《一种有效的边缘检测方法》由会员分享，可在线阅读，更多相关《一种有效的边缘检测方法（12页珍藏版）》请在金锄头文库上搜索。
1、1一种有效的边缘检测算法摘要:2 d-3d 转换成 3 d 显示需要 2 d 内容。这个转换过程首先估计场景的三维结构,然后呈现现场 ;最后它生成 3 d 图像。在现有的系统中,Hybrid depth generation algorithm 有三个深度线索来估计深度:运动信息、直线透视图和纹理特征。他们使用的边缘检测算子是索贝尔算子。为了找到准确的边缘我们提出一个新的的边缘检测算法取代 sobel 算子; 这种边缘检测算法能减少图像中的数据，并且能检测出真正的边缘点和非边缘点。它能够最大化真正边缘点并且减少非边缘点。相似之处是最大化信号噪声比。检测到的边缘和真正的边缘很是接近。真正的边缘不
2、结果检测到的边缘。使用一个精明的边缘检测算法可以提高图像的视觉感知。I INTRODUCTION无论是 3 d 电影还是 3 d 家庭设备，2 d 到 3 d 转换已成为一个重要的立体内容创作方法。通常情况下,转换过程需要一个 2 d 显示器显示 3 d 内容。Depth map 估计是 3 d 转换中的一个难题。不幸的是,2 d 视频内容没有真正的深度信息。Depth-Image-Based Rendering(DIBR)结合深度信息与 2 d图像, 同时它使输出 3 d 图片呈现立体感。这些 3 d 技术被分为两种类型。第一个是被动立体类型和第二个主动立体感类型。被动立体需要戴眼镜,但“a
3、uto-stereoscopic”不需要戴眼镜。在两个图像分别发送到左边和右边的眼睛时，3 d 视觉生成了。第三个维度可以通过人类的双眼差异的形式感觉到。人类的眼睛能确定位置的小变异,从而感知现实世界的不同图像。大脑得到2不同的图像,然后能够重建深度信息。 3 d 显示有一个优势, 它的创建每一个场景的两个很小差异的图像,然后它将提交给不同的的眼睛。通过近似差异和校准我们可以实现精准的 3d 感知。3 d 内容对 3 d 系统的产生是非常重要的。很多特殊的相机通过相关设计能直接从 2 d 图像产生 3 d 图像。II EXISTING SYSTEM2 d 到 3 d 转换是从 2 d 电影转换
4、到 3 d 电影的一个过程 ,以至于产生虚构的景象。通过执行混合算法构建三维视图和根据深度估计：运动信息,线性观点, 和纹理特征等估计的 3 d 图像的 4 个函数。首先,他们针对每一个框架创建一个深度地图或则归类相似的框架来标记场景中目标的深度。深度图是一个单独的灰度图像。他拥有和 2d 图像相同的维度。他使用不同深浅的灰度，因为他表示的是每一帧的每一部分的深度。深度映射可以产生一个虚构的 3 d 对象的图像,然后噪声去除和平滑过程采用双边滤波器。通过实现混合算法，2 d 到 3 d 转换过程执行时间是 25%至 35%,感知得分在 75 和 85 之间。 最后三维图像左/右视图通过使用 D
5、IBR 创建。III. PROPOSED SYSTEM边缘检测主要用于减少展现在一个图像中的数据量。The Canny Edge Detection Algorithm.边缘检测有五个独立的步骤，他们将在分开的步骤中执行。31. Smoothing:噪音存在于所有由相机拍摄的图像里。平滑主要用于减少图像的噪声。首先,图像应该用高斯滤波器的平滑。在高斯滤波器里标准的偏差是 cr = 1.4(1)。2. Finding the Gradients:边缘检测算法通常用于发现边缘。在哪个地方的灰度强度的地方发现图像的梯4度。首先,我们平滑图像然后在每个像素点使用 sobell-operator 计算梯
6、度。我们由核心方程得到 x 和 y 方向的梯度(2)。Sobell 算子计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。该算子包含两组 3x3 的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以 A 代表原始图像，Gx 及 Gy分别代表经纵向向及横向边缘检测的图像，其公式如下:图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度5的大小。然后
