《边缘检测技术综述》由会员分享，可在线阅读，更多相关《边缘检测技术综述（10页珍藏版）》请在金锄头文库上搜索。
1、精选优质文档-倾情为你奉上边缘检测技术综述摘要图像是人们从客观世界获取信息的重要来源，而图像边缘是图像最基本的特征之一，往往携带着一幅图像的大部分信息。边缘是图象最基本的特征。边缘检测在计算机视觉、图象分析等应用中起着重要的作用,是图象分析与识别的重要环节,这是因为图象的边缘包含了用于识别的有用信息。所以边缘检测是图像分析和模式识别的主要特征提取手段。我们对一幅图像检测并提取出它的边缘就需要研究和解决如何构造出具有良好性质及好的效果的边缘检测算子的问题。 边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合,灰度或结构等信息的突变处成为边缘。经典的边界提取技术大都基于微分运算。首先通过平滑
2、来滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值来提取边界。这些算法尽管实时性较好，但抗干扰性差，不能有效克服噪声影响。各个边缘检测算子的检测效果各有优缺点，这和它们各自采用的算法原理是一致的。为了正确地得到图像的边缘信息，现代边缘检测技术还从小波、 数学形态学、遗传算法、基于视觉机制等多种方法进行了研究，寻求算法较为简单、能较好地解决检测精度与抗噪声性能协调问题的边缘检测算法是当前图像处理与分析领域中的一个研究热点。 文中首先介绍了几种经典的边缘检测方法，并对其性能进行比较分析；然后，综述了近几年来出现的一些新的边缘检测方法；最后，对边
3、缘检测技术的发展趋势进行了展望。关键词：边缘；边缘检测算子；边缘检测技术；综述1引言图像是人们从客观世界获取信息的重要来源 1。图像信息最主要来自其边缘和轮廓。所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它是图像最基本的特征。边缘存在于目标、背景和区域之间，它是图像分割所依赖的最重要的依据。边缘检测 2是图像处理和计算机视觉中的基本问题，图像边缘检测是图像处理中的一个重要内容和步骤，是图像分割、目标识别等众多图像处理的必要基础。因此，研究图像边缘检测算法具有极其重要的意义。 图像边缘检测自从五十年代提出和应用以来，迄今已出现了大量方法，要对边缘检测的发展历史做一个清晰的划分是很难的。总
4、体说来，边缘检测可以分为两大类，即传统的边缘检测算法和新兴的边缘检测算法。 传统的边缘检测算法主要是建立在梯度运算的基础上； 近年来，随着数学理论和人工智能的发展，又出现了一些新的边缘检测的算法，如基于数学形态学的边缘检测3、基于视觉机制4、小波变换和小波包变换的边缘检测法5、基于模糊理论的边缘检法6、基于神经网络的边缘检测法7、基于遗传算法的边缘检测法8 、多尺度边缘检测技术9等。 就传统的经典图像边缘提取算法，虽然效果不一定最好，但因其算法简单、成熟，计算量小，在经过一些改进之后，仍然有相当大的应用潜力。而小波变换、数学形态学理论等都属于近些年发展起来的高新信号处理技术，而且已经成功地运用
5、到了数据压缩等方面，如何最有效地应用这些技术进行图像的边缘提取，仍然是目前研究的一个热点。1经典的边缘检测算法1.1边缘检测的发展与现状最早的边缘检测算子可以追溯到上世纪六十年代，Roberts提出了基于梯度的边缘检测，这种利用对角方向相邻两像素之差计算梯度进行边缘检测的方法至今仍然适用的一种算法，也是最简单的一种算子，但该算子对噪声比较敏感，时常会出现孤立点；七十年代又出现了Prewitt算子、Sobel算子，这两种算子是目前在实践中计算数字梯度时最常用的方法，它们在计算梯度前，先计算邻域平均或者加权平均，再进行微分，这样便可以抑制噪声，但这几种算子比较容易出现边缘模糊；后来出现的Kirsc
