边缘检测算法和实时图像增强:比较研究

Ashita Vermani¹,Akshyata Ojha²

助理教授,电子与电信部门。大学工程Roorkee Roorkee,印度
学生,电子与电信部门。大学工程Roorkee Roorkee,印度

文摘

热图像用于探测和识别任何对象的边缘由于不同大气条件。摘要五算法,即,罗伯特,梭伯今年上半年,普瑞维特、拉普拉斯算子和精明的边缘检测算法进行了讨论和比较他们的表演最优边缘检测。边缘检测在图像分析中发挥关键作用,能够解决复杂的问题,它是一个重要的步骤来识别对象分割和特征提取的帮助。它主要适用于灰度级的像素,它是用来跟踪目标,压缩数据,识别对象等的显著减少,过滤掉无用的信息的数据量,同时保留重要的结构属性。算法的性能是决定在考虑精度和速度。

关键字

图片、最优边缘检测、灰度级的像素,数据压缩

介绍

来检测边缘,我们必须了解红外成像/热成像。完成热成像分析对象的帮助下在黑暗中黑体辐射,所有对象发出辐射温度高于绝对零度。随着温度增加,发射辐射会增加从而显得比以前更明亮,更清晰然后冷却器对象。热图形摄像机探测红外辐射范围和生产形象称为热分析图。温谱图代表数量的红外能量释放传播和反映一个对象,但争议是,因为不同的红外能量来源,准确的温度对象不能被测量。

入射能量=释放能量+传播能量+反射能量

由于发射率材料发出热辐射的能力与温度变化量。它的值在0到1之间,黑体辐射的材料红外辐射接触温度,真正的黑体辐射率是实用性。雷竞技网页版的速度发射的红外辐射产生的真正的接触温度和这一部分叫做发射率。雷竞技网页版引入热成像系统进行边缘检测能力看穿烟雾。它检测到温度的变化来区分目标和背景。由于其低成本,它们用于工业与民用应用程序的数量。热成像仪可以扫描@每秒30次,感觉温度从-40 F到36000 F。

在图1中,镜头聚焦的红外辐射的源对象[1]。红外探测器扫描相控阵的聚焦光和特此探测器元素创建详细的温度模式即热。热然后翻译成电脉冲。的冲动,然后送到信号处理单元将信息转化为数据的显示。显示出现在各种各样的颜色根据红外发射强度和所有冲动的组合创建图像

各种边缘检测的技术

边缘检测是一个基本的工具用于图像处理。这是一个过程,识别和定位图像的剧烈波动。不连续区域的像素变化的边界对象的特征。用于特征检测与提取,旨在确定点在数字图像的亮度图像急剧变化,发现不连续。因此,边缘检测算法应用到一个图像可以显著减少需要处理的数据量,因此可能过滤掉可能被视为不相关的信息,同时保持图像重要的结构属性。如果是边缘检测的步骤成功,后续任务的解释原始图像的信息内容可能因此大大简化。传统的边缘检测方法包括与二维卷积图像过滤敏感大梯度。在统一的地区他们给的值为零。边缘检测算子边缘定位等功能,噪音环境,边缘结构。

有两种技术:

基于梯度:寻找最大和最小检测边缘的一阶导数。它包括sobel算子,罗伯茨普瑞维特运营商,运营商。

基于拉普拉斯算子:二阶导数的零交叉搜索图像边缘。它包括高斯拉普拉斯算子,精明的边缘检测。

正如我们所知的边缘像素强度值高于环境,所以一旦阈值设置我们比较梯度值和检测超过阈值时的优势。当最大的一阶导数,二阶导数为零。

方法

评估措施后的产出和生成MATLAB代码-

1。接受一个示例图像在二维域

2。输入图像应用面具Gx Gy

3所示。使用边缘检测算法

4所示。分别获得面具操纵Gx和Gy输入图像

5。结合结果获得绝对星等的梯度

6。跟踪绝对星等

仿真结果

答:基于梯度的技术:

一)罗伯茨Cross-Gradient接线员:它是用于边缘检测的图像处理和计算机视觉。它近似于一个图像的梯度离散微分。离散微分法是通过计算平方和的对角相邻像素之间的差异。它快速计算二维空间梯度的输入图像。

两个内核作为操作符。一个内核是900旋转的其他形式。

这些内核回应最大边缘在450像素网格。

梯度G级| | = (G_x²+ G_y²)^1/2

近似级| G | = | Gx | + | Gy |

取向角会产生空间梯度α=反正切(Gy / Gx) 3π/ 4

如图2所示首先我们把二维的图像的帮助下两个内核图像跟踪分别在xaxis和轴的帮助;x轴和y轴梯度大小和方向计算和最终检测到图像

b) sobel算子:

