(2)边界查索:主要应用于检测图像中的线状局部结构,通常该操作是图像分割的一个预处理步骤。大多数图像边缘检测技术应用的是边缘检测算子,这些算子的检测方向包括水平方向、垂直方向或对角线方向等等,因此用它们的复合结果可检测任意方向的边界。文献综述
(3)图像增强和复原:在图像传输过程中因为客观的原因可能导致图像的质量下降,因此就要采取一定的措施来改进图像的质量,不同的增强技术可以应用于不同的情况。如果用户只是直接观察图像,可以只增强对比度。如果是为了进一步对图像作数字处理,可以选择分割的方法,图像增强和复原的作用就在于提高图像的质量,提高质量的操作有很多如去除噪声,提高图像的清晰度等等。图像增强并不考虑图像降质的原因,它只针对降质后的图像进行操作来提高它的质量以便实现更高层的图像操作。
(4)图像分类(识别): 图像分类(识别)属于模式识别的范畴,其主要内容包括对图像进行某些预处理(增强、复原、压缩)后,使用分割、边缘检测等手段对图像做进一步处理,最后根据处理结果对图像进行分类[8]。图像分类常采用经典的模式识别方法,主要是统计模式分类和句法(结构)模式分类,近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中的比重也越来越大[9]。
(5)图像变换:实际处理中很多图像的阵列很大,所以一旦直接在空间域中进行处理,涉及到的计算量会很大。因此,往往需要采用各种图像变换的方法,如傅立叶变换、离散余弦变换等间接处理技术,将空间域的处理进行转换,使得具体操作可以在变换域中进行,这不仅可以减少计算量,而且还可以获得更有效的处理。目前,在众多新兴研究中,小波变换在时域和频域中都具有良好的局部化特性,因而它在图像边缘检测中也有着广泛而有效的应用[10]。
3。3 边缘检测的主要算法
3。3。1 边缘检测算子
利用边缘检测算子是最简单也是最经典的处理边缘的方法,首先要待处理图像进行灰度处理[11],然后再通过多种一阶或者二阶边缘检测算子来检测边缘[12]。目前已经完善并且使用广泛的边缘检测算子有很多,常见的一阶算子有Prewitt算子、Sobel算子、Roberts算子;二阶算子有Laplacian算子、Kirsch算子、Wallis算子等非线性算子[13]。在这之中,梯度算子不仅仅对边缘信息敏感,而且对像素点也十分敏感,因此应用相对广泛。
3。3。2 基于曲面拟合的方法
基于曲面拟合的方法的主要思想是将灰度转化为高度,用一个曲面来拟合数据,然后再根据这个曲面来确定边缘点。
3。3。3 基于边界曲线拟合的方法来.自^优+尔-论,文:网www.youerw.com +QQ752018766-
基于边界曲线拟合是采用的平面曲线来表示出不同区域之间的边界线的方法,随后再依照图像梯度找到能正确描述边界的曲线,从而达到检测的目的[14]。并且在它的处理过程中,最终得到的不是离散的、没有任何关联的边缘点,而是直接给出图像的边界曲线,这就有利于图像处理后续的工作如图像分割的进行。即使是采取的一般方法得到的边界曲线,用曲线来描述边界的方法也有利于后期更加复杂高层的操作。
3。4 边缘检测算法的主要步骤
从上文介绍可以了解到,边缘检测实际上就是采用某种算法来提取出处理图像中对象与背景间的交界线的图像操作手段[15]。边界线两边的图像的灰度值有明显差异,图像灰度的变化情况可以采用计算出目标图像的灰度分布的方法来处理,并且由此分布情况下可以求出梯度变化。只要有了灰度的梯度变化情况,用户就可以利用局部图像微分技术来获得边缘检测算子。