基于matlab的图像边缘提取算法实现及应用.pdf

《基于matlab的图像边缘提取算法实现及应用.pdf》由会员分享，可在线阅读，更多相关《基于matlab的图像边缘提取算法实现及应用.pdf（19页珍藏版）》请在三一文库上搜索。

1、大学大学 课程设计报告课程设计报告 课程名称课程名称：数字图像处理与分析 基于 Matlab 的图像边缘提取算法实 课程设计题目课程设计题目：现及应用 姓姓名：名： 学学院院： 专专业：业： 年年级：级： 学学号：号： word 文档 可自由复制编辑 目目 录录 一课程设计目的3 二提取图像边缘的背景与意义3 三设计的主要内容与原理4 3.1什么是图像边缘.4 3.2图像边缘提取的基本原理与过程5 3.3对边缘检测与提取算法的介绍 （以 Canny 与 Log 为例） 3.3.1坎尼（Canny）边缘算子7 3.3.2Log 边缘算子10 四 边缘提取算法的实现11 五 对算子的稳定性的探讨1

2、3 六 结束语17 致谢.18 参考文献.18 word 文档 可自由复制编辑 一课程设计目的 图像的边缘作为图像的一种基本特征， 经常被应用到较高层次的图像应用中 去。它在图像识别，图像分割，图像增强以及图像压缩等的领域中有较为广泛的 应用，也是它们的基础。 图像边缘是图像最基本的特征之一， 往往携带着一幅图像的大部分信息。而 边缘存在于图像的不规则结构和不平稳现象中，也即存在于信号的突变点处，这 些点给出了图像轮廓的位置， 这些轮廓常常是我们在图像边缘检测时所需要的非 常重要的一些特征条件，这就需要我们对一幅图像检测并提取出它的边缘。而边 缘检测算法则是图像边缘检测问题中经典技术难题之一，

3、 本文主要介绍两种经典 的边缘提取算法，这两种都是用 MATLAB语言编程实现，对提取结果进行比较 和分析。 二提取图像边缘的背景与意义 数字图像边缘检测技术起源于 20 世纪 20 年代， 当时受条件的限制一直没有 取得较大进展， 直到 20 世纪 60 年代后期电子技术、 计算机技术有了相当的发展， 数字图像边缘检测处理技术才开始进入了高速发展时期。经过几十年的发展，数 字图像边缘检测处理技术目前己经广泛应用于工业、微生物领域、医学、航空航 天以及国防等许多重要领域，多年来一直得到世界各科技强国的广泛关注。 数字图像边缘检测处理技术在最近的 10 年发展尤为迅速，每年均有数以百 计的新算法

4、诞生，其中包括canny 算法、小波变换等多种有相当影响的算法，这 些算法在设计时大量运用数学、数字信号处理、信息论以及色度学的有关知识， 而且不少新算法还充分吸取了神经网络、遗传算法、人工智能以及模糊逻辑等相 关理论的一些思想，开阔了进行数字图像边缘检测处理的设计思路。 现代数字图像边缘检测处理的目标有三：可视化、自动化和定量化： （1）可视化:当图像被采集并显示时，这些图像通常需要改善以便观察者更容 易解释它们。感兴趣的目标必须突出或者图像各部位之间的对比度需要增强处 理。自从像 CT 和 MRI 等三维成像手段问世以来，可视化，特别是三维结构的 可视化受到极大的关注。 word 文档 可

5、自由复制编辑 （2）自动化:旨在使一些日常的或繁琐的工作自动化。例如，根据一个染色体 分布的显微图像自动确定染色体核型的系统， 从一个血液涂片自动生成白细胞分 类计数报告的系统。这些应用的特征是要求最小的人工干预，全自动完成分析工 作。关于白细胞分类计数应用，市售系统是在 1970 年开发成功的。但今天这项 任务是以完全不同方式（采用流式白细胞计数技术）自动完成。 （3）定量化:有关定量化的图像边缘检测的例子有：测量动脉狭窄的程序以及 用电子显微镜观察组织切片中特殊成分的定位和定量 （如血色素沉着症中的铁元 素）。在这些应用中，人工介入是允许的，因为处理时间的长短在这些应用中并 不是主要矛盾。

