边缘检测算法
Ⅰ 边缘检测与轮廓有什么区别
边缘检测是检测图像的边缘 也就是图像差异比较大的地方
轮廓提取是提取出你想要得到的轮廓 轮廓可能是边缘的一部分
Ⅱ 图像边缘检测算法的研究与实现 的开题报告
摘 要 针对基于PC实现的图像边缘检测普遍存在的执行速度慢、不能满足实时应用需求等缺点，本文借助于TI公司的TMS320DM642图像处理芯片作为数字图像处理硬件平台，DSP/BIOS为实时操作系统，利用CCS开发环境来构建应用程序；并通过摄像头提取视频序列，实现对边缘检测Sobel算子改进[1]。
关键词 DM642；Sobel算子；程序优化；图像边缘检测
1 引言
边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。图像的大部分主要信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，是图像中灰度变化比较强烈的地方，也即通常所说的信号发生奇异变化的地方。经典的边缘检测算法是利用边缘处的一阶导数取极值、二阶导数在阶梯状边缘处呈零交叉或在屋顶状边缘处取极值的微分算法。图像边缘检测一直是图像处理中的热点和难点。
近年来，随着数学和人工智能技术的发展，各种类型的边缘检测算法不断涌现，如神经网络、遗传算法、数学形态学等理论运用到图像的边缘检测中。但由于边缘检测存在着检测精度、边缘定位精度和抗噪声等方面的矛盾及对于不同的算法边缘检测结果的精度却没有统一的衡量标准，所以至今都还不能取得令人满意的效果。另外随着网络和多媒体技术的发展，图像库逐渐变得非常庞大；而又由于实时图像的目标和背景间的变化都不尽相同，如何实现实时图像边缘的精确定位和提取成为人们必须面对的问题。随着DSP芯片处理技术的发展，尤其是在图像处理方面的提高如TMS320C6000系列，为实现高效的、实时的边缘检测提供了可能性[5]。在经典的边缘检测算法中，Sobel边缘检测算法因其计算量小、实现简单、处理速度快，并且所得的边缘光滑、连续等优点而得到广泛的应用。本文针对Sobel算法的性能，并借助于TMS320DM642处理芯片[3]，对该边缘检测算法进行了改进和对程序的优化，满足实时性需求。
2 Sobel边缘检测算法的改进
经典的Sobel图像边缘检测算法，是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个是检测垂直边缘，一个是检测水平边缘。算法的基本原理：由于图像边缘附近的亮度变化较大，所以可以把那些在邻域内，灰度变化超过某个适当阈值TH的像素点当作边缘点。Sobel算法的优点是计算简单，速度快。但由于只采用了两个方向模板，只能检测水平方向和垂直方向的边缘，因此，这种算法对于纹理较复杂的图像，其边缘检测效果欠佳；同时，经典Sobel算法认为，凡灰度新值大于或等于阈值的像素点都是边缘点。这种判定依据是欠合理的，会造成边缘点的误判，因为多噪声点的灰度新值也很大。
2.1 图像加权中值滤波
由于图像中的边缘和噪声在频域中均表现为高频成分，所以在边缘检测之前有必要先对图像进行一次滤波处理，减少噪声对边缘检测的影响。中值滤波是一种非线性信号的处理方法[2]，在图像处理中，常用来保护边缘信息；保证滤波的效果。加权中值滤波，首先对每个窗口进行排序，取适当的比例，进行曲线拟合，拟合后的曲线斜率表征了此窗口的图像特征，再根据图像各部分特性适当的选择权重进行加权。
2.2 增加方向模板
除了水平和垂直两方向外，图像的边缘还有其它的方向，如135o和45o等，为了增加算子在某一像素点检测边缘的精度，可将方向模板由2个增加为8个即再在经典的方向模板的基础上增加6个方向模板，如图1所示。
2.3 边缘的定位及噪声的去除
通常物体的边缘是连续而光滑的，且边缘具有方向和幅度两个特征，而噪声是随机的。沿任一边缘点走向总能找到另一个边缘点，且这两个边缘点之间的灰度差和方向差相近。而噪声却不同，在一般情况下，沿任一噪声点很难找到与其灰度值和方差相似的噪声点[4]。基于这一思想，可以将噪声点和边缘点区分开来。对于一幅数字图像f(x，y)，利用上述的8个方向模板Sobel算子对图像中的每个像素计算，取得其中的最大值作为该点的新值，而该最大值对应的模板所表示的方向为该像素点的方向。若｜f(x，y)－f(x+i，y+j)｜＞TH2，对于任意i=0，1，-1；j=0，1，-1均成立，则可判断点(x，y)为噪声点。图2给出了图像边缘检测系统改进算法的软件流程图。
图1 边缘检测8个方向模板
图2 系统结构图
3 基于TMS320DM642的图像处理的设计及算法优化
3.1 TMS320DM642功能模块及图像处理系统的硬件结构