6、h算子可以检测到多个方向上的边缘，减少了因取平均而丢失的细节，但却增加了计算量；以上这些传统的边缘检测算子，大部分为局域窗口梯度算子，它们对噪声非常敏感，随着噪声的增加，会检测出大量的伪边缘和噪声点，有时甚至无法检测出边缘；但对于图像来说噪声是无处不在的，所以这些算子对实际图像的处理效果并不令人满意，检测结果也不可靠。后来，先对图像做平滑，再利用平滑过程中的零交叉点来定位边缘位置的算子，如Marr提出的LOG算子，是微分法中应用最为广泛的检测算子，该算子虽然克服了抗噪能力比较差的缺点，但它对参数的依赖性较大，参数不同，会出现不同程度的虚假边缘或丢失边缘的现象。很多学者提出了多种方法避免噪声对算
7、子的影响，解决准确定位，虚假边缘等问题，如基于小波的边缘检测算法，基于神经网络及数学形态学的边缘检测算法，其中1986年Canny提出的最佳边缘检测算子是检测阶跃型边缘效果最好的算子之一10，去噪能力强，同时该算子因处理被高斯白噪声污染的图像取得了的良好效果，而成为其它边缘检测算子性能评价的标准，但它同时也具有不可避免的缺点。图像的复杂性和多样性使得人们在不断的研究更为有效的边缘检测算子，从研究的趋势看来，在该领域的研究中有明显的几个趋势：首先，在不断的改进原有的算法；其次，研究者不断的将新方法和新概念引入，同时更注重对多种方法综合运用；再次，对一些特殊的图像的边缘检测技术的研究得到了越来越多
8、的重视，根据任务的特定要求，通过对现有的方法进行改进或者设计一种新的边缘检测方法，以得到特定任务满意的检测结果仍然是图像处理的研究热点之一。1.2经典边缘检测算子微分算子主要是根据灰度边缘处的一阶导数有极值、二阶导数过零点的原理来检测边缘。以一阶导数为基础的边缘检测算子，通过计算图像的梯度值来检测图像边用于检测图像中边的存在。比如：Roberts 算子、 Sobel 算子、 Prewitt算子，Canny 算子；以二阶导数为基础的边缘检测算子，过寻求二阶导数中的过零点来检测边缘。根据二次导数的符号，用于确定边上的像素是在亮的一边，还是暗的一边；根据零交叉，确定边的准确位置。比如拉普拉斯算子（L
9、aplacian）、 LOG 算子。LoG算子又称为拉普拉斯高斯算法，它用Gaussian函数先对图像进行平滑处理，然后采用拉普拉斯算子根据二阶导数过零点来检测边缘。Canny算子的实质是利用高斯函数的一阶微分，并用非极大抑制和双阈值法来定位导数最大值。它是一种比较实用的边缘检测算子，能在噪声抑制和边缘检测之间取得较好的平衡，具有很好的边缘检测性能10。而且许多文献提出了对经典算子的各种改进方法。2经典边缘检测算子性能分析传统的边缘检测算法是利用梯度最大值或二阶导数过零点值来获取图像边缘的。这些算法尽管实时性较好，但抗干扰性差，不能有效克服噪声影响，定位方面欠佳。在提取图像边缘时，通常会遇到两
10、个问题：一是图像降噪后边缘变得模糊，二是无法在多尺度下对图像边缘进行提取。这两个问题严重影响图像的提取。目前，边缘检测仍然是经典技术难题之一，是计算机视觉中的一个瓶颈问题。112.1各种边缘检测的特点1.Robert算子采用对角线方向相邻的两像素之差近似梯度幅值进行边缘检测。检测水平和垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感。2.Sobel算子根据像素点上下、左右相邻灰度加权差在边缘处达到极值这一现象进行边缘检测。对噪声具有平滑作用，提供较为精确的边缘信息，边缘定位精度不够高。当对精度要求不是很高时他是一只种比较常用的边缘检测算法。3.Prewitt算子利用像素点的上下、左右相邻点灰
11、度差在边缘达到极值这一现象检测边缘。对噪声具有平滑作用，精度不够高。4.Laplace算子是二阶微分算子，利用二阶导数在边缘点出现零交叉检测边缘，对灰度突变敏感，定位精度高，对噪声敏感，不能获得边缘方向等信息。5.LOG算子也是一种二阶微分算子，是在Laplace算子基础上的改进。由于先对图像进行了高斯滤波运算，所以比Laplace算子取得更好的边缘检测效果。6.Canny边缘检测算子对小区域目标有较好的检测效果，边缘间断的情况很少发生。但它同时将目标中的一些小区域也进行了边缘放大，就连背景上的一些不明显的边界也得到了加强。3边缘检测技术新发展3.1基于数学形态学的边缘检测基于数学形态学的图形