6、 数字图像边缘检测处理，即用计算机对图像的边缘进行处理，这一技术是随 着计算机技术发展而开拓出来的一个新的应用领域， 汇聚了光学、 电子学、 数学、 摄影技术、 计算机技术等学科的众多方面。图像边缘检测处理作为一门学科已经 被美国数学学会列为应用数学的一个研究分支。在其短暂的发展历史中，已经被 成功的应用在几乎所有与成像有关的领域。近年来， 图像分析和处理紧紧围绕理 论、实现、应用三方面迅速发展起来。它以众多的学科领域为理论基础，其成果 又渗透到众多的学科中，成为理论实践并重，在高新技术领域中占有重要地位的 新兴学科分支。 三设计的主要内容与原理 3.1什么是图像边缘 所谓图像边缘（Edlge

7、）是指图像局部特性的不连续性，例如，灰度级的突 变， 颜色的突变， 纹理结构的突变等。 边缘广泛存在于目标与目标、 物体与背景、 区域与区域（含不同色彩）之间，它是图像分割所依赖的重要特征。本为主要讨 论几种典型的图像灰度值突变的边缘检测方法， 其原理也是用于其他特性突变的 边缘检测。 图像的边线通常与图像灰度的一阶导数的不连续性有关。 图像灰度的不连续 性可分为两类： 阶跃不连续，即图像灰度再不连续出的两边的像素的灰度只有明 显的差异，如图1.1 所示，线条不连续，即图像灰度突然从一个值变化到另一个 值，保持一个较小的行程又返回到原来的值。在实际中，阶跃和线条边缘图像是 word 文档 可自

8、由复制编辑 较少见的，由于空间分辨率（尺度空间）、图像传感器等原因会使阶跃边缘变成 斜坡形边缘， 线条边缘变成房顶形边缘。它们的灰度变化不是瞬间的而是跨越一 定距离的。 阶跃型房顶型突圆型 图 1.1边缘灰度变化 在讨论边缘检测方法之前，首先介绍一些术语的定义。 （1）边缘点：图像中灰度显著变化的点。 （2）边缘段：边缘点坐标i, j及方向的总和，边缘的方向 可以是梯度角。 （3）轮廓：边缘列表，或者是一条边缘列表的曲线模型。 （4）边缘检测器：从图像抽取边缘（边缘点或边线段）集合 的算法。 （5）边缘连接：从无序边缘形成有序边缘表的过程。 （6）边缘跟踪：一个用来确定轮廓图像（指滤波后的图像

9、） 的搜索过程。 在实际中边缘点和边缘段都称为边缘。 3.2图像边缘提取的基本原理与过程 边缘是图像最基本的特征， 所谓边缘就是指周围灰度强度有反差变化的那些 像素的集合， 是图像分割所依赖的重要基础，也是纹理分析和图像识别的重要基 础。理想的边缘检测应当正确解决边缘的有无、真假、和定向定位，长期以来， word 文档 可自由复制编辑 人们一直关心这一问题的研究， 除了常用的局部算子及以后在此基础上发展起来 的种种改进方法外，又提出了许多新的技术。 要做好边缘检测初步准备条件如下： 第一， 清楚待检测的图像特性变化的形式，从而使用适应这种变化的检测方 法。 第二， 要知道特性变化总是发生在一定

10、的空间范围内，不能期望用一种检测 算子就能最佳检测出发生在图像上的所有特性变化。 当需要提取多空间范围内的 变化特性时，要考虑多算子的综合应用。 第三， 要考虑噪声的影响， 其中一个办法就是滤除噪声， 这有一定的局限性; 再就是考虑信号加噪声的条件检测，利用统计信号分析，或通过对图像区域的建 模，而进一步使检测参数化。 第四，可以考虑各种方法的组合，如先找出边缘，然后在其局部利用函数近 似，通过内插等获得高精度定位。 第五，在正确检测边缘的基础上，要考虑精确定位的问题。经典的边缘检测 方法得到的往往是断续的、不完整的结构信息，噪声也较为敏感，为了有效抑制 噪声， 一般都首先对原图像进行平滑，再

