
| 水平=((阿尔法* (I_max -I_min)) + Imin) (6)。 |
| 第六段:最后,细化操作使用插值找到像素梯度是当地最大的规范。当地最大的 处理图像的轮廓。一样的像素保留值最大值其余蒙面。 |
| 所有的梯度边缘检测方法和提出的四边缘检测方法只使用有限数量的卷积面具。因此,边缘检测到这些methogods并不准确。我们提出一个解决这个问题的新方法被称为增强型梯度边缘检测方法。 |
| 我们引入两个卷积面具除了四卷积面具用于拟议的四边缘检测方法。额外的卷积面具-左对角和消极右斜。他们是图3所示。 |
 |
结果 |
| 精明和拟议中的边缘检测方法的性能很大程度上取决于可调参数西格玛(σ),这是标准差的高斯滤波器和阈值参数α(α)。 |
| 标准差σ也控制高斯滤波器的大小。 |
| σ值越大,高斯滤波器的尺寸变得更大。这意味着更多的模糊是嘈杂的图像以及所必需的检测更大的边缘。 σ的值意味着小高斯滤波器,限制的模糊量和维护更好的图像中边缘。[2] |
| σ值越大,高斯滤波器的尺寸变得更大。这意味着更多的模糊是嘈杂的图像以及所必需的检测更大的边缘。 σ的值意味着小高斯滤波器,限制的模糊量和维护更好的图像中边缘。[2] |
| 现在我们将继续实现精明的,四和增强边缘检测方法在MATLAB和几个σ值在几个256 x256像素大小的图像。为了说明精明的效果,四边缘检测方法和增强图像边缘检测方法。 |
Case1: |
| 高斯滤波器的参数n = 10,σ= 3和阈值参数α= 0.1。 |
案例2: |
| 这种情况下高斯滤波器的参数n = 10,σ= 1和阈值参数α= 0.1。 |
| 我们使用图4中的四个原始图像,图像通过使用精明的四边缘检测方法和增强边缘检测方法在表1中给出。和表2所示。分别。 |
 |
 |
| 表3,实验结果的case1(σ= 3)显示的平均值计算时间运用精明的边缘检测算法是30.313225秒,增强梯度边缘检测方法是99.19637秒,四边缘检测是70.84442秒。 |
| 在病例2(σ= 1)从实验结果发现,精明的计算时间的平均值是21.718975增强梯度边缘检测方法是58.96587秒和42.55435秒四边缘检测方法。 |
 |
| 我们使用均方误差(MSE)和峰值信噪比(PSNR)测量边缘检测器的性能。均方误差(MSE)是由[4] |
 |
| 更高的PSNR值,更好的退化图像重建与原始图像和重建算法越好。 |
| 表4给出了精明的PSNR值的比较,四和增强的边缘检测方法。这个表显示生成的PSNR值的四边缘检测在正常图像比精明的更准确,以及随之而来的PSNR值增强正常图像边缘检测,提供更精确的比精明和它比四边缘检测更准确。 |
 |
| 总结的结果:精明的模拟不同的图像后,四和增强边缘检测方法我们得出这样的结论:增强的边缘检测方法寻找图像的边缘与更高的效率在图和表比四和精明的方法。 |
| 显然,该梯度边缘检测方法准确地检测边缘像直线,椭圆和圆形边缘。 |
| 实验结果表明,增强梯度边缘检测方法可能是最复杂的边缘检测方法,使非常好的结果。然而,这种方法需要长时间由于其更高程度的复杂性。 |
结论 |
| 增强和四提出方法相比灰度测试图像和测试结果和性能之间拖提出方法和精明。实验结果表明,提出的增强和四边缘检测方法产生满意的结果为不同的灰度图像多精明。和增强边缘检测方法找到图像的边缘与更高的效率相比四和精明的方法。然而,这种方法需要长时间来计算结果由于其更高程度的复杂性。 |
引用 |
|
