canny边缘检测毕业论文 - 图文

上、左下、右下这8个方向的移动组合来到达区域内的任意像素。

(a)(b)和所有复杂事物的分类一样，图像分割可以从不同的角度和特征进行分类，存在多种分类方法，现列举如下【1】：

1、根据分割过程中运算策略的不同，可把图像分割分为并行分割算法和串行分割算法两类。

2、根据实现技术的不同，可把图像分割分为基于图像直方图的分割技术（阈值分割、聚类等）、基于边界的分割技术（边缘检测等）、基于区域的图像分割技术（区域生长等）。

3、格局应用要求的不同，图像分割可分为粗分割、细分割两大类。 4、根据分割对象的属性不同，图像分割可分为灰度图像分割和彩色图像分割。

5、根据是否借助一定区域内像素灰度变换模式，图像分割可分为纹理图像分割和非纹理分割。

6、根据分割对象的状态不同，图像分割可分为静态图像分割和动态图像分割。

目前已经提出的图像分割方法很多，综合各种方法的实质，图像分割有三种不同的途径【4】：

1）基于边界的图像分割

这种方法先检测图像边界，再连接目标边界的轮廓线。但在边界检测前，往往采用滤波器（如高斯低通滤波器）来减少噪声影响，然后再进行边缘检测。常用的边缘检测算子有Roberts算子，Sobel算子，Prewitt算子， Laplacian

4

算子，LOG算子等。

2）基于阈值的图像分割

这是一种较为简单、使用广泛的基于图像直方图的分割方法，经常用于背景和目标的灰度差别较大、可以较好区分的场合。图像直方图是一种像素灰度加噪声的概率密度分布，分割问题实际上就是像素分类的参数估计问题，易受噪声和像素灰度分布的波动影响。

3）基于区域的图像分割

这种方法的目的是检测满足特定预设条件的区域。使用较多的是区域增长法、区域分裂合并法和分水岭算法等。在不少基于区域的分割算法中，首先分割出来的是很多差别不大的小区域，需要进一步按照一定的一致性要求实现小区域的合并，形成最终的分割。

上述3种基本的图像分割既可单独使用，也可综合使用，如综合基于边界和基于区域的分割技术来提高分割精度。除了这些基本方法外，近年来出现的一些图像分割新技术，如基于支持向量机（SVM）、人工神经网络、信号稀疏分解等图像分割算法等。

本文重点研究综合基于边界和基于区域的分割技术来提高分割精度的分割方法，也正是基于此对Canny算子进行改进。

5

第二章 基于边界的分割——边缘检测

2.1边缘的类型

目前，具有对边缘的描述性定义，即两个具有不同灰度的均匀图像区域的边界，即边界反映局部的灰度变化。局部边缘是图像中局部会聚集以简单（即单调）的方式做极快变换的小区域。这种局部变化可用一定窗口运算的边缘检测算子来检测。边缘的描述包含以下几个方面【4】：

1、边缘法线方向——在某点灰度变化最剧烈的方向，与边缘方向垂直； 2、边缘方向——与边缘法线方向垂直，是目标边界的切线方向； 3、边缘强度——沿边缘法线方向图像局部的变化强度的量度。

一般认为沿边缘方向的灰度变化比较平缓，而边缘法线方向的灰度变化比较剧烈。图像上的边缘点可能对应不同的物理意义。

1）空间曲面上得不连续点。这些边缘线为两个不同曲面或平面的交线，该点处物体表面的法线方向不连续。

2）物体与背景的分界线。

3）不同材料组成的边缘线。由于它们对光的反射系数不同，因此边缘线的两侧灰度具有明显差别。

4）阴影引起的边缘。由于物体表面某一部分被另一物体遮挡，使得它得不到光源的照射或照射不充分，从而引起边缘点两侧灰度值有较大的差异。

2.2边缘的类型

四种常见的图像边缘类型如下：第一种是斜坡边缘，就是从一个灰度值跳到比它高的另一个灰度值，边缘的特征一般用其高度、倾斜角和斜坡中点的水平坐标值来表述。第二种是阶跃型边缘，如果斜坡边缘的倾斜角为90度时，此时对应的边缘就称为阶跃边缘，在数字图像处理中，阶跃边缘一般不存在。第

6

三种是屋顶型边缘，其灰度值先逐渐增加再逐渐减小。第四种是线性边缘，也称为脉冲边缘，从一个灰度值变到另一个灰度值再变回原来的，具体的如下图所示。

(a)斜坡边缘 (b)阶梯边缘 (c)屋顶边缘 (d)线性边缘

图2.1 边缘类型

2.3边缘的判定

由此可见，边缘表现为灰度值不连续，在数学中不连续特性可以用函数的一阶导数和二阶导数来检测。以下是阶跃、脉冲、屋顶型边缘的导数图形表示。

图2.2 图像边缘和对应的导数示例

图2.2（a）中，对剖面图进行一阶求导，可以看出在图像灰度值由低到高变化时有一个阶跃，而在其他地方为零。所以通过一阶导数的幅值来判断是否存在边缘，其中一阶导数的幅值最值点通常就是边缘点。对灰度值的一阶导数再次求导也即得到其二阶导数，观察图2.2（a），二阶导数的零点正好对应灰度

7