11、进行边缘检测就能成功地检测到真正的 边缘。 从人的直观感受来说， 边缘对应于物体的几何边界。图像上灰度变化剧烈的 区域比较符合这个要求，我们一般会以这个特征来提取图像的边缘。但在遇到包 含纹理的图像上，这有点问题，比如说，图像中的人穿了黑白格子的衣服，我们 往往不希望提取出来的边缘包括衣服上的方格。 这就又涉及到纹理图像的处理等 方法。但一般认为边缘提取是要保留图像的灰度变化剧烈的区域，这从数学上， 最直观的方法就是微分(对于数字图像来说就是差分)，在信号处理的角度来看， 也可以说是用高通滤波器，即保留高频信号。用于图像识别的边缘提取往往需要 输出的边缘是二值图像，即只有黑白两个灰度的图像，其

12、中一个灰度代表边缘， 另一个代表背景。此外，还需要把边缘细化成只有一个像素的宽度。 图像边缘检测的基本步骤： （1）滤波。边缘检测主要基于导数计算，但受噪声影响。但滤波器在降低 噪声的同时也导致边缘强度的损失。 （2）增强。增强算法将邻域中灰度有显著变化的点突出显示。一般通过计 算梯度幅值完成。 （3）检测。但在有些图像中梯度幅值较大的并不是边缘点。最简单的边缘 检测是梯度幅值阈值判定。 （4）定位。精确确定边缘的位置。 总的说来传统边缘检测的流程图如下: word 文档 可自由复制编辑 图 2.2边缘检测的流程图 特征提取作为图像边缘检测的一个重要内容， 发展了众多的方法。这些方法 经过实践

13、的检验，成为了经典的内容。经典的边缘检测算子包括:Roberts 算子， Prewitt 算子，Sobel算子，Log (Laplacian of Gaussian) 算子等。这些经典的边缘 提取算子在使用时都是使用预定义好的边缘模型去匹配。 边缘增强边缘检测 图像滤波梯度算子边缘定位 原 始 图像 平 滑 图像 平 滑 图像 阈 值 分割 得出边缘的二值化图 像既检出边缘点 3.3 对边缘检测与提取算法的介绍（以CannyCanny 与与 Log为例） 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

14、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。 经典的边界提取技术大都基于微分运算。首先通过平滑来滤除图像中的噪 声，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点， 最后选取适当的阈值来提取边界。 3.3.1坎尼（坎尼（CannyCanny）边缘算子 检测阶跃边缘的基本思想是在图像中找出具有局部最大梯度幅值的像素点。 图像边缘检测必须满足两个条件： 一是必须能有效地抑制噪声；二是必须尽量精 确确定边缘的位置。既要提高边缘检测算子对边缘的敏感性，同时也提高了对噪 声的敏感。 word 文档 可自由复制编辑 1.CannyCanny 边缘

15、检测基本原理： (1)具有既能滤去噪声又保持边缘特性的边缘检测最优滤波器，其采用一阶 微分滤波器。 采用二维高斯函数的任意方向上的一阶方向导数为噪声滤波器，通 过与图像卷积进行滤波；然后对滤波后的图像寻找图像梯度的局部最大值，以此 来确定图像边缘。根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这 就是 Canny 边缘检测算子。 (2)类似与 Marr（LOG）边缘检测方法，也属于先平滑后求导数的方法。 2.2.CannyCanny 边缘检测算法： step1:用高斯滤波器平滑图象； step2:用一阶偏导的有限差分来计算梯度的幅值和方向； step3:对梯度幅值进行非极大值抑制； st