DSP以高速数字信号处理为目标进行芯片设计，采用改进的哈佛结构(程序总线和数据总线分开)、内部具有硬件乘法器、应用流水线技术、具有良好的并行性和专门用于数字信号处理的指令及超长指令字结构(VLIW)等特点；能完成运算量大的实时数字图像处理工作。
TMS320DM642是TI公式最近推出的功能比较强大的TMS320C6x系列之一，是目前定点DSP领域里性能较高的一款[6]。其主频是600MHz，8个并行运算单元、专用硬件逻辑、片内存储器和片内外设电路等硬件，处理能力可达4800MIPS。DM642基于C64x内核，并在其基础上增加了很多外围设备和接口，因而在实际工程中的应用更为广泛和简便。本系统使用50 MHz晶体震荡器作为DSP的外部时钟输入，经过内部锁相环12倍频后产生600 MHz的工作频率。DM642采用了2级缓存结构(L1和L2)，大幅度提高了程序的运行性能。片内64位的EMIF(External Memory Interface)接口可以与SDRAM、Flash等存储器件无缝连接，极大地方便了大量数据的搬移。更重要的是，作为一款专用视频处理芯片，DM642包括了3个专用的视频端口(VP0～VP2)，用于接收和处理视频，提高了整个系统的性能。此外，DM642自带的EMAC口以及从EMIF 口扩展出来的ATA口，还为处理完成后产生的海量数据提供了存储通道。
本系统是采用瑞泰公司开发的基于TI TMS320DM642 DSP芯片的评估开发板——ICETEK DM642 PCI。在ICETEK DM642 PCI评估板中将硬件平台分为五个部分，分别是视频采集、数据存储、图像处理、结果显示和电源管理。视频采集部分采用模拟PAL制摄像头，配合高精度视频A/D转换器得到数字图像。基于DSP的视频采集要求对视频信号具备采集，实时显示、对图像的处理和分析能力。视频A/D采样电路—SAA7115与视频端口0或1相连，实现视频的实时采集功能。视频D/A电路—SAA7105与视频口2相连，视频输出信号支持RGB、HD合成视频、PAL/NTSC复合视频和S端子视频信号。通过I2C总线对SAA7105的内部寄存器编程实现不同输出。
整个系统过程由三个部分组成：图像采集—边缘处理—输出显示，如图2所示。摄像头采集的视频信号经视频编码器SAA7115数字化，DM642通过I2C总线对SAA7115进行参数配置。在SAA7115内部进行一系列的处理和变换后形成的数字视频数据流，输入到核心处理单元DM642。经过DSP处理后的数字视频再经过SAA7105视频编码器进行D/A转换后在显示器上显示最终处理结果。
3.2 图像处理的软件设计和算法优化的实现
由于在改进Sobel边缘检测算子性能的同时，也相对增加了计算量，尤其是方向模板的增加，每个像素点均由原来的2次卷积运算增加为8次卷积运算，其实时性大大减弱。为了改进上述的不足，在深入研究处理系统和算法后，针对TMS320DM642的硬件结构特点，研究适合在TMS320DM642中高效运行的Sobel改进算法，满足实时处理的要求。整个程序的编写和调试按照C6000软件开发流程进行，流程分为：产生C代码、优化C代码和编写线性汇编程序3个阶段。使用的工具是TI的集成开发环境CCS。在CCS下，可对软件进行编辑、编译、调试、代码性能测试等工作。在使用C6000编译器开发和优化C代码时[7-8]，对C代码中低效率和需要反复调用的函数需用线性汇编重新编写，再用汇编优化器优化。整个系统的控制以及数字图像处理是用C程序实现，大部分软件设计采用C程序实现，这无疑提高了程序的可读性和可移植性，而汇编程序主要是实现DM642的各部分初始化。其边缘检测优化算法在DM642中的实现步骤具体如下：
S1：根据DM642的硬件结构要求和控制寄存器设置，初始化系统并编写实现边缘检测算法的C程序。
S2：借助CCS开发环境的优化工具如Profiler等产生.OUT文件。
S3：根据产生的附件文件如.MAP文件，分析优化结果及源程序结构，进一步改进源程序和优化方法。
S4：使用CCS中调试、链接、运行等工具，再生成.OUT可执行文件。
S5：运行程序，如果满足要求则停止；否则重复步骤S2～S4直至满足使用要求。
4 实验结果
本文以Lena图像为例根据上述的硬件环境和算法实现的原理和方法，图4～图6分别给出了在该系统下采集的视频Lena图像及使用边缘检测算子和改进后处理的结果。由实验结果可以看出，在该系统下能实时完成视频图像的处理，并且给出的边缘检测算子能较好的消除噪声的影响，边缘轮廓清晰。该算法不仅能抑制图像中大部分噪声和虚假边缘，还保证了较高的边缘点位精度。
图4 Lena原始图像 图5 传统Sobel算子 图6 改进Sobel算子
5 总结
本文实现了在TMS320DM642评估板上用改进的Sobel算子对实时图像进行边缘检测，无延迟地得到边缘图像。边缘检测效果较好，既提高了图像检测的精度又满足了实时性的要求。从检测结果看，利用该改进后的算子在边缘精确定位、边缘提取都达到了很好的效果，且抗噪声能力强，并为目标跟踪、无接触式检测、自动驾驶、视频监控等领域的应用提供了坚实的基础。
