基于VC的图像边缘检测算法的研究与比较

1、目录摘要IIIAbstractIV第一章 绪论- 1 -1.1数字图像基础- 1 -数字图像概述- 1 -数字图像处理- 1 -1.2边缘检测介绍- 2 -第二章 图像边缘检测- 3 -2.1边缘检测- 3 -边缘检测概念- 3 -微分算子- 3 -2.2边缘检测基本思想- 4 -2.3边缘检测算法- 5 -边缘检测算法步骤- 5 -边缘检测算法流程图- 5 -2.4边缘检测算法中算子的分类- 5 -2.5经典边缘检测算子- 6 -2.5.1 Roberts边缘检测算子- 6 -2.5.2 Sobel边缘检测算子- 7 -2.5.3 Prewitt边缘检测算子- 8 -第三章 Visual C

2、+图像编程- 10 -3.1用C+实现图像处理编程的原因- 10 -3.2 VC+的特点- 10 -3.3 VC+的组成- 11 -3.4 VC与matlab的比较- 12 -第四章 边缘检测算子的编程实现- 14 -4.1程序运行界面- 14 -4.2 Roberts算子程序及结果- 14 -4.3 Sobel算子程序及结果- 17 -4.4 Prewitt算子程序及结果- 23 -4.5结果分析与比较- 27 -第五章 边缘检测技术的发展及应用- 29 -5.1新的边缘检测方法- 29 -小波变换和小波包的边缘检测方法- 29 -基于数学形态学的边缘检测方法- 29 -5.2边缘检测技术的

3、应用- 30 -边缘检测在储粮害虫方面的应用- 30 -图像边缘检测技术在电厂中的应用- 31 -结语- 33 -参考文献- 34 -致谢- 35 -基于VC的图像边缘检测算法的研究与比较摘要边缘检测在图像处理中有着重要的作用。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。本文介绍了三种经典的图像边缘检测算子,并且运用强大的VC软件通过一个图像边缘检测的例子比较了它们的检测效果,分析了它们各自的特点,对学习边缘检测和具体工程应用具有很好的参考价值。关键词: 图像处理,边缘检测, 算子,比较研究,VCComparison And Analysis F

4、or Image Edge Detection Algorithms Based On VCAbstractEdge is the most basic feature of the image, it is the result of discontinuous gray. removes irrelevant information,retains the important structural properties of images.This article describes three types of classical edge detection operators, an

5、d the use the powerful software called VC to do the edge detection through a comparison of examples of the effect of their detection, analysis the characteristics,this is good reference value for their learning edge detection and application of specific projects. Image processing ,Edge detection ,Op

6、erator ,Comparative Study ,VC第一章 绪论1.1数字图像基础数字图像概述人眼能识别的自然景象或图像原也是一种模拟信号，为了使计算机能够记录和处理图像、图形，必须首先使其数字化。数字化后的图像、图形称为数字图像、数字图形，一般也简称为图像、图形。数字图像可以看成一个矩阵，或一个二维数组，这是在计算机上表示的方式。一幅MN个像素的数字图像，其像素灰度值可以用M行、N列的矩阵G表示： (11)在存储数字图像时，一幅M行、N列的数字图像（MN个像素），可以用一个MN的二维数组T表示。图像的各个像素灰度值可按一定顺序存放在数组T中1。数字图像处理数字图像处理（Digital

7、Image Processing）是利用计算机的计算功能，实现与光学系统模拟处理相同效果的过程。数字图像处理具有如下特点：（1）处理精度高，再现性好。利用计算机进行图像处理，其实质是对图像数据进行各种运算。由于计算机技术的飞速发展，计算精度和计算的正确性都毋庸置疑；另外，对同一图像用相同的方法处理多次，也可得到完全相同的效果，具有良好的再现性。（2）易于控制处理效果。在图像处理程序中，可以任意设定或变动各种参数，能有效控制处理过程，达到预期处理效果。这一特点在改善图像质量的处理中表现更为突出。（3）处理的多样性。由于图像处理是通过运行程序进行的，因此，设计不同的图像处理程序，可以实现各种不同的

