文章导读：在新的一年中，各位网友都进入紧张的学习或是工作阶段。网学的各位小编整理了工科论文- 模糊边缘检测在机器视觉图像系统仿真研究 的相关内容供大家参考，祝大家在新的一年里工作和学习顺利！
1 引言图像的边缘是图像最基本的特征之一,在计算机视觉、图像分析等应用中起着重要的作用。所谓边缘是指图像周围像素灰度有阶跃变化或屋顶状变化的像素的集合,它存在于目标与背景、目标与目标、区域与区域、基元与基元之间。边缘具有方向和幅度两个特征,沿边缘走向,像素值变化比较平缓,垂直于边缘走向,像素值变化比较剧烈,可能呈现阶跃状,也可能呈现斜坡状。这是因为图像的边缘包含了用于识别的有用信息,它为人们描述或识别目标和解释图像提供了一个重要的特征参数,所以边缘检测是图像分析和模式识别的主要特征提取手段。由于边缘和噪声都是高频信号,很难在噪声和边缘中作取舍,因此大多数边缘检测器对噪声都非常敏感。基于数学形态学的图像边缘检测方法,能在一定 —280—程度上较好地保持图像的细节特征,协调边缘检测精度与抗噪声性能的矛盾,与其他方法相比有其独特的优势,但通常结构元素都是固定、对称、单一的,使得算法的适应性和抗噪性仍然较差。
由于在数字图像处理领域中,一般认为图像本身具有模糊性,当三维图像目标投影为二维图像目标时,有信息的丢失。边缘、区域、纹理等概念的定义存在模糊性,对图像处理结果的描述、解释带有模糊性,因此在图像处理过程中,运用模糊的方法具有可行性、实用性。20世纪80年代中期,人们首次将模糊集理论引入到边缘检测中,提出了图像边缘检测模糊算法。该算法通过增强边缘两侧像素灰度的对比度,减少图像的灰度层次来提取边界。但实际上灰度突变的特点是边缘和噪声的共同性质,所以从这个前提假设出发的所有边缘检测算法都存在去除噪声和保持边缘细节的折中问题。从算法的模糊边缘检测过程可见,在提取边缘前,没有单独作抑噪处理,图像受到噪声干扰而变得比较模糊,若按照这一方案进行模糊边缘检测,它的效果有时不是很理想,一些不在边缘上的点也会被误判为边缘点,给后续处理带来误差。为了解决这一问题,提出了一种改进的图像边缘检测模糊算法。仿真结果表明,新算法是行之有效的。
2 机器视觉图像的模糊边缘检测 2. 1 机器视觉图像的获取机器视觉就是用计算机模拟人眼的视觉功能对“目标图像”进行数字化,从图像或图像序列中提取信息,对物体的形态和运动进行识别,并通过计算机进行处理,最终用于实际检测、测量和控制。典型的机器视觉系统如图1所示。机器视觉系统框图系统主要包括图像采集系统、图像处理系统和图像识别系统三部分。图像采集系统主要完成图像采样、量化、编码和适当压缩等任务,而图像处理系统主要负责图像增强、图像分割、图像分析,图像识别系统则根据图像中提取的特征识别出目标物体,并将识别控制信号提供给决策系统以便制定出相应的执行动作。在视觉系统中用来获取图像的采集装置有很多,电荷耦合器件CCD因其具有灵敏度及检测精度高等优点在图像处理方面得到了广泛的应用,它是由在一片光敏结晶硅片上一系列排得很紧密的MOS电容器组成。当一束光投射到MOS 电容器上时,光子透过金属电极和氧化层进入硅衬底,衬底每吸收一个光子,就会产生一个空穴对,其中的电子被吸引到电荷反型区存储,且电荷量与此处的照度大致成正比,从而形成一幅电信号“图像”。CCD摄像机的成像几何模型就是空间三维景物成像到摄像机成像平面的数学描述。CCD 摄像机在捕获图像的同时实质上己经完成了从外界图像到数字图像所必须的数字化过程,通过采样过程将原来空间上连续的图像f(x,y)分割成大小为M×N的离散像素的集合, 即获得了表示数字图像的图像矩阵。
2. 2 改进的模糊边缘检测算法鉴于经典Pal算法存在转换函数复杂、实时速度慢等缺陷,提出一种改进的模糊增强边缘检测算法。该算法的主要思想是:取阈值XT将整个图像的直方图分为低灰度和高灰度两个部分,对于具有典型双峰分布的直方图来说,它们分别对应目标和背景这两部分,然后再根据参数XT而不是根据最大灰度级lmax来定义新的隶属函数形式。因此,本文算法的核心思想是在阈值XT的两边,即低灰度区域和高灰度区域,分别通过模糊增强运算来检测边缘的,即在低灰度区域主要进行衰减运算,从而使属于该区域的大部分像素的灰度值更低,而在高灰度区域则主要进行增强运算,从而使属于该区域的大部分像素的灰度值更高。这样经过模糊增强后,图像的各区域之间层次比较清楚,而且边缘两侧的灰度对比增强,其提取的边缘信息也就更加精细,对图像低灰度区域的信息损失更小,并且定义的隶属度函数没有复杂的幂运算,提高了算法的效率。算法步骤如下: 首先将图像从空间域映射到模糊特征域,即一个模糊矩阵。把一幅具有L个灰度级的M×N元图像表示成一个模糊集,集内的每一个元素均具有相对于某个特定灰度级的隶属函数,从而将待处理的图像映射为一个模糊矩阵I。