参考文献
[1] 王磊等. 基于Sobel理论的边缘提取改善方法[J]．中国图像图形学报，2005.10
[2] 陈宏席. 基于保持平滑滤波的Sobel算子边缘检测.兰州交通大学学报，2006，25(1)：86—90
[3] 熊伟. 基于TMS320DM642的多路视频采集处理板卡硬件设计与实现[ M]. 国外电子元器件，2006
[4] 朱立.一种具有抗噪声干扰的图像边缘提取算法的研究[J]．电子技术应用.2004，25(1)
[5] 刘松涛，周晓东.基于TMS320C6201的实时图像处理系统[J].计算机工程，2005(7)：17—23
[6] TI TMS320DM642 video/imaging fixed-point digital signal processor data manual，2003
[7] TMS320C6x Optimizing C Compiler User’s Guide’ TEXAS INSTRUMENTS”，2002
[8] TMS320C32x Optimizing C/C++ Compiler User's Guide，Texas Instruments Incorporated，2001
Ⅲ 边缘检测是什么意思
两个具有不同灰度值的相邻区域之间总存在边缘，边缘是灰度值不连续的表现。由于边缘是图像上灰度变化最剧烈的地方，传统的边缘检测就是利用了这个特点，对图像各个像素点进行微分或求二阶微分来确定边缘像素点。
以下是一段函数是关于边缘检测的一些算法，希望对你有帮助。。
I=imread('D:\10.jpg'); %读取图像
I1=im2double(I); %将彩图序列变成双精度
I2=rgb2gray(I1); %将彩色图变成灰色图
[thr, sorh, keepapp]=ddencmp('den','wv',I2);
I3=wdencmp('gbl',I2,'sym4',2,thr,sorh,keepapp); %小波除噪
I4=medfilt2(I3,[9 9]); %中值滤波
I5=imresize(I4,0.8,'bicubic'); %图像大小
BW1=edge(I5,'sobel'); %sobel 图像边缘提取
BW2=edge(I5,'roberts'); %roberts 图像边缘提取
BW3=edge(I5,'prewitt'); %prewitt 图像边缘提取
BW4=edge(I5,'log'); %log 图像边缘提取
BW5=edge(I5,'canny'); %canny 图像边缘提取
h=fspecial('gaussian',5); %高斯滤波
BW6=edge(I5,'zerocross',[ ],h); %zerocross 图像边缘提取
figure;
subplot(1,3,1); %图划分为一行三幅图，第一幅图
imshow(I2); %绘图
title(' 原始图像'); %标注
subplot(1,3,2); %第二幅图
imshow(I3);
title(' 消噪后图像');
subplot(1,3,3); %第三幅图
imshow(I4);
title(' 中值滤波图像');
figure;
subplot(1,3,1);
imshow(BW1);
title('Sobel 算子');
subplot(1,3,2);
imshow(BW2);
title('Roberts 算子');
subplot(1,3,3);
imshow(BW3);
title('Prewitt 算子');
figure;
subplot(1,3,1);
imshow(BW4);
title('log 算子');
subplot(1,3,2);
imshow(BW5);
title('Canny 算子');
subplot(1,3,3);
imshow(BW6);
title('Zerocross');
Ⅳ 基于matlab的边缘检测的robert算子的算法怎么写
matlab本身有库函数的。直接调用啊
VC代码：
void BianYuanJianCeDib::Robert()
{
LPBYTE p_data; //原图数据区指针
int wide,height; //原图长、宽
int i,j; //循环变量
int pixel[4]; //Robert算子
p_data=this->GetData ();
wide=this->GetWidth ();
height=this->GetHeight ();
LPBYTE temp=new BYTE[wide*height]; //新图像缓冲区