8、处理目的。（4）图像数据量庞大。图像中包含有丰富的信息，可以通过图像处理技术获取图像中包含的游泳的信息，但是，数字图像的数据量具大，一幅数字图像是由图像矩阵中的像素组成的，通常每个像素用红、绿、蓝三种颜色表示，每种颜色用8bit表示灰度级。则一幅10241024不经压缩的真彩色图像，数据量达3MB（即102410248bit3=24Mb）。如此庞大的数据量给存储、传输和处理都带来巨大的困难。如果精度及分辨率再提高，所需处理时间将大幅度增加。（5）处理费时。由于图像数据量大，因此处理比较费时。特别是处理结果与中心像素邻域有关的处理过程花费时间更多。（6）图像处理技术综合性强。数字图像处理涉及的技

9、术领域相当广泛，如通信技术、计算机技术、电子技术、电视技术等，当然，数学、物理学等领域更是数字图像处理的基础。1.2边缘检测介绍边缘在边界检测、图像分割、模式识别、机器视觉等中有很重要的作用。边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括（i）深度上的不连续、表面方向不连续、物质属性变化和场景照明变化。边缘检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。2.1边缘检测边缘检测概念微分算

10、子2.12.2边缘检测基本思想2.3边缘检测算法边缘检测算法步骤定位 如果某一应用场合要求确定边缘位置则边缘的位置可在子像素分辨率上来估计边缘的方位也可以被估计出来。边缘检测算法流程图图像获取滤波增强检测边缘点定位边缘方位图像输出图2.2 边缘检测流程图边缘检测流程图比较形象直观地描述了边缘检测的步骤，通过滤波、增强、检测、定位来达到边缘检测的目的。2.4边缘检测算法中算子的分类2.5经典边缘检测算子 Roberts边缘检测算子1、理论基础3Roberts边缘算子采用的是对角方向相邻的两个像素之差。从图像处理的实际效果来看，边缘定位准，对噪声敏感。Roberts边缘检测算子是一种利用局部差分算

11、子寻找边缘的算子，它有下式给出。Roberts算子： (31) (32) (33)2.5.2 Sobel边缘检测算子(34)(35)(36)(37)(38)(39)2.5.3 Prewitt边缘检测算子 (310)除此之外，还有Krish边缘检测算子、拉普拉斯边缘检测算子、Canny边缘检测算子等都是比较常用的图像边缘检测算子。3.13.2 VC+的特点3.3 VC+的组成结束开始编译源代码编译编译错误链接链接错误运行程序运行时错误？是否是是否否图3.1 VC+运行流程图3.4 VC+与matlab的比较Matlab比较适合于做研究，因为它提供了大量的算法库，只用写简简单单的几句代码就可以完成

12、某一算法或者某一功能，因此对于算法研究它具有较好的优势。同时它也提供了接口供VC使用，并且Matlab的开发速度比较快，见效也比较快，也比较容易实现。但是，如果你要写应用程序的话，最好用VC，不要用Matlab，也不要和Matlab集成，然后自己完成所有的算法，这样便于后续的扩展，在构建应用程序的时候也非常方便，而且还可以不断升级以适应更加复杂的情况，使用起来也更加灵活。VC本来就是一个功能很强大的软件，可以完成几乎所有的事情。缺点就是开发进度比较慢，特别是对于初学者来说，需要一段时间来适应VC的开发环境和开发理念，如果以后要跨平台了，实现起来也是很容易的。主要看做图像处理的目的了，是研究用还

13、是做项目用！如果做项目用，那就用VC。本次毕业设计主要用VC来实现数字图像边缘检测算法，原因主要有二：一是VC使用C+语言来实现的，C+语言与Java和C#相比在程序运行效率、内存使用可控性、编程灵活性上都具有优势；二是VC是注重应用的，这将为今后的工作在项目的研发上打下良好的基础。4.1程序运行界面通过VC来实现边缘检测算子的功能，先对Roberts算子、Sobel算子、Prewitt算子进行函数定义，然后再进行函数调用，从而达到边缘检测的不同效果。图4.1 程序运行界面每种算子都是在此界面下进行功能实现的，左半边显示原图，右半边实现边缘检测的实现结果。4.2 Roberts算子程序及结果实