16、ep4:用双阈值算法检测和连接边缘。 其数学描述如下： step1: 二维为高斯函数为： G(x, y)= 1 2 2 x2 y2 exp 2 2 在某一方向 n 上是G(x, y)的一阶方向导数为： G n = G = nG n cos Gn= sin 式中：n 式方向矢量，G是梯度矢量。 G x G y 将图像f (x, y)与G n 作卷积，同时改变 n 的方向，G n *f (x, y)取得最大值时 的 n 就是正交于检测边缘的方向。 step2: E X = G G *f (x, y)，E y =*f (x, y) x y A(x, y)= E X 2 E Y 2 E X Arcta

17、n E Y word 文档 可自由复制编辑 A(x, y)反映了图像(x,y)点处的边缘强度，是图像(x,y)点处的法向矢量。 step3: 仅仅得到全局的梯度并不足以确定边缘， 因此为确定边缘，必须保留局部梯 度最大的点，而抑制非极大值。 （non-MaxiMa suppression,NMS） 解决方法：利用梯度的方向。 图示-非极大值抑制 四个扇区的标号为 0 到 3，对应3*3 邻域的四种可能组合。在每一点上，邻 域的中心像素 M 与沿着梯度线的两个像素相比。如果 M 的梯度值不比沿梯度线 的两个相邻像素梯度值大，则令 M=0。 step4: 减少假边缘段数量的典型方法是对 G(x,y

18、)使用一个阈值。将低于阈值的所 有值赋零值。但问题是如何选取阈值？ 解决方法：双阈值算法进行边缘判别和连接边缘。 首先是边缘判别： 凡是边缘强度大于高阈值的一定是边缘点；凡是边缘 强度小于低阈值的一定不是边缘点；如果边缘强度大于低阈值又小于高阈值，则 看这个像素的邻接像素中有没有超过高阈值的边缘点，如果有，它就是边缘点， 如果没有，它就不是边缘点。 其次是连接边缘： 双阈值算法对非极大值抑制图像作用两个阈值 1 和 2，且 2 1 2，从而可以得到两个阈值边缘图像 G1(x,y)和 G2(x,y)。由于 G2(x,y)使用高阈值得到，因而含有很少的假边缘，但有间断(不闭合)。双阈值 法要在 G

19、2(x,y)中把边缘连接成轮廓， 当到达轮廓的端点时， 该算法就在 G1(x,y) 的 8 邻点位置寻找可以连接到轮廓上的边缘，这样，算法不断地在G1(x,y)中收 集边缘，直到将 G1(x,y)连接起来为止。 实际上，还有多种边缘点判别方法，如：将边缘的梯度分为四种：水平、竖 直、45 度方向、135 度方向。各个方向用不同的邻接像素进行比较，以决定局部 极大值。 若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比并不是 最大的，那么将该像素置为零，即不是边缘。 此外，在实际应用中，检测效果还与滤波模板大小有关，当N b 21时 有较好的检测效果。 word 文档 可自由复制编辑 Ca

20、nny 算子检测方法的优点：低误码率，很少把边缘点误认为非边缘点； 高定位精度， 即精确地把边缘点定位在灰度变化最大的像素上；抑制虚假边 缘。 3.3.2Log 边缘算子 现在介绍一种利用图像强度二阶导数的零交叉点来求边缘点的算法对噪声 十分敏感，所以在边缘增强前滤除噪声。为此，马尔（Marr）和希尔得勒斯 （Hildreth）根据人类视觉特性提出了一种边缘检测的方法，该方法将高斯滤波 和拉普拉斯检测算子结合在一起进行边缘检测的方法，故称为 Log（Laplacian of Gassian ）算法。也称之为拉普拉斯高斯算法。该算法的主要思路和步骤如下： （1）滤波：首先对图像 f(x,y)进行

21、平滑滤波，其滤波函数根据人类视觉特性 选为高斯函数，即： 1 22 e x p(x y )G(x,y) 222 2 其中，G（x，y）是一个圆对称函数，其平滑的作用是可通过来控制的。 将图像G(x, y)与f (x, y)进行卷积，可以得到一个平滑的图像，即： 1 g(x,y) f (x,y)*G(x,y) （2）增强：对平滑图像g(x, y)进行拉普拉斯运算，即： h(x,y) 对应一阶导数的较大峰值。 2f(x,y)*G(x,y) （3）检测：边缘检测判据是二阶导数的零交叉点（即h(x, y) 0的点）并 这种方法的特点是图像首先与高斯滤波器进行卷积，这样既平滑了图像又 降低了噪声， 孤立