//设定新图像初值为255
memset(temp,255, wide*height);
//由于使用2*2的模板，为防止越界，所以不处理最下边和最右边的两列像素
for(j=0;j<height-1;j++)
for(i=0;i<wide-1;i++)
{
//生成Robert算子
pixel[0]=p_data[j*wide+i];
pixel[1]=p_data[j*wide+i+1];
pixel[2]=p_data[(j+1)*wide+i];
pixel[3]=p_data[(j+1)*wide+i+1];
//处理当前像素
temp[j*wide+i]=(int)sqrt((pixel[0]-pixel[3])*(pixel[0]-pixel[3])
+(pixel[1]-pixel[2])*(pixel[1]-pixel[2]));
}
//将缓冲区中的数据复制到原图数据区
memcpy(p_data, temp,wide*height);
//删除缓冲区
delete temp;
}
Ⅳ 需要一段用Canny算子实现图像边缘检测的MATLAB程序，拜托高手们帮帮忙，很急啊！
M=imread('');%读入你的图片
BW = edge(I,'canny');%边缘检测函数
imshow(BW) %显示检测后的图象
Ⅵ 如何利用opencv实现彩色图像边缘检测算法
在opencv中显示边缘检测很简单，只需调用一个cvCanny函数，其使用的是Canny算法来实现对图像的边缘检测．
函数原型为：
void cvCanny( const CvArr* image,CvArr* edges,double threshold1,double threshold2, int aperture_size=3 );
第一个参数为待检测的图像，注意一点，其必须是灰度图．
第二个参数为输出的边缘图，其也是一个灰度图．
后三个参数与Canny算法直接相关，threshold1和threshold2 当中的小阈值用来控制边缘连接，大的阈值用来控制强边缘的初始分割，aperture_size算子内核大小，可以去看看Canny算法．
从彩色图到灰度图需要使用到cvCvtColor函数，其接受三个参数，第一为输入，第二为输出，第三个为转换的标识，我们这边是RGB到GRAY，使用的是CV_RGB2GRAY．
参考demo代码如下：
#include <iostream>
#include <string>
#include <sstream>
#include <opencv/cv.h>
#include <opencv/highgui.h>
using namespace std;
int String2int(const string& str_)
{
int _nre = 0;
stringstream _ss;
_ss << str_;
_ss >> _nre;
return _nre;
}
void DoCanny(const string& strFileName_)
{
//原彩色图片
IplImage* _pIplImageIn = cvLoadImage(strFileName_.data());
if (_pIplImageIn == NULL)
{
return;
}
//彩色图片转换成灰度图放置的图片
IplImage* _pIplImageCanny = cvCreateImage(cvGetSize(_pIplImageIn), _pIplImageIn->depth, 1);
cvCvtColor(_pIplImageIn, _pIplImageCanny, CV_RGB2GRAY);//CV_RGB2GRAY将rgb图转成灰度图
//只有边缘路径的图片
IplImage* _pIplImageOut = cvCreateImage(cvGetSize(_pIplImageIn), IPL_DEPTH_8U, 1);
//边缘检测只能作用于灰度图
if (_pIplImageCanny->nChannels != 1)
{
return;
}
//边缘检测操作
cvCanny(_pIplImageCanny, _pIplImageOut, 1, 110, 3);
cvNamedWindow("Src");
cvShowImage("Src", _pIplImageIn);
cvNamedWindow("Canny");
cvShowImage("Canny", _pIplImageOut);
cvWaitKey(0);
cvReleaseImage(&_pIplImageIn);
cvReleaseImage(&_pIplImageCanny);
