基于形態(tài)學(xué)理論的圖像邊緣檢測(cè)方法研究.pdf

1、視覺是物體的影像刺激視網(wǎng)膜所產(chǎn)生的感覺以及在大腦皮層中所得到的直覺。機(jī)器視覺也就是給機(jī)器加上一個(gè)視覺裝置，使機(jī)器具有和人一樣的視覺功能，目的是為了提高機(jī)器的自動(dòng)化和智能化程度。機(jī)器視覺需要從外界的客觀事物中提取圖像信息，對(duì)圖像進(jìn)行相應(yīng)處理并加以理解，能在實(shí)際檢測(cè)、測(cè)量和控制中得到應(yīng)用。
　　 邊緣是視覺圖像的最基本和最重要的特征之一，它包含了位置、輪廓等許多有用的信息。邊緣存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域、基元與基元之間

2、，所以圖像的大部分信息都存在于邊緣中。邊緣檢測(cè)就是基于物體和背景間灰度或紋理特征上某種不連續(xù)性或突變性的一種檢測(cè)技術(shù)，是圖像分割、模式識(shí)別、機(jī)器視覺、區(qū)域形狀提取等領(lǐng)域分析方法的基礎(chǔ)，邊緣檢測(cè)算法的優(yōu)劣直接影響著輪廓提取的精度和系統(tǒng)的性能。因此，邊緣檢測(cè)是視覺圖像中比較關(guān)鍵的一部分，對(duì)圖像的定位、目標(biāo)的提取等具有重要的意義。
　　 本文主要介紹了傳統(tǒng)的邊緣檢測(cè)方法、數(shù)學(xué)形態(tài)學(xué)方法以及本文中改進(jìn)的模糊形態(tài)學(xué)和基于形態(tài)學(xué)的小波分析等

3、方法。傳統(tǒng)的邊緣檢測(cè)方法各有其特點(diǎn)，但同時(shí)都存在著各種各樣的缺陷。在各種數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)算法中，都存在各自的缺點(diǎn)和不足，改進(jìn)的形態(tài)學(xué)梯度算子具有一定的抗噪聲能力，但抗噪聲能力有限。數(shù)學(xué)形態(tài)學(xué)是以集合論為基礎(chǔ)的，由于模糊形態(tài)學(xué)保留了數(shù)學(xué)形態(tài)學(xué)的一切優(yōu)點(diǎn)，又是建立在模糊集的基礎(chǔ)上，可以用來(lái)處理實(shí)際生活中的非線性信號(hào)，因此本文提出了一種改進(jìn)的模糊形態(tài)學(xué)邊緣檢測(cè)算法。該算法具有很好的邊緣檢測(cè)效果和較強(qiáng)的抗噪聲魯棒性，提取的邊緣比較完整，邊緣輪

4、廓也非常清晰，沒(méi)有出現(xiàn)漏檢和偽邊緣，效果十分理想，優(yōu)于傳統(tǒng)的邊緣檢測(cè)方法。在基于形態(tài)學(xué)的小波分析方法中，由于數(shù)學(xué)形態(tài)學(xué)抗噪聲能力有限，因此本文將形態(tài)學(xué)方法和小波結(jié)合在一起用于圖像的邊緣檢測(cè)，通過(guò)小波變換將圖像進(jìn)行分解和融合，從而更有效地濾除了噪聲，使圖像的某些細(xì)節(jié)特征進(jìn)行加強(qiáng)處理。小波變換可以濾掉圖像中含有的大量噪聲，而數(shù)學(xué)形態(tài)學(xué)梯度算子可以更精確地定位圖像邊緣，可以提取出比較完整的邊緣信息。該方法具有較強(qiáng)的抗噪聲魯棒性，具有比較理想的