14、现步骤：（1）取得原图的数据区指针（2）开辟一个和原图相同大小的图像缓冲区，并设定新图像初值为全白（255）（3）每个像素依次循环，用Roberts边缘检测算子分别计算图像中各点灰度值，对它们先求平方之和；再开方；将缓冲区中的数据复制到原图数据区。编程实现：函数名称：Roberts()函数类型：void功能：用罗伯特算子对图像进行边缘检测void BianYuanJianCedib:Robert LPBYTE p_data; /原图数据区指针 int wide ,height; /原图高、宽 int i,j; /循环变量 int pixe4; / Roberts算子p_data=this-Ge

15、tdata();wide=this-GetWidth();height=this-Getheight();LPBYTE temp=new BYTEwide*height; /新图像缓冲区/设定新图像初值为255Memset(temp,255, wide*height)/由于使用22的模板，为防止越界，所以不处理最下边两行和最右边的两列像素for(j=0;jheight-1;j+)for(i=0;jRobert(); /调用Robert算子检测处理函数 Invalidate();实现结果：图4.2 Robert算子实现结果4.3 Sobel算子程序及结果实现步骤：（1）取得原图像的数据区指针（2

16、）开辟两个和原图相同大小的图像缓冲区，将原图复制到两个缓冲区（3）分别设置Sobel边缘检测算子的两个模板，调用Templat（）模板函数分别对两个缓冲区的图像进行卷积运算；（4）两个缓冲图像每个像素依次循环，取两个缓冲中各个像素灰度值较大者（5）将缓冲区的图像复制到原图数据区编程实现：卷积：函数名称：Templat(BYTE *m_pdata,int wide,int height,int tempH,int tempW,int tempMX,int tempMY,float *fpArray,float fCoef)函数类型：void参数：BYTE*m_pdata,指向DIB图像指针 in

17、t wide, 原图像宽度 int height,原图像高度 int tempH, 模板高度 int tempW, 模板宽度 int tempMX,模板的中心元素X坐标（tempW-1）int tempMY, 模板的中心元素Y坐标（tempH-1）float*fpArray,指向模板数组的指针float fCoef,模板系数返回值：处理成功返回true；处理失败返回flase功能：用指定模板对图像进行操作void BianYuanJianCedib: Templat(BYTE *m_pdata,int wide,int height,int tempH,int tempW,int tempMX

18、,int tempMY,float *fpArray,float fCoef) int i,j,k,l; /循环变量 BYTE*temp=new BYTEwide*height; /新图像缓冲区/初始化新图像为原图像memcpy(temp,m_pdata,wide*height);float fResult; /像素值计算结果for(j=tempMY;jheight-tempH+tempMY+1;j+)for(j=tempMX;jheight-tempW+tempMX+1;i+)/计算像素值fResult=0;for(k=0;ktempH;k+)for(l=0;l255)/若超过255，直接赋

19、值为255tempj*wide+i=255;else/未超过255，赋值为计算结果 tempj*wide+i=(int)(fResult+0.5);memcpy(m_pdata,temp,wide*height); /复制处理后的图像delete temp;sobel水平和垂直边缘检测函数名称：Sobel()函数类型：void功能：用Sobel算子对图像进行水平和垂直边缘检测void BianYuanJianCedib:Sobel LPBYTE p_data; /原图数据区指针 int wide ,height; /原图高、宽 int i,j; /循环变量int tempH; /模板高度int

