圖像邊緣檢測方法的研究與預(yù)測

摘 要：隨著計算機的不斷普及一個新的名詞---圖像邊緣檢測進入人們的視線，這是一種新型的有關(guān)圖像的處理的方式，而且他的應(yīng)用現(xiàn)在也十分的廣泛，本文將重點介紹圖像邊緣檢測方法的應(yīng)用以及相關(guān)的研究。

關(guān)鍵詞：圖像邊緣檢測；方法；應(yīng)用；研究

中圖分類號：TP391.41

圖像的邊緣檢測在圖像的處理與識別的過程中發(fā)揮著巨大的作用，首先我們應(yīng)該認識到何為邊緣，所謂邊緣就是我們的圖像與背景的分界線。只有將邊緣良好的區(qū)分我們的圖像才能完整。以下我們將展開詳細介紹。

1 現(xiàn)在條件下的邊緣檢測的方法

1.1 在小波的基礎(chǔ)上進行的邊緣檢測方法

小波的邊緣檢測的方法是在Fourier的基礎(chǔ)之上發(fā)展來的。眾所周知，圖像是一種不穩(wěn)定的信號，所以在處理的時候會存在一定的困難。但是，在小波的基礎(chǔ)上進行的邊緣檢測就解決了這方面的缺陷。并且小波的邊緣檢測還具有自身的特性，例如在高頻的條件之下，能夠有效地辨析時間，在低頻的條件之下，能夠有效地辨析頻率。我們通過對于頻率的分析可以發(fā)現(xiàn)，這是一種變焦的特點，這也是在傳統(tǒng)的邊緣圖像處理的基礎(chǔ)之上的得到的進步。在小波的基礎(chǔ)上進行的邊緣檢測在現(xiàn)代的應(yīng)用中十分的廣泛，這主要得益于他本身的優(yōu)點。所謂的小波變換就是能夠捕捉到很小的圖像邊緣的變化，因為在邊緣處的圖像變化是很大的，小波的邊緣處理正好符合這個特性，當(dāng)圖像的尺度越小他的邊緣尺度變化的越快，這樣對于精度的要求就越高，而且在這樣的條件下噪音對于圖像就會有比較大的影響力。相反的一幅圖像的尺度比較大的時候，它的邊緣的變化是很平緩的，所以與小尺度的相比對于噪聲的影響也就不那么明顯。由此可見對于小波的邊緣處理什么尺度的圖像邊緣我們都能夠很好的處理。我們在進行圖像邊緣檢測利用的思想是逐漸變化的思想，利用不同的標(biāo)準(zhǔn)進行檢測，然后找到最大值的變化的情況，并通過對于數(shù)據(jù)的應(yīng)用，根據(jù)標(biāo)準(zhǔn)的不同合理分析，得到最后的我們需要的圖像，可以較好的解決噪聲和定位精度之間的矛盾。

1.2 在形態(tài)學(xué)的基礎(chǔ)之上進行的邊緣檢測方法

我們所介紹的形態(tài)學(xué)是一種數(shù)學(xué)形態(tài)的應(yīng)用。他在現(xiàn)在科學(xué)的基礎(chǔ)之上得到了比較廣泛的應(yīng)用。所謂的形態(tài)學(xué)是利用整體與部分之間的關(guān)系。準(zhǔn)確的檢測邊緣與整個圖像之間的關(guān)系，這樣，可以減少很多外在的影響，直間探測到我們需要的邊緣。而且這種在形態(tài)學(xué)的基礎(chǔ)之上進行的檢測對于噪聲的影響的抵抗能力是比較強的。因為我們的形態(tài)邊緣檢測是在數(shù)學(xué)的基礎(chǔ)之上進行的所以這就意味著他也具有很多數(shù)學(xué)方面的特征。因為數(shù)學(xué)是一門數(shù)字的學(xué)科，這就意味著這種檢測方式具有嚴謹?shù)奶匦?，所以他在邊緣的?shù)字檢測方面得到了長足的發(fā)展。當(dāng)然在現(xiàn)在的基礎(chǔ)之上數(shù)學(xué)的檢測方法因為發(fā)展的不完善也存在一定的不足之處。因為數(shù)學(xué)應(yīng)用的是總體與部分之間的特性。所以當(dāng)結(jié)構(gòu)比較簡單的時候，結(jié)構(gòu)的確定就會比較困難，而且結(jié)構(gòu)簡單的時候噪聲也會對于整個邊緣的檢測造成比較大的影響。所以，我們總結(jié)得出，基于數(shù)學(xué)的基礎(chǔ)之上的圖像的邊緣檢測對于圖像是有選擇性的。只有整體的元素比較復(fù)雜的時候才能應(yīng)用這種形態(tài)邊緣檢測方式。盡管發(fā)展存在的一定的不足之處，因為他獨特的嚴謹性的特性也得到了廣泛的發(fā)展。

