国际电气、电子与仪器工程高级研究杂志
菜单Issn online (2278-8875) print (2320-3765)
Issn online (2278-8875) print (2320-3765)
拉克什M.R
|
| 相关文章Pubmed，谷歌学者 |
浏览更多相关文章国际电气、电子与仪器工程高级研究杂志
边缘检测是图像处理的重要组成部分。边缘检测是检测图像强度值(像素值)的急剧变化的过程之一。有很多边缘检测技术。常用的有Sobel、Robert、Prewitt、Canny的边缘检测技术。与其他技术相比，Canny的技术更理想。在本文中，我们处理了MATLAB/SIMULINK模型对Sobel, Robert, Prewitt和Canny的边缘检测技术和相应的仿真结果。所以Canny的技术在有噪音的情况下效果最好。用于图像特征检测和特征提取的边缘检测技术。
关键字 |
| 边缘的类型，拉普拉斯和梯度法，边缘检测技术。 |
我的介绍。 |
| 边缘检测是指识别和定位图像中明显的不连续点的过程。不连续是像素强度的突然变化，它表征了场景中物体的边界。经典的边缘检测方法包括将图像与算子进行卷积，该算子被构造为对图像中的大梯度敏感，同时在均匀区域返回零值。有非常多的边缘检测算子可用，每一个都被设计为对某些类型的边缘敏感。边缘检测是在图像中发现强烈对比度的过程。这个过程大大减少了图像中的数据量，同时保留了图像中最重要的结构特征。 |
| 边的类型:边根据它们的行为进行分类——台阶、凹坡、凸坡、屋顶、山谷和楼梯。 |
| 选择边缘检测算子所涉及的变量包括: |
| 边缘结构:不是所有的边缘在强度上都有阶跃变化。折射或聚焦不佳等影响会导致物体的边界由强度逐渐变化而确定。在这些情况下，需要选择能够对这种逐渐变化做出反应的操作人员。 |
| 边缘方向:算子的几何形状决定了它对边缘最敏感的特征方向。操作符可以优化为寻找水平、垂直或对角线的边缘。 |
| 噪声环境:在噪声图像中，边缘检测是困难的，因为噪声和边缘都包含高频内容。试图减少噪声会导致边缘模糊和扭曲。在有噪声的图像上使用的算子通常范围更大，因此它们可以对足够的数据进行平均，以消除局部有噪声的像素。这导致检测到的边缘定位不太准确。 |
| 在图像处理中，有许多不同类型的方法来执行边缘检测。在这一点上，它主要包含两类。那就是: |
| 梯度:梯度法通过在图像的一阶导数中寻找最大值和最小值来检测边缘。找出强度一阶导数大于指定阈值的地方。例子包括;Sobel, Prewitt, Roberts等等。 |
 |
| 两种梯度和拉普拉斯边缘检测技术都有一些缺点，如对噪声敏感等。为了避免这种缺点，并提供更好的边缘检测，canny开发的新技术被称为canny边缘检测算法。Canny的边缘检测结果优于其他方法。基于以下标准的改进 |
| •错误率低:-边不应遗漏，对非边无响应。 |
| •良好的定位:-找到的边缘像素与实际边缘之间的最小距离 |
| •对一条边只有一个响应 |
| 边缘检测主要应用于特征检测和特征提取领域。然而，并不总是能够从现实生活的图像中获得理想的边缘。边缘检测是图像处理、图像分析、图像模式识别和计算机视觉技术的基本步骤之一。利用MATLAB/SIMULINK生成边缘检测技术的模型。 |
2边缘检测技术 |
| A.索贝尔操作员: |
| 该算子由一对3×3卷积核组成，如图所示。一个核简单地将另一个核旋转90°。 |
 |
| 这些核被设计为最大限度地响应相对于像素网格垂直和水平运行的边缘，两个垂直方向各有一个核。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)。然后可以将这些组合在一起，以找到每个点上梯度的绝对大小和梯度的方向。梯度大小由下式给出: |
 |
| 产生空间梯度的边缘的取向角(相对于像素网格)由下式给出: |
 |
| B.罗伯特交叉算子: |
| 罗伯茨交叉算子执行一个简单的，快速计算，二维空间梯度测量图像。输出中每个点的像素值表示输入图像在该点的空间梯度的估计绝对值。该算子由一对2×2卷积核组成。一个核就是另一个核旋转90°。这与索贝尔算子非常相似。 |
| 这些核被设计为最大限度地响应沿像素网格45°方向运行的边缘，两个垂直方向各有一个核。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)。然后可以将这些组合在一起，以找到每个点上梯度的绝对大小和梯度的方向。产生空间梯度的边缘方向角(相对于像素网格方向)由下式给出: |
