圖像邊緣檢測算法的研究.pdf

1、邊緣是圖像的最基本特征，它包含了用于識別的有用信息，為人們描述或識別目標以及解釋圖像提供了一個重要的特征參數。邊緣檢測是圖像處理、圖像分析和計算機視覺領域中最經典的研究內容之一，是進行模式識別和圖像信息提取的基本手段。圖像的邊緣檢測領域有著很長的研究歷史，一直是研究的熱點和焦點問題。實際處理的圖像一般都混有噪聲，如何消除噪聲干擾帶來的偽邊緣并且同時保證邊緣定位的準確性成為邊緣檢測需要解決的一個重要問題。 目前在邊緣檢測領域已經提

2、出了許多方法，但是至今提出的相關理論和方法尚存在不足之處，在某些具體情況下仍然無法很好的檢測出目標物體的邊緣，難以找到一種普遍適應性的邊緣檢測方法。因此，根據具體的應用要求設計新的邊緣檢測方法，或者對現有的方法進行改進以得到滿意的邊緣檢測結果，這些都是現在研究的主流方向。 人工神經網絡ANN(Artificial Neural Networks)技術是近些年來迅速發(fā)展起來的人工智能科學的一個分支，它已經廣泛應用在信息處理、模式識

3、別、智能控制以及系統(tǒng)建模等領域。BP(Back Propagation)神經網絡是人工神經網絡中最具代表性和廣泛應用的一種模型，它結構簡單，可操作性強，其非線性映射能力保證了它能成功實現各種簡單或復雜的分類，而且它還具有很高的容錯性和魯棒性。近些年來，神經網絡已經越來越多的應用于邊緣檢測領域，取得了令人滿意的邊緣檢測效果。 本文提出了一種新的基于統(tǒng)計向量和BP神經網絡的邊緣檢測方法。新方法首先從邊緣點鄰域的灰度分布特征以及與

4、噪聲點的區(qū)別出發(fā)構造了由4個統(tǒng)計量組成的統(tǒng)計向量：然后計算訓練圖像的統(tǒng)計向量集合作為訓練樣本，對不加噪訓練圖像的統(tǒng)計向量集合降維并作雙閾值處理提取學習邊緣圖，對BP神經網絡進行訓練；最后用訓練完成的BP神經網絡直接判斷象素點是否為邊緣點，輸出待檢測圖像的邊緣圖。新方法在統(tǒng)計向量的構造上充分考慮了邊緣點與噪聲點的區(qū)別，具有較好的抗噪性能；新方法還引入了BP神經網絡，通過對BP神經網絡進行有目的的訓練進而直接判斷邊緣點，這樣就避免了通常邊緣

5、檢測方法中設定閾值的問題；而且新方法中BP神經網絡的結構和訓練都比較簡單；此外，與經典邊緣檢測方法Canny算子相比，新方法的算法也比較簡單。 新方法對人造圖像和實際圖像均進行了相關實驗。實驗結果表明，新方法抗噪性能好，邊緣定位準確，達到了令人滿意的邊緣檢測效果。 本文分為七個部分。第一部分首先闡述了課題的研究背景、意義以及該領域的發(fā)展現狀；第二部分介紹了幾種經典的邊緣檢測方法，給出了這些方法的圖像邊緣檢測結