国际先进研究期刊》的研究在电子、电子、仪表工程
菜单ISSN在线(2278 - 8875)打印(2320 - 3765)
ISSN在线(2278 - 8875)打印(2320 - 3765)
拉克什M.R
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
边缘检测是图像处理的重要组成部分。边缘检测是检测强度值的急剧变化的过程(像素值)的形象。有很多边缘检测技术。罗伯特,常用的是索贝尔普瑞维特,精明的边缘检测技术。精明的技术更优与其他技术相比。在本文中,我们处理Sobel MATLAB / SIMULINK模型,罗伯特,普瑞维特和精明的边缘检测技术和相应的仿真结果。所以精明的技术是给最好的结果存在的噪音。边缘检测技术用于特征检测和特征提取的图像。
关键字 |
| 类型的边缘,拉普拉斯算子和梯度方法,边缘检测技术。 |
我的介绍。 |
| 边缘检测是指识别和定位剧烈波动的过程在一个图像。不连续的突然变化的像素强度描述一个场景中对象的边界。经典的边缘检测方法包括图像卷积算子,构造是敏感图像中梯度大,同时在统一的地区返回的值为零。有一个极其大量的边缘检测算子,对某些类型的每个设计敏感边缘。边缘检测的过程中寻找尖锐的对比在一个图像的强度。这个过程大大降低了图像的数据量,同时保留图像的最重要的结构特征。 |
| 类型的边缘:边缘进行分类根据他们的行为——一步,凹形坡,凸坡,屋顶,山谷和楼梯。 |
| 变量参与边缘检测算子的选择包括: |
| 边缘结构:并不是所有的边缘包括阶跃变化的强度。效果如折射或可怜的集中会导致对象与边界强度定义为一个渐进的变化。操作员需要选择能够响应这样一个循序渐进的改变在这些情况下。 |
| 边缘定位:运营商决定的几何特点方向是最敏感的边缘。运营商可以优化寻找水平,垂直或斜边缘。 |
| 噪声环境:在噪声图像边缘检测是很困难的,因为噪声和边缘包含高频内容。试图减少噪音导致边缘模糊和扭曲。运营商用于噪声图像通常是更大的范围,因此他们可以足够的数据平均折扣局部噪声像素。这将导致更少的检测边缘的精确定位。 |
| 在图像处理许多不同类型的方法进行边缘检测。它主要包含两类。那就是: |
| 梯度:梯度法检测最大和最小的边缘通过寻找图像的一阶导数。找到地方的一阶导数在级强度大于指定的阈值。例子包括;索贝尔普瑞维特,罗伯茨等。 |
 |
| 两个梯度和拉普拉斯算子边缘检测技术有一些缺点,如对噪声的敏感性等避免这种类型的缺点,给更好的边缘检测新技术开发的精明的叫做精明的边缘检测算法。精明的边缘检测比其他人更好的结果。改进基于以下标准 |
| •低错误率:边缘不应该错过,不应对非边缘。 |
| •好定位:最小距离发现边缘像素与实际边缘 |
| •只有一个响应一个优势 |
| 边缘检测特别领域的功能检测和特征提取。然而,它并不总是能从现实生活中获得理想的边缘图像。边缘检测是图像处理的基本步骤之一,图像分析,图像模式识别和计算机视觉技术。使用MATLAB / SIMULINK模型边缘检测技术。 |
二世。边缘检测技术 |
| 索贝尔算子: |
| 操作员由一对3×3的卷积核如无花果所示。内核只是另一个旋转90°。 |
 |
| 这些内核设计最大限度地应对边缘垂直和水平相对于像素网格运行,一个内核的两个垂直的方向。内核可以单独应用到输入图像,产生独立的测量每个方向的梯度分量(称之为¯害怕一个½¯害怕一个½¯害怕害怕一个½¯½和¯害怕一个一个½¯害怕一个½¯害怕害怕一个½¯½)。这些可以组合在一起,发现每一点的绝对星等梯度和梯度的方向。梯度的大小是由: |
 |
| 边的取向角(相对于像素网格)引起的空间梯度: |
 |
| b .罗伯特的交叉算子: |
| 罗伯茨交叉算子执行一个简单的,快速的计算,二维空间梯度图像上测量。像素值在输出每一点代表估计绝对星等的空间梯度的输入图像。操作员由一对2×2卷积核。内核只是另一个旋转90°。这非常类似于Sobel算子。 |
| 这些内核设计最大限度地应对边缘像素网格运行在45°,一个内核的两个垂直的方向。内核可以单独应用到输入图像,产生独立的测量每个方向的梯度分量(称之为¯害怕一个½¯害怕一个½¯害怕害怕一个½¯½和¯害怕一个一个½¯害怕一个½¯害怕害怕一个½¯½)。这些可以组合在一起,发现每一点的绝对星等梯度和梯度的方向。边的方向角引起的空间梯度(相对于像素网格取向)是由: |
 |
| c·普瑞维特的运营商: |