 |
| C. Prewitt算子: |
| Prewitt算子类似于Sobel算子，用于检测图像中的垂直和水平边缘。 |
 |
| D. Canny边缘检测: |
| Canny边缘检测器是一种边缘检测算子，它使用多阶段算法来检测图像中广泛的边缘，Canny的目的是发现最优的边缘检测算法。在这种情况下，“最优”边缘检测器意味着: |
| 良好的检测-算法应该标记尽可能多的图像中的真实边缘。 |
| 良好的定位-标记的边缘应尽可能接近真实图像中的边缘。 |
| 最小响应-图像中给定的边缘应该只标记一次，并且在可能的情况下，图像噪声不应该产生假边缘。 |
| 为了满足这些要求，Canny使用了变分法——一种找到优化给定函数的函数的技术。Canny检测器中的最优函数是用四个指数项的和来描述的，但它可以用高斯函数的一阶导数来近似。该算法分5个独立步骤运行: |
| 1.平滑:对图像进行模糊处理以去除噪声。 |
| 2.寻找梯度:在图像的梯度值较大的地方，应该标记边缘。 |
| 3.非最大值抑制:只将局部最大值标记为边缘。 |
| 4.双阈值法:通过阈值法确定潜在边。 |
| 5.通过迟滞跟踪边缘:通过抑制所有没有连接到非常确定(强)边缘的边缘来确定最终边缘。 |
 |
| 与Sobel, Prewitt和Robert的算子相比，Canny的边缘检测算法的计算成本更高。然而，Canny的边缘检测算法比所有这些算子都表现得更好。对图像的评价表明，在噪声条件下，Canny, LoG, Sobel, Prewitt, Roberts的图像分别表现出更好的性能。基于梯度的算法(如Prewitt滤波器)有一个主要缺点，即对噪声非常敏感。核滤波器的大小和系数是固定的，不能适应给定的图像。一个自适应边缘检测算法是必要的，以提供一个鲁棒的解决方案，是适应这些图像的不同噪声水平，以帮助区分有效的图像内容从噪声引入的视觉伪影。 |
| 优点和缺点: |
| Sobel, Prewitt, Robert:优点:简单，检测边缘及其方向缺点:对噪声敏感，不准确 |
| 优点:发现错误率的概率，定位和响应，高信噪比，在噪声条件下更好的检测。 |
| 缺点:计算复杂，假过零，耗时长。应用领域: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. |
| 关于边缘检测的问题: |
| 边缘检测的质量取决于很多因素，如光照条件、相似强度物体的存在、场景中边缘的密度和噪声。 |
| 没有好的方法可以自动设置这些值，因此每次使用不同的数据集运行检测器时，操作员都要手动更改这些值。 |
| 在噪声存在的情况下，边缘的检测变得非常困难，因为边缘和噪声都具有高频的特征。 |
3实现 |
 |
| 利用高斯噪声发生器对输入图像进行高斯噪声干扰。图像会有高斯噪声。计算得到的图像的梯度与图像的边缘可以用一定的或恒定的阈值进行比较。然后我们可以得到图像边缘检测部分的输出。我们已经看到了Sobel, Robert, Prewitt的边缘检测技术。这些技术的Matlab Simulink模型如上所示。在这里，高斯噪声被攻击到输入图像。 |
| 参数:高斯噪声发生器:均值:0，方差:1，输出数据类型:双 |
 |
| 精明边缘检测是边缘检测技术的另一种类型，是所有其他边缘检测技术的改进版本。当输入图像受到高斯噪声的影响时，可以采用Canny边缘检测方法进行边缘检测，该方法的检测效果最好。Canny边缘检测的Matlab Simulink模型如图所示。参数:高斯噪声发生器:均值:0，方差:1，输出数据类型:双高斯滤波标准差:1弱边缘和非边缘像素的近似百分比(用于自动计算阈值):70 |
四、仿真结果 |
| Sobel, Robert, Prewitt和Canny对上述Matlab Simulink模型的边缘检测技术的各种输出结果如下所示。这里输入的图像是“cat.png”，也显示了在x和y方向上的梯度计算图像。 |
| 索贝尔 |
 |
| 罗伯特。 |
 |
| 普瑞维特 |
 |
| 精明的 |
 |
诉的结论 |
| 边缘检测形成了一个预处理阶段，从输入图像中去除冗余信息，从而大大减少了要处理的数据量，同时保留了有关边界的有用信息。本文利用Matlab/Simulink对不同建模类型的边缘检测技术进行了比较。我们只关注边缘检测技术是如何工作的。通过比较，该方法在噪声条件下的检测效果更好。计算很复杂。还有许多其他类型的边缘检测方法来改进在噪声情况下的边缘检测。 |
参考文献 |
|