22、的噪声点和较小的结构组织将被滤除。但是由于平滑会造成图 像边缘的延伸，因此边缘检测器只考虑那些具有局部梯度最大值的点为边缘点。 这一点可以用二阶导数的零交叉点来实现。拉普拉斯函数用二维二阶导数的近 似，是因为它是一种无方向算子。在实际应用中为了避免检测出非显著边缘，应 选择一阶导数大于某一阈值的零交叉点作为边缘点。 由于对平滑图像g(x, y)进行 拉普拉斯运算可等效为G(x, y)的拉普拉斯运算与f (x, y)的卷积，故上式变为： h(x, y)=f (x, y)*2G(x, y) 式中2G(x, y)称为 LOG 滤波器，其为： word 文档 可自由复制编辑 G(x, y) 2= 2G

23、 x2 + 2G y2 = 1 x2 y2 1 22 1exp x y 4 2 2 2 2 这样就有两种方法求图像边缘： 先求图像与高斯滤波器的卷积，再求卷积的拉普拉斯的变换，然后再进行过 零判断。 求高斯滤波器的拉普拉斯的变换， 再求与图像的卷积， 然后再进行过零判断。 这两种方法在数学上是等价的。 上式就是马尔和希尔得勒斯提出的边缘检测 算子 （简称 M-H 算子） ,由于 LOG 滤波器在(x, y)空间中的图形与墨西哥草帽形 状相似，所以又称为墨西哥草帽算子。 拉普拉斯算子对图像中的嗓声相当敏感。 而且它常产生双像素宽的边缘，也 不能提供边缘方向的信息。高斯-拉普拉斯算子是效果较好的边

24、沿检测器，常用 的 55 模板的高斯-拉普拉斯算子如图 2.7 所示： -2 -4 -4 -4 -2 -4-4-2 0 8 0 8 2 8 -4 -4 -4 0 0 -1 0 0 0 -1 -2 -1 0 -1 -2 16 -2 -1 0 0 -1 0 0-4-4-2 图 2.7 高斯拉普拉斯算子 高斯-拉普拉斯算子把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来，先 平化掉噪声，再进行边缘检测，所以效果更好。 四边缘提取算法的实现四边缘提取算法的实现 f = imread(lixiao.bmp);%读入图像 f = rgb2gray(f);%将彩色图像转换为灰度图像 f = im2double(

25、f);%转换为双精度，便于后面的计算 subplot(231), imshow(f), title(Original Image); word 文档 可自由复制编辑 PF = edge(f,prewitt);%边缘探测，算子为 prewitt subplot(232), imshow(PF), title(Prewitt Filter); RF = edge(f,roberts);%边缘探测，算子为 roberts subplot(233), imshow(RF), title(Roberts Filter); LF = edge(f,log);%边缘探测，算子为 log subplot(23

26、4), imshow(LF), title(Laplacian of Gaussian of Gaussian (LoG) Filter); CF = edge(f,canny);%边缘探测，算子为 canny subplot(235), imshow(CF), title(Canny Filter); MF = edge(f,sobel);%边缘探测，算子为 sobel subplot(236), imshow(MF), title(Sobel Filter); 图 1 原图像 word 文档 可自由复制编辑 图 2 原图与各算子的边缘检测图像 通过仔细的对比我们可以发现 Log 和 Can

27、ny 算子生成的边缘线较多，图像 较为复杂，而Prewitt，Sobel 和 Roberts 算子生成的边缘线较少，图像较为简单。 事实上， 在工程中所需要处理的图像没有想象中的那么好，总是受到某些因 素的影响。如光照、温度等等因素，所以，仅看一个算子的定位性的好坏是不够 的。下面介绍下各算子的稳定性。 五 对算子的稳定性的探讨 由于在工程应用中， 所获取的图片总是会受到环境因素的影响。在这一节中 将详细的分析各算子的稳定性。由于篇幅限制，只在图片中加入了椒盐噪声。 为了能够更好地看出这些算子的稳定性， 特将未加入噪声的图片的边缘处理 和加入噪声的边缘处理图片放在一个界面上。代码如下： f =