20、 tempW; /模板宽度int tempC; /模板系数int tempMY; /模板中心元素Y坐标int tempMX; /模板中心元素X坐标float template9; /模板数组p_data=this-Getdata();wide=this-GetWidth();height=this-GetHeight();LPBYTE temp1=new BYTEwide*height; /新图像缓冲区LPBYTE temp2=new BYTEwide*height; /新图像缓冲区/复制原图像到缓冲图像memcpy(temp1,p_data, wide*height);memcpy(temp

21、2,p_data, wide*height);/设置Sobel模板参数tempW=3;tempH=3;tempC=1.0;tempMY=1;tempMX=1; Template0=-1.0;Template1= -2.0;Template2= -1.0;Template3=0.0;Template4= 0.0;Template5= 0.0;Template6=1.0;Template7= 2.0;Template8= 1.0;/调用Templat()函数Templat( temp1,wide,height,tempH,tempW,tempMX,tempMY,Template,tempC);/设

22、置Sobel模板参数Template0=-1.0;Template1= 0.0;Template2= 1.0;Template3=-2.0;Template4= 0.0;Template5= 2.0;Template6=-1.0;Template7= 0.0;Template8= 1.0;/调用Templat()函数Templat( temp1,wide,height,tempH,tempW,tempMX,tempMY,Template,tempC);/求两幅缓冲图像的最大值for(j=0;jheight;j+)for(i=0;itemp1j*wide+i)temp1j*wide+i=temp

23、2j*wide+i;memcpy(p_data,temp1,wide*height); /复制处理后的图像/删除缓冲区delete temp1;delete temp2;调用程序：void CDynSplitView2:OnSobel() clearmem();CDibNew1-Sobel(); /调用Sobel算子检测处理函数 Invalidate();实现结果：图4.3 Sobel算子实现结果4.4 Prewitt算子程序及结果实现步骤（1）取得原图像的数据区指针（2）开辟两个和原图相同大小的图像缓冲区，（3）分别设置Prewitt边缘检测算子的两个模板，调用Templat（）模板函数分别

24、对两个缓冲区的图像进行卷积运算；（4）两个缓冲图像每个像素依次循环，取两个缓冲中各个像素灰度值较大者（5）将缓冲区的图像复制到原图数据区编程实现：函数名称：Prewitt（）函数类型：void功能：用Prewitt算子对图像进行边缘检测void BianYuanJianCedib: prewittLPBYTE p_data; /原图数据区指针 int wide ,height; /原图高、宽 int i,j; /循环变量int tempH; /模板高度int tempW; /模板宽度int tempC; /模板系数int tempMY; /模板中心元素Y坐标int tempMX; /模板中心元

25、素X坐标float template9; /模板数组p_data=this-Getdata();wide=this-GetWidth();height=this-GetHeight();LPBYTE temp1=new BYTEwide*height; /新图像缓冲区LPBYTE temp2=new BYTEwide*height; /新图像缓冲区/复制原图像到缓冲图像memcpy(temp1,p_data, wide*height);memcpy(temp2,p_data, wide*height);/设置prewitt模板1参数tempW=3;tempH=3;tempC=1.0;tempM

26、Y=1;tempMX=1;Template0=-1.0;Template1= -1.0;Template2= -1.0;Template3=0.0;Template4= 0.0;Template5= 0.0;Template6=1.0;Template7= 1.0;Template8= 1.0;/调用Templat（）函数Templat( temp1,wide,height,tempH,tempW,tempMX,tempMY,Template,tempC);/设置Prewitt模板2函数Template0=1.0;Template1= 0.0;Template2= -1.0;Template3

27、=1.0;Template4= 0.0;Template5= -1.0;Template6=1.0;Template7= 0.0;Template8= -1.0;/调用Templat（）函数Templat( temp2,wide,height,tempH,tempW,tempMX,tempMY,Template,tempC);/求两幅缓冲图像的最大值for(j=0;jheight;j+)for(i=0;itemp1j*wide+i)temp1j*wide+i=temp2j*wide+i;memcpy(p_data,temp1,wide*height); /复制处理后的图像delete temp