1.3 在模糊學(xué)的基礎(chǔ)之上進行的邊緣檢測方法

所謂的模糊學(xué)就是用一些比較模糊的知識來描述一件事情。就如同美術(shù)中的印象派，它是一種不清晰的東西。模糊學(xué)的提出是根據(jù)人類的視覺特性來進行的。在模糊識別的過程中分成很多的層次，并且我們的模糊的邊緣檢測在各個層次應(yīng)用的都是有關(guān)模糊學(xué)的知識。如在特征層，可將輸入模式表達成隸屬度值的矩陣： 在分類層，可表模糊模式的多類隸屬度值，并提供損失信息的估計。模糊學(xué)的產(chǎn)生是有一定的條件的，在很多的情況下，我們對于一些事物不能做出明確的解釋，但是我們對于這個事物又具有一定程度的了解，這就產(chǎn)生了模糊學(xué)。而在本文討論當(dāng)中，將模糊學(xué)引入圖像的邊緣檢測，可以比較好的區(qū)分邊緣與背景，這樣在檢測邊緣的時候，整個過程就會變得更加簡單。這種算法應(yīng)用到相應(yīng)的矩陣的知識，首先將相關(guān)的圖像映射成相關(guān)的模糊的矩陣，然后進行相應(yīng)的變換，然后在最大值與最小值的基礎(chǔ)之上進行邊緣的檢測。當(dāng)然，這種模糊學(xué)的算法不可避免的存在一定的不足之處。因為整個過程就是不完善的，而且整個過程比較慢，是需要改進的。

1.4 在人工智能的基礎(chǔ)上進行的邊緣檢測方法

人腦是世界上最機密的儀器，他可以進行多方面的計算與數(shù)據(jù)的處理，所謂的人工智能就是在模擬人腦的基礎(chǔ)之上進行的邊緣檢測。他檢測的特性是可以將很多不是線性的圖像進行處理，并將其應(yīng)用在計算機當(dāng)中。在人工智能的基礎(chǔ)之上進行的邊緣檢測是比較符合日常中的應(yīng)用的，因為他需要的基礎(chǔ)數(shù)據(jù)比較少。隨著人工智能在人們生活中更加廣泛的應(yīng)用，他在計算機的領(lǐng)域中涵蓋了更多的領(lǐng)域，當(dāng)然，這也不可避免的存在一些問題。主要是輸入與輸出層的設(shè)計問題、網(wǎng)絡(luò)數(shù)據(jù)的準(zhǔn)備問題、網(wǎng)絡(luò)權(quán)值的準(zhǔn)備及確定問題、隱層數(shù)及結(jié)點的問題、網(wǎng)絡(luò)的訓(xùn)練問題。

1.5 在神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上進行的邊緣檢測方法

隨著邊緣檢測的發(fā)展，一些新的邊緣檢測方法也出現(xiàn)了，由于神經(jīng)網(wǎng)絡(luò)算法強大的非線性表現(xiàn)能力及學(xué)習(xí)功能，多被關(guān)注及應(yīng)用，在模式識別等多方面取得了較多成功的應(yīng)用，其基本思想是：先輸入圖像映射為某種神經(jīng)網(wǎng)絡(luò)，所以應(yīng)該有豐富的圖片信息，然后輸入一定的先驗知識-原始邊緣圖，再進行訓(xùn)練，直到學(xué)習(xí)過程熟練用戶滿意為止。由于神經(jīng)網(wǎng)絡(luò)提取邊緣利用了原圖的已有知識，是從宏觀上認識對象，微觀上提取細節(jié)，所以他具有很強的抗噪能力，從而在邊緣圖像處理系統(tǒng)具有可行性。

2 關(guān)于圖像邊緣檢測的預(yù)測

在未來的發(fā)展上，我們應(yīng)該將現(xiàn)有的邊緣檢測存在的不足進行相應(yīng)的改善?，F(xiàn)在的社會是合作型社會，所以這種組合型的意識應(yīng)該應(yīng)用到方方面面。所以我們在應(yīng)用圖像的邊緣檢測的時候應(yīng)該將多種方法組合應(yīng)用，因為不得不承認我們現(xiàn)存的方法總是存在一定的不足。所以只有將多種結(jié)合才能更好的進行圖像邊緣的檢測。在處理相應(yīng)的圖像的時候應(yīng)該先分析圖像的特性，然后在圖像的基礎(chǔ)之上選擇合適的方法。圖像的邊緣處理是我們剛興起的一項技術(shù)，雖然檢測得到了很多種方法，但是仍然存在一定的不足之處，所以我們需要一種統(tǒng)一的標(biāo)準(zhǔn)將圖像邊緣檢測進行標(biāo)準(zhǔn)化，所以一套合理的體系必不可少，檢測體系同樣是必不可少的，只有擁有相應(yīng)的檢測體系，才能在圖像邊緣檢測之后判定邊緣檢測的效果，相關(guān)的技術(shù)人員應(yīng)該應(yīng)用相應(yīng)的理論進行檢測，來解決我們生活中的實際問題。

3 結(jié)束語

計算機技術(shù)在我國近幾年能到了快速的發(fā)展。而其中圖像邊緣檢測技術(shù)是計算機技術(shù)當(dāng)中應(yīng)用比較廣泛的技術(shù)，也是比較貼近生活的技術(shù)之一。在本文中，我們主要介紹了在現(xiàn)在的條件之下，他的幾種比較基礎(chǔ)的方法，當(dāng)然也介紹相應(yīng)的方法存在的優(yōu)缺點，也介紹了在未來發(fā)展的過程中圖像的邊緣檢測技術(shù)的趨勢?？偠灾覈膱D像邊緣檢測技術(shù)還是存在一定的不足之處，需要我們進行相應(yīng)的改進，在生活中發(fā)揮更大的作用。

參考文獻：

[1]劉勍，張久文，溫志賢.基于數(shù)學(xué)形態(tài)學(xué)的圖像處理[J].天水師范學(xué)院學(xué)報，2004，24（2）：29-33.

[2]姚峰林，詹海英，李元宗.機器視覺中的邊緣檢測技術(shù)研究[J].機械工程與自動化，2005，（1）：108-110.

作者單位：無錫城市職業(yè)技術(shù)學(xué)院，江蘇無錫 214153