12、图像算法研究相对于其他一些基于空间域和频率域的图形分析算法具有突出的优势。如利用数学形态学算法中基本结构元素的先验特征信息可以有效的滤去噪声，并且很好的保留了原始图像中的各种有用信息，很好的恢复原始图像。此外，数学形态学是一种易于硬件实现的算法，能够满足并行实时的处理需求。数学形态学在边缘提取领域的应用超越了很多基于微分处理的边缘提取方法，因为它对噪声的敏感度不如微分处理，故能保持边缘信息的平滑稳定。从最终的处理效果也可以看出，基于数学形态学的边缘提取算法的处理效果在边缘连通性等方面有着显著的效果，断点极少，骨架非常清晰，便于后续信息的处理和应用。将形态学应用在边缘检测领域是一个科学的、并基于
13、众多实验证明的过程。由于形态学在图形图像处理领域的优势，使得它可以充分的应用在边界提取、像素连通、骨架区域确定，同时形态学还可以应用在与这些操作相关预处理和后期处理领域，如：图像填充、边缘细化、粗化以及边缘剪切。边界提取与区域填充是两个对立的处理过程。当采用形态学知识进行边界提取时，由于形态学的结构元素的先验性可以很好的“挖空”封闭图像内部，同时只保留边缘像素点。不同的结构元素可以从原始数字图像中提取出不同的前景边缘，这也是形态学算法个性化的呈现。然而，正是由于结构元素个性化使得结构元素的确定就显得尤为重要，如果选择不慎将会造成非理想的检测效果。然而，这是一个缺陷与优势共存并矛盾的局面。区域填
14、充的必要性也是不容我们忽视的一个操作。在图像边缘检测的过程中，如果我们只需要得到前景图像的边缘像素，然而前景图像却存在一些“镂空”，这会造成内部镂空边缘或者边缘干扰，对后续的图像处理很不利。所以在进行前景边缘提取前进行区域填充非常必要。其具体操作也跟结构元素相关，当结构元素大于内部“镂空”时，形态学算法即可以将其填充。不同的结构元素的区域填充效果也是不一样的，这同样需要算法提出者在图形图像处理前进行严谨细致的分析，同时也确保了边缘检测算法的高精准性。骨架区域是一个前景图像的整体边缘呈现，骨架区域的划分精准度除了与结构元素相关外，还需要形态学算法的智能化剪切，使得最后的骨架能够隔离清晰，边缘后续
15、分析。上述的三个基于形态学在边缘检测领域的应用充分的发挥了形态学的优势，并结合形态学集合论的膨胀、腐蚀操作以及两者组合形成的开、闭运算等，使得最后能够取得完整、清晰的边缘像素。目前，比较成熟的基于数学形态学的边缘检测法12有：基于多尺度形态学的边缘检测，基于数学形态学多极平均的图像边缘检测，基于偏微分方程的形态学的边缘检测，基于均衡化和数学形态学的组合边缘检测，基于坐标逻辑的多结构元图像边缘检测方法等。3.2基于小波和小波包变换的边缘检测算法小波分析是当前应用数学和工程中的一个迅速发展的领域。小波分析是多分辨率分析和时间尺度分析技术的结合,它同傅里叶变换相比,无论在时域上,还是在频域上都有很好
16、的局部化特征。它能够对信号进行多尺度细化,能对低频部分进行频率细分,高频部分进行时间细分,克服了傅里叶变换的缺点13。所以，小波变换更适合复杂图像的边缘检测。作为多尺度分析工具,小波变换为在不同尺度上信号的分析和研究提供了一个精确和统一的框架，从图像处理的角度看,小波变换存在以下几个优点:(1)它有完善的重构能力,在小波分解的过程中无冗余信息和信息丢失,小波分解能够覆盖整个频域；(2)小波变换通过选取合适的滤波器,可以极大地减少或去除所提取的不同特征之间的相关性；(3)小波变换后,能够提取原始图像的任何信息,包括细节信息和结构信息；(4)小波变换具有“变焦”特征；(5)小波变换在实现上有快速算法,它的作用相当于快速傅里叶变换在傅里叶变换中的作用,这为小波变换应用提供了