28、 imread(lixiao.bmp);%读入图像 p = imnoise(f,salt %加入噪声密度 D 为 0.02 的椒盐噪声 word 文档 可自由复制编辑 f = rgb2gray(f);%将彩色图像转换为灰度图像 f = im2double(f);%转换为双精度，便于后面的计算 subplot(1,2,1) , imshow(f);%显示原始图像 title(Original Filter);%设置图像标题 p = rgb2gray(p);%将彩色图像转换为灰度图像 p = im2double(p);%转换为双精度，便于后面的计算 subplot(1,2,2) , imshow(

29、p);%显示处理后的图像 title(Nose Filter);%设置图像标题 运行后便得到图 3： 图 3 原图与加入椒盐噪声后的图像 f = imread(D:SYSTEM桌面新建文件夹30.jpg);%读入图像 p = imnoise(f,salt %加入噪声密度 D 为 0.02 的椒盐噪声 f = rgb2gray(f);%将彩色图像转换为灰度图像 f = im2double(f);%转换为双精度，便于后面的计算 PP = edge(f, prewitt);%边缘探测，算子为 prewitt subplot(1,2,1) , imshow(PP);%显示原始图像 title(Prew

30、itt Filter);%设置图像标题 p = rgb2gray(p);%将彩色图像转换为灰度图像 p = im2double(p);%转换为双精度，便于后面的计算 PF = edge(p, prewitt);%边缘探测，算子为 prewitt word 文档 可自由复制编辑 subplot(1,2,2) , imshow(PF);%显示处理后的图 title(PrewittFilter);%设置图像标题 运行结果如图 4 所示： 图 4Prewitt 算子边缘检测原图与加噪图 将上述程序中的 PP=edge(f,prewitt)改为 PP=edge(f,sobel)，并将标题做相 应的调整即

31、可实现 Sobel 算子。保存并运行即可得到图 5 所示的效果： 图 5Sobel 算子边缘检测原图与加噪图 将上述程序中的 PP=edge(f,prewitt)改为 PP=edge(f,roberts)， 并将标题做相 word 文档 可自由复制编辑 应的调整即可实现 Robert 算子。保存并运行即可得到图 6： 图 6Roberts 算子边缘检测原图与加噪图 将上述程序中的 PP=edge(f,prewitt)改为 PP=edge(f,log)，并将标题做相应 的调整即可实现 LOG 算子。保存并运行即可得到图 7： 图 7Log 算子边缘检测原图与加噪图 将上述程序中的 PP=edge

32、(f,prewitt)改为 PP=edge(f,canny)，并将标题做相 应的调整即可实现 Canny 算子。保存并运行即可得到图 8： word 文档 可自由复制编辑 图 8Canny 算子边缘检测原图与加噪图 通过对以这五幅图片的仔细比较发现， 加入了噪声之后，各种算子边缘检测 的结果都受到了影响，其中，Roberts 算子受噪声影响最为明显，Sobel 算子和 Prewitt 算子对噪声具有较好的平滑作用，Canny 和 Log 仍然能很准确的将原图 像的边缘检测出来。 六 结束语 数着计算机视觉和图像边缘检测技术地发展， 迫切需要视觉早期阶段的突破即边缘检 测技术的突破，努力寻求算法