cvReleaseImage(&_pIplImageOut);
cvDestroyWindow("Src");
cvDestroyWindow("Canny");
}
int main(int argc, char* argv[])
{
if (argc < 2)
{
cout << "You should give the filename of picture!" << endl;
return -1;
}
DoCanny(argv[1]);
return 0;
}
Ⅶ 边缘检测的检测边缘
如果将边缘认为是一定数量点亮度发生变化的地方，那么边缘检测大体上就是计算这个亮度变化的导数。为简化起见，我们可以先在一维空间分析边缘检测。在这个例子中，我们的数据是一行不同点亮度的数据。例如，在下面的1维数据中我们可以直观地说在第4与第5个点之间有一个边界：
除非场景中的物体非常简单并且照明条件得到了很好的控制，否则确定一个用来判断两个相邻点之间有多大的亮度变化才算是有边界的阈值，并不是一件容易的事。实际上，这也是为什么边缘检测不是一个微不足道问题的原因之一。
检测方法
有许多用于边缘检测的方法, 他们大致可分为两类：基于搜索和基于零交叉。
基于搜索的边缘检测方法首先计算边缘强度， 通常用一阶导数表示， 例如梯度模，然后，用计算估计边缘的局部方向， 通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘。 通常用拉普拉斯算子或非线性微分方程的零交叉点。
滤波做为边缘检测的预处理通常是必要的，通常采用高斯滤波。
已发表的边缘检测方法应用计算边界强度的度量，这与平滑滤波有本质的不同。 正如许多边缘检测方法依赖于图像梯度的计算，他们用不同种类的滤波器来估计x-方向和y-方向的梯度。
计算一阶导数
许多边缘检测操作都是基于亮度的一阶导数——这样就得到了原始数据亮度的梯度。使用这个信息我们能够在图像的亮度梯度中搜寻峰值。如果 I(x) 表示点 x 的亮度，I′(x) 表示点 x 的一阶导数（亮度梯度），这样我们就会发现：
对于更高性能的图像处理来说，一阶导数能够通过带有掩码的原始数据（1维）卷积计算得到。
计算二阶导数
其它一些边缘检测操作是基于亮度的二阶导数。这实质上是亮度梯度的变化率。在理想的连续变化情况下，在二阶导数中检测过零点将得到梯度中的局部最大值。另一方面，二阶导数中的峰值检测是边线检测，只要图像操作使用一个合适的尺度表示。如上所述，边线是双重边缘，这样我们就可以在边线的一边看到一个亮度梯度，而在另一边看到相反的梯度。这样如果图像中有边线出现的话我们就能在亮度梯度上看到非常大的变化。为了找到这些边线，我们可以在图像亮度的二阶导数中寻找过零点。如果 I(x) 表示点 x 的亮度，I′′(x) 表示点 x 亮度的二阶导数，那么：
同样许多算法也使用卷积掩码快速处理图像数据：
步骤：
①滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折中。
②增强:增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显着变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。
③检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。
④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。在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。
边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的的。
Ⅷ 基于微分方法的边缘检测算法的依据是什么
一般来说不同区域的交界处构成边缘，同一区域内像素的灰度差较小，而不同区域像素灰度差较大，因此用微分可以很好地检测满足这种假设的区域边界
Ⅸ canny边缘检测算法 滤波用什么方法好
Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：
(1)最优检测：算法能够尽可能多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽可能小；
(2)最优定位准则：检测到的边缘点的位置距离实际边缘点的位置最近，或者是由于噪声影响引起检测出的边缘偏离物体的真实边缘的程度最小；
(3)检测点与边缘点一一对应：算子检测的边缘点与实际边缘点应该是一一对应。
为了满足这些要求 Canny 使用了变分法，这是一种寻找满足特定功能的函数的方法。最优检测使用四个指数函数项表示，但是它非常近似于高斯函数的一阶导数。