离散微分算子,计算梯度的图像强度的近似函数。这个操作符作用于图像的卷积和小分离整数价值在两个方向上进行过滤。高频率,它产生粗糙的梯度。这里使用的两个内核Gx Gy。对水平和垂直导数近似。

*二维卷积操作

Soble内核=平均x分化内核

他们计算出梯度平滑,x坐标增加在正确的方向和y坐标方向。每一点梯度近似

| | G = (G_x²+ G_y²)^1/2

和梯度方向α=反正切(Gy / Gx)

α= 0的垂直边缘

强度函数已知离散点从而定义这个函数的导数,我们需要像点样例。

只需要八个像点来计算梯度向量和两个离散过滤器是可分的。如果x和y轴所示图边缘的检测是紧随其后的是一个追踪的帮助下大小和方向。当我们计算x轴梯度Gx内核与图像卷积。同样的y轴检测我们内核与图像卷积y轴。

c)普瑞维特接线员:

操作员梯度估计的图像强度给予最大可能的增加从亮到暗。唯一的区别是内核。他们被分解成平均和微分内核。

如图4所示为x轴检测我们与输入图像卷积Gx内核。的内核很小,从而防止模糊和其他问题。同样在计算y轴梯度旋转Gx 900我们评估大小和方向——内核

b .高斯基础技术:

Gaussain拉普拉斯算子:(LOG算子)突出强度快速变化的区域。拉普拉斯算子应用在应用程序的平和和近似Gaussain过滤器的形象,因此对噪声的敏感性降低。需要单独的灰度级图像作为输入,并生成另一个灰度级图像作为输出。

L (x, y) =拉普拉斯算子的图像

我(x, y) =像素强度值

L (x, y) =Δ²我/Δx²+Δ²我/Δy²

它使用混合滤波器的卷积组合高斯拉普拉斯算子和过滤器

三个内核使用近似的二阶导数,通常小而对噪声非常敏感

如图5所示将log算子应用到图像和这三个内核的帮助下可以检测到的边缘图像。

预处理步骤减少高频噪声分量在分化之前卷积是联想,所以我们把高斯平滑滤波器和拉普拉斯算子的过滤器。所以有两个优势,由于内核小,需要更少的算术运算和LOG算子内核预计算,所以在运行时需要评估。

d)精明的边缘检测:

这是最常用的工具。这通常是用作标准的边缘检测方法。精明的许多近似的方法和优化使用边缘检测问题。这个检测器低错误率即没有应对非边缘和边缘非常本地化,即区别边缘像素探测器和实际边缘应该最小。这里最优检测器提供良好的检测、定位和最小响应。四个过滤器用于检测水平、垂直、对角线的形象。

| | G = (G_x²+ G_y²)^1/2

和α=反正切(Gy / Gx)

原始图像与高斯滤波器的卷积用于降噪。估计图像梯度假设局部极大值的梯度方向。它使用滞后阈值高阈值是用来标记边缘大约和消除噪声像素和低阈值用于抑制。

本算法中使用多有两个参数可调的性质提供灵活性和影响计算时间和算法的有效性。的参数是:

1。高斯滤波器的大小即平和过滤器中使用第一阶段很小,因此导致更少的模糊和允许检测小型锋利的线条。更大的过滤引起更多的模糊如果我们需要检测越来越平滑的边缘我们还可以使用大的模糊半径过滤器。

2。使用两个阈值滞后允许更多的灵活性在单一阈值的方法。但是f阈值定的太高,可以错过重要的信息,另一方面如果设得太低会识别无关的信息。所以我们必须相应地修正。

如图6所示的二维原始图像首先通过高斯滤波器来减少噪声然后梯度x轴和y轴梯度计算在普瑞维特和梭伯今年上半年运营商一样。边缘检测图像然后进行阈值跟踪。

结论

本文的目的是使用MATLAB软件来比较各种边缘检测技术。我们基于梯度和拉普拉斯算子的处理技术。根据以上仿真结果图2所示,图3,图4,图和图6所示。边缘跟踪在轴,轴分别然后由梯度大小,综合结果显示阈值后,跟踪完成。令人满意的边缘检测算法的错误更少的解决方案和提供适应不同的噪音水平。精明的算法能适应各种环境,其参数使其认识到边缘的独特的特点。作为最佳的过滤结果的推导有限脉冲响应(杉木),这使得计算慢在空间域Rachid Deriche的无限脉冲响应(IIR)作为精明的过滤器。计算功能,如递归,短,固定的时间需要平和然而它是偏向于水平和垂直边缘因此不给好的近似对称的理性.Gradient基础算法如普瑞维特过滤器主要缺点,他们也对噪声敏感的大小内核过滤和系数是固定的不能适应图像。精明的边缘检测是更昂贵的基础上计算但是它执行比所有。