| 普瑞维特运营商类似于Sobel算子和用于检测图像边缘垂直和水平。 |
 |
| d .精明的边缘检测: |
| 精明的边缘检测器是一个使用一个多阶段算法的边缘检测算子检测广泛的边缘在图像精明的目标是发现最优边缘检测算法。在这种情况下,一个“最优”边缘检测器的意思是: |
| 好的检测,该算法应该在尽可能多的实际图像中边缘。 |
| 好的定位- - - - - - -边的标记应该尽可能接近真实图像的边缘。 |
| 最小响应——给定图像中边缘只能标记一次,并在可能的情况下,图像噪声不应产生虚假的边缘。 |
| 满足这些需求精明的使用变分法——这种技术发现函数优化给定的功能。最优函数在精明的探测器是由四个指数函数项的和描述的,但它可以用高斯函数的一阶导数近似。该算法运行在5独立的步骤: |
| 1。平滑:模糊图像去除噪声。 |
| 2。发现梯度:边缘应标记在图像的梯度大的大小。 |
| 3所示。Non-maximum抑制:只有局部极大值应该标记为边缘。 |
| 4所示。双阈值:潜在的边缘是由阈值决定的。 |
| 5。边缘跟踪滞后:最后的边缘是由压制所有边缘不连接到一个非常确定的(强大的)边缘。 |
 |
| 精明的边缘检测算法在计算上更昂贵和索贝尔相比,普瑞维特和罗伯特的操作员。然而,精明的边缘检测算法执行比所有这些操作符。评价的图像显示,在嘈杂的环境下,精明的,日志,索贝尔,普瑞维特,罗伯茨的表现出更好的性能,分别。Gradient-based普瑞维特滤波等算法的主要缺点是对噪声非常敏感。内核过滤和系数的大小是固定的,不能适应给定的图像。一种适应性edgedetection算法需要提供一个健壮的解决方案,适应不同噪声水平的这些图片来帮助区分有效的图像内容和视觉构件引入的噪声。 |
| 优点和缺点: |
| 索贝尔普瑞维特,罗伯特:优势:简单、检测边缘及其方向的劣势:对噪声的敏感性,它是不准确的 |
| 精明的:优点:概率寻找错误率,本地化和响应,高信噪比,更好的在噪声条件下检测。 |
| 缺点:复杂计算,错误的零交叉,耗时边缘检测的应用:图像识别和分割。,Image fusion and Image tracking, Used to find edges in images, Can be used for defense, security, and much more, Face detection or human detection. |
| 关于边缘检测问题: |
| 边缘检测的质量取决于很多因素,如照明条件下,物体的存在类似的强度、密度和噪声边缘的场景。 |
| 没有好的方法来自动设置这些值,所以他们是由操作员手动改变每次探测器运行一组不同的数据。 |
| 的噪音,边缘检测变得非常困难,因为边缘和噪声都是高频的特征。 |
三世。实现 |
 |
| 输入图像高斯噪声干扰的通过使用高斯噪声发生器。图像的高斯噪声。图像的梯度计算和图像的边缘可以与某些或常数阈值。然后我们可以得到输出图像的边缘检测部分。我们已经看到了索贝尔,罗伯特,普瑞维特的边缘检测技术。这些技术的Matlab仿真软件模型如上所示。在这里输入图像高斯噪声的攻击。 |
| 参数:高斯噪声发生器:中值:0,方差:1,输出数据类型:双阈值恒定值进行比较:100 |
 |
| 精明的边缘检测是另一种类型的边缘检测技术的改进版本。如果输入图像退化通过高斯噪声边缘检测可以通过使用精明的边缘检测相比,给最好的结果。精明的边缘检测的Matlab仿真软件模型所示。参数:高斯噪声发生器:中值:0,方差:1,输出数据类型:两倍标准差的高斯滤波器:1的比例近似弱边缘和nonedge像素(用于自动计算阈值):70 |
四、仿真结果 |
| 索贝尔的各种输出结果,罗伯特,普瑞维特和精明的边缘检测技术的Matlab仿真软件模型上面显示波形。在这里输入图像”的猫。png”梯度计算图像在x和y方向上也会显示。 |
| 索贝尔 |
 |
| 罗伯特。 |
 |
| 普瑞维特 |
 |
| 精明的 |
 |
诉的结论 |
| 边缘检测形式预处理阶段消除输入图像的冗余信息,从而大大减少了需要处理的数据量,同时保留有用信息的界限。我们处理比较的边缘检测技术通过使用Matlab / Simulink模型类型。我们只专注于边缘检测技术是如何工作的。这种技术检测边缘给好的结果。比较这精明的噪音问题,给出更好的结果状态。计算是复杂的。还有许多其他类型的边缘检测方法来提高边缘检测的噪声。 |
引用 |
|