28、1;delete temp2;调用程序：void CDynSplitView2:OnPrewitt() clearmem();CDibNew1-PreWitt(); /调用Prewitt算子检测处理函数 Invalidate();实现结果：图4.4 Prewitt算子实现结果4.5结果分析与比较(a)原图 (b)Robert算子(c)Sobel算子 (d)Prewitt算子图4.5 算子实现结果比较在数字图像处理中，对边缘检测主要要求就是运算速度快，边缘定位准确，噪声抑制能力强，我们利用VC+编程分别对上面几种算法进行分析，各个算法的实验结果如图所示。从检测效果图可以看出，Robert 算子检

29、测出的图像轮廓边缘很细，连续性较差，边缘信息有一定丢失，出现的噪点比较多。Sobel和Prewitt两个算子检测出的边缘效果几乎一致，比Roberts 算子的检测结果要好，边缘较为连续，对噪声不敏感，但是线条稍粗，出现了一些伪边缘6。从实验结果中我们可以发现，由于Robert 算子利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘，同时由于没经过图像平滑计算，因此不能抑制噪声，该算子对具有陡峭的低噪声图像响应最好，如图（b）；Sobel 算子和 Prewitt算子都是对图像进行差分和滤波运算，差别只是平滑部分的权值有些差异，因此对噪声具有一定的抑制能力，但不能完全排除检测结果中出

30、现伪边缘，同时这两个算子边缘定位比较准确和完整，但容易出现边缘变宽，该类算子对灰度渐变和具有噪声的图像处理的较好，如图（c）和（d）通过以上对经典边缘检测算子的分析和实际结果的验证，得出以下结论：（1）相同的是它们都是一阶微分算子（2）Robert算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。对水平和垂直方向检测定位精度高 ,但对噪声敏感。（3）Sobel算子根据像素点上下 ,左右邻点灰度加权差 , 在边缘处达到极值这一现象检测边缘。它对噪声具有平滑作用 ,提供较为精确的边缘方向信息 ,但边缘定位精度不够高。（4）Prewitt算子利用像素点上下、左右邻点灰度差 ,在边缘处达到极值检测

31、边缘。它对噪声也具有平滑作用 ,但定位精度不够高。 表4.5.1 边缘检测算子对比算子特点适用范围Robert定位精度高，但对噪声敏感低噪声图像Sobel采用平均滤波，边缘较宽，间断点较多灰度渐变、低噪声图像Prewitt采用加权滤波，边缘较宽，间断点较多灰度渐变、低噪声图像通过对上述各种边缘检测算法的对比分析,为今后选择合适的检测算法提供一定依据。对于进一步学习和寻找更好的数字图像边缘检测方法具有一定的指导意义。边缘检测技术是图像处理和计算机视觉等领域最基本的技术,如何快速、精确的提取图像边缘信息一直是国内外研究的热点,然而边缘检测又是图像处理中的一个难题。早期经典算法包括边缘算子法、曲面拟

32、合法、模板匹配法、门限化法等。近年来随着数学理论及人工智能的发展,又涌现出许多新的边缘检测方法,如小波变换和小波包的边缘检测法、基于数学形态学、模糊理论和神经网络的边缘检测法7。5.1新的边缘检测方法小波变换和小波包的边缘检测方法近年来 ,小波分析 成为应用数学和工程学科中迅速发展的一个新领域,小波变换就是时域频域的局部变换,因此能够更有效地从信号中提取有用信息。在图像工程中,需要分析的图像往往结构复杂、形态各异 ,提取的图像边缘不仅要反映目标的整体轮廓 ,目标的局部细节也不能够忽视,这就需要多尺度的边缘检测，而小波变换具有天然的多尺度特征 ,通过伸缩平移运算对信号进行细化分析,达到高频处时间