33、较简单、能较好解决边缘测精度与抗噪声性能协调问题的边 缘检测算法。相对于以上所说的种种经典的边缘检测方法，许多学者基于对理想边缘检测 的分析和对边缘特性某一方面的改进，提出了很多卓有成效的新的边缘检测方法，取得了 较好的效果。数字图像的边缘提取技术未来的发展空间还很广阔，应该继续努力寻求适应 性更广、局限性更小的方法。在程序的编译过程中，产生了找不到工具箱函数、句法错误 等错误，经仔细检查和运行， 才顺利通过。调试运行过程不顺利，对 MATLAB语言仍旧不 够精通。上面所述几种方法存在有边缘像素单元宽、噪声干扰较严重等缺点，即使采用一 些辅助的方法去噪，也相应的会带来边缘模糊等难以克服的缺陷。

34、 经典的边缘检测方法由于引入了各种形式的微分运算， 从而必然引起对噪声的极度敏 感，执行边缘检测的结果常常是把噪声当作边缘点检测出来，而真正的边缘也由于受到噪 word 文档 可自由复制编辑 声干扰而没有检测出来。因而对于有噪声图像来说，一种好的边缘检测方法应该具有良好 的噪声抑制能力，同时又有完备的边缘保持特性,而这些优点正式Canny算子所具备的。 边缘检测作为数字图像分割的一个重要内容一直是人们研究的热点。 在实际应用中有 许多成功的例子，已将一些专用领域的成熟算法嵌入单片机，制成便携式设备，如指纹考 勤机、人脸的识别器等。以及前面提及的现阶段我国的视频交通流检测及车辆识别系统已 在中国

35、某些大城市交通流量的检测中应用，效果良好。利用电视视频技术、计算机图像边 缘检测技术、 模式识别技术及通信技术等多项技术为一体的计算机视频监测技术对交通进 行监测和控制是一个具有广阔应用前景的研究方向。 致谢 首先我要感谢张明艳老师。 张老师在平时的学习生活中给予了我最热情的指 导和帮助， 在我完成论文的整个过程都有张老师的辛劳。感谢张老师在学习上给 予我的悉心指导，提供我一个很好的学习环境以及实践锻炼机会。并且，张老师 治学严谨，一丝不苟，注重培养学生研究问题、解决问题的独立工作能力，让我 受益匪浅。在此，谨向一直培养、帮助和关怀我的老师致以由衷的敬意和诚挚的 谢意。 谨向给予我无私帮助的同

36、学表示深切的感谢。 衷心感谢所有在学习期间给予 我帮助和支持的师长和朋友，谢谢他们在各方面的帮助，很高兴能和他们一起分 享学习和生活的快乐。深深地感谢父母对我养育之恩和谆谆教诲，虽然现在不在 身边，但是他们总是给我鼓励，教我战胜困难，他们的支持给了我战胜困难的勇 气。最后，向所有关心，帮助，理解和爱护过我的老师，同学，家人表示深深地 感谢! 谨以此论文作为对他们的回报。 参考文献 1 冈萨雷斯， 数字图像处理（第二版） ，电子工业出版社，2005 年 3 月 2 冈萨雷斯， 数字图像处理(MATLAB版) ，电子工业出版社，2005 年 9 月 3 陈天华， 数字图像处理 ，清华大学出版社，2

37、007 年 6 月 4 阮秋琦，数字图像处理学，电子工业出版社，2001 word 文档 可自由复制编辑 5 魏弘博，基于粗糙集的图像增强和边缘检测 6 郑慕之，MRI二维图像边缘检测及可视化研究，南京航空航天大学，2005 7 郑翔、黄艺云，Kirsch边缘检测算子的快速算法，通信学报，1996 8 王娜，李霞一种新的改进Canny边缘检测算法深圳大学学报，2005 9 游素亚、杨静， 图像边缘检测技术的发展与现状，电子科技导报，1995 10 杜辉强，高光谱遥感影像滤波和边缘提取方法研究，武汉大学，2004 11 K.R.Castleman 著，朱志刚等译，数字图像处理，电子工业出版社，2001 12 章毓晋，图像处理和分析（上、下册） ，清华大学出版社，2000 13 王文丽，各种图像边缘提取算法的研究，北京交通大学，硕士学位论文， 2010 14季虎，孙即祥，邵晓芳，毛玲，图像边缘提取方法及展望，国防科技大学电 子科学 word 文档 可自由复制编辑