基于小波變換和微分算子融合的邊緣檢測(cè)算法.pdf

1、邊緣檢測(cè)是邊界分割方法中一種最基本的處理方法，有很強(qiáng)的實(shí)用價(jià)值。而小波分析是處理非平穩(wěn)信號(hào)的重要工具，已被成功應(yīng)用到邊緣檢測(cè)中，并發(fā)揮著越來(lái)越重要的作用。此外，還有一些常用的經(jīng)典邊緣檢測(cè)算子，它們大都是微分算子。而微分算子雖然運(yùn)行簡(jiǎn)單，但去噪效果并不理想。噪聲是影響邊緣檢測(cè)結(jié)果的主要因素之一，為有效地達(dá)到去噪的目的，本文利用傳統(tǒng)的Sobel算子和小波變換邊緣檢測(cè)算法提出新的邊緣檢測(cè)方法。具體工作如下:
　　首先，由于傳統(tǒng)的Sobe

2、l算子是一種基于導(dǎo)數(shù)微分的算子，對(duì)噪聲有很強(qiáng)的敏感性，所以當(dāng)圖像包含大量噪聲時(shí)，很難有效地區(qū)分邊緣點(diǎn)和噪聲點(diǎn)。為此，本文利用多尺度形態(tài)學(xué)濾波對(duì)含噪聲圖像平滑處理，改進(jìn)原有的Sobel算子，最終的邊緣圖像不僅明顯降低了噪聲的影響，保持了邊緣強(qiáng)度和較為完整的細(xì)節(jié)信息，獲得了更為滿意的主觀效果，而且利用客觀評(píng)價(jià)標(biāo)準(zhǔn)，峰值信噪比、相關(guān)系數(shù)、扭曲程度與傳統(tǒng)的Sobel算子比較也均有了一定程度的改善。
　　其次，對(duì)于含有椒鹽噪聲的圖像，利用傳

3、統(tǒng)的小波變換會(huì)檢測(cè)出大量的噪聲點(diǎn)。因此，本文將不同尺度的形態(tài)學(xué)結(jié)構(gòu)元素與小波變換結(jié)合運(yùn)用，使得改進(jìn)后的小波變換不但很好地濾除了椒鹽噪聲，提取的邊緣比較連續(xù)，包含的信息也更為豐富，而且客觀上與傳統(tǒng)的小波變換相比，峰值信噪比、相關(guān)系數(shù)、扭曲程度也有了明顯地改進(jìn)。
　　最后，因?yàn)楦倪M(jìn)的Sobel算子峰值信噪比、相關(guān)系數(shù)、扭曲程度較好，而與形態(tài)學(xué)結(jié)合的小波變換在信息熵、平均梯度上效果更優(yōu)，比較兩種改進(jìn)方法各有利弊，所以，本文將獲得的邊緣圖