33、细分,低频处频率细分。所以,小波变换非常适合复杂图像的边缘检测。一幅图像中,图像的能量大部分集中在低频和中频部分,图像的边缘和噪声对应于高频部分。基于小波包的边缘检测原理是利用了小波函数对图像的分解作用,在小波变换中只对图像的低频子带进行分解,并未对图像的高频子带进行分解。小波包变换不仅对图像的低频子带进行分解,还对图像的高频子带进行分解 ,选择的小波包尺度越大,小波系数对应的空间分辨率就越低。因此,小波包分解是一种更为精细的分解方法,可以满足不同分辨率下对局部细节进行边缘提取需要,尤其对于含噪图像,在提取图像边缘时对噪声的抑制效果更好。基于数学形态学的边缘检测方法数学形态学是图像处理和模式识

34、别领域中的一门新兴学科,具有严格的数学理论基础,现己在图像工程中得到了广泛应用。基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。获得的图像结构信息与结构元素的尺寸和形状都有关系,构造不同的结构元素,便可完成不同的图像分析。数学形态学包括二值形态学、灰度形态学和彩色形态学；基本变换包括膨胀、腐蚀、开启、闭合四种运算 ,并由这四种运算演化出了开、闭、薄化、厚化等,从而完成复杂的形态变换。目前随着二值形态法的应用越来越成熟,灰度和彩色形态学在边缘检测中的应用也越来越引起人们的关注并逐渐走向成熟。随着时代的发展，边缘检测技术已应用到各个领域中并发挥着重要的作

35、用。5.2边缘检测技术的应用边缘检测在储粮害虫方面的应用我国是农业大国,粮食产后储藏期间,储粮害虫造成的危害十分严重;并且 ,近年来储粮害虫的种类和密度呈上升趋势, 致使储粮损失更加严重。为了有效防治害虫 ,就要预测它们的发生趋势、数量、种群动态及潜在危害,而且也要评估各项防治措施和策略所得到的不同预期结果。传统的粮虫检测方法(常规抽样的方法、取样及诱捕)存在的突出问题是:国内粮情测控系统不能测虫,国外粮虫声音检测技术无法实现害虫数量监测。针对这种情况,我们发现近年来发展迅猛的机器视觉技术可以解决这一问题8。在我们研究的在线粮库虫情测报系统中,机器视觉系统采用 CCD照相机摄取粮仓害虫检测图像

36、,并转换为数字信号,再采用先进的计算机硬件与软件技术,运用数字信号处理技术、计算机图像处理与分析技术、模式识别等技术,结合数学形态学的某些技术手段和专家系统技术,通过对储粮粮虫的图像采集、图像数字转化、性状识别和分析,使计算机能自动提取粮仓害虫的形态性状、智能识别害虫种类,并能对害虫的数量自动计数,从而可以输出数据、发出指令,构成科学保粮专家系统的主要部分。系统结构如图5.1所示,与其他粮情测控系统相比, 基于机器视觉的在线粮库虫情测报系统最大的优点是精确、快速、可靠,更易操作。由图5.1可知,在本系统中,储粮害虫图像边缘检测算法是关键,因为边缘检测算法的正确性直接关系着特征参数提取的有效性,

37、从而决定着分类器决策的正确性和系统决策的正确性。预处理(去噪、增强)边缘检测算法特征选择CCD摄像机构在线粮样获取结构特征提取(形状、纹理等)分类器决策(种类、害虫密度等)系统决策机构粮虫数字图像图5.1 在线粮库虫情检测系统基于机器视觉的在线粮库虫情测报系统是虫情检测的发展趋势 ,粮虫图像处理算法是系统的核心部分。由此可见，边缘检测技术将在粮虫检测方面发挥更大的作用，保障我国的粮食在粮虫方面的危害降到最低。图像边缘检测技术在电厂中的应用电厂锅炉燃烧的稳定性直接影响到电厂的安全和经济运行。为了能及时可靠地检测到炉内燃烧工况,防止故障的产生,电厂锅炉必须配备功能齐全、性能可靠的炉膛安全监视系统 (FSSS) 。对于 FSSS系统重要组成部分的火焰检测系统,一个重要的发展方向是将燃烧可视化技术和计算机图像处理相结合。锅炉图像火检技术是20世纪 80 年代出现的一种跨学科技术,是将现代计算机技术、数字图像处理