7、可用以下公式计算梯度方向在以上例子中，如果以上的角度 等于零，即代表图像该处拥有纵向边缘，左方较右方暗。梯度大小是由欧氏距离度量通过应用毕达哥拉斯定律得到的(3),我们使用曼哈顿距离测量(4)减少计算复杂度。梯度图像不能检测到准确边缘。因此,我们使用以下方程。63. Non-Maximum Suppression:Non-Maximum Suppression 主要用于“锐化”的来自 gradient Magnitude 的模糊边缘。Non-Maximum Suppression 保护 gradient Magnitude 中的局部最大梯度和删除以外别的。对每个像素有一下三种算法。1.梯度图像
8、的方向被设置为 to nearest 45 degree.2.当前像素边缘的强度分为正负方向方向。3.如果当前像素边缘强度最大,他们保护这个边缘的强度。74.Double Thresholding（双阈值）:Canny Edge Detection Algorithm 使用双阈值。边缘像素比高阈值强的变强。边缘像素低于低阈值的被抑制。边缘像素在低和高阈值之间的变弱。5.Edge Tracking by Hysteresis（边缘跟踪滞后）:强边缘直接转换成最终的边缘图像。弱边缘和弱边缘相联系,因为有时弱边缘制造噪音或颜色变化。该方法能够在 Binary Large Object 里实现。8IV
9、. IMPLEMENTATION RESULT使用精明的边缘检测算法可以检测到精确的边缘检测,还可以提高视觉感知。3D 成像3D 成像是靠人两眼的视觉差产生的。人的两眼（瞳孔）之间一般会有 8 厘米左右的距离。要让人看到 3D 影像，就必须让左眼和右眼看到不同的影像，使9两副画面产生一定差距，也就是模拟实际人眼观看时的情况。3D 的立体感觉就是如此由来的。在全球的电影院里商用化的 3D 放映技术主要包括主动立体和被动立体两种。放映机和播放器通过提高画面刷新率（为 2D 放映的 2 倍刷新率），在同一台放映机上播放左或右眼画面，通过液晶眼镜的同步开关功能，让左右眼看到不同的画面，产生立体效果。图
10、像锐化为了不破坏图像背景的前提下更好地增强边缘，也可以对上述直接用梯度值代替灰度值的方法进行改进，可以引入一个阈值来判断是否对某一像素点进行锐化。具体公式如下：对于图像而言，物体与物体之间，背景与背景之间的梯度变化很小，灰度变化较大的地方一般集中在图像的边缘上，也就是物体和背景交接的地方。当我们设定一个阈值时，Gf(i,j) 大于阈值就认为该像素点处于图像的边缘，对结果加上常数 C，以使边缘变亮；而对于 Gf(i,j)不大于阈值就认为该像素点为同类像素，即同为物体或同为背景，常数 C 的选取可以根据具体的图像特点。这样既增亮了图像的边界，同时又保留了图像背景原来的状态，比传统的梯度锐化具有更好
11、的增强效果和适用性。10如何评判视觉感知没有灰度信息差异的图像不是高质量的图像。过亮或过暗的图像，或者虽有不同灰度的信息分布但达到人类视觉对比度分辨率阈值的图像。也不是高质量的图像。另外，噪声水平过高甚至淹没了图像结构的图像也不是质量好的图像。通过人类视觉对图像质量的感知特征分析对图像质量的感知特征有了初步的了解。一幅质量好的图像，应有一些基本的可测的物理特征，这些特征组成了人类视觉感知图像质量的 4 个参数，简称质量四参数。1图像信息熵不同灰度色度的信息适当丰富时。图像含信息越丰富，质量越好。一幅视觉感知为质量好的自然景物图像。有接近 256 个不同灰度级的信息。我们用图像信息熵觑眈客观描述
12、一幅图像中所含的信息：图像平均对比度一幅图像即使有不同灰度的信息存在，如果没有达到人类视觉的对比度分辨率阈值，也没有视觉感知的图像存在61。认识不同的事物就是认识其差晃，这里对比度是与图象处理中不同灰度的空间分布有关的同时对比度。我们采用如下关于灰度差的定义7】：11式中，csiI|I 表示同时(simultaneous)对比度。厶与b 分别表示目标和背景灰度。3 图像平均灰度一幅图像或照片过亮或过暗主观视觉都认为图像质量不好，因此，图像的好质量与适当的亮度(图像的灰度) 相联系。一幅图像的亮度用平均灰度(AG)量度。平均灰度计算如下：式中：AG 表示平均灰度；G 何( 菇，y)为像素点(戈，y)的灰度.4 图像噪声定义为图像灰度色度值在均值附近的涨落，用方差或标准差来测量。标准差以为：以上可称为图像质量描述的 4 个可客观测量的基本物理参数。据此，我们可以建立图像质量感知的(模糊的) 概念模型。12
