邊緣檢測(cè)技術(shù)是在圖像分析與處理領(lǐng)域內(nèi)重要的研究方向,同樣也是圖像壓縮、圖像分割、智能交通管理系統(tǒng)、目標(biāo)檢測(cè)等許多其他研究?jī)?nèi)容的基礎(chǔ)技術(shù)。一些現(xiàn)有的邊緣檢測(cè)方法在各類干擾成分的作用下依然有著些許不足之處,例如,檢測(cè)結(jié)果中邊緣的連通性不高以及存在較多的偽邊緣等情況,而基于神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)方法雖然可以改善邊緣連通性問題,但是同樣存在著檢測(cè)效率不高的問題。為此,本文提出了一種新的基于GPN（Gaussian Positive-Negative）徑向基神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)方法。邊緣檢測(cè)一般有圖像去噪、圖像增強(qiáng)、檢測(cè)和邊緣定位等幾個(gè)步驟。本文在對(duì)邊緣檢測(cè)的研究和實(shí)現(xiàn)過程中的主要貢獻(xiàn)點(diǎn)如下:（1）在圖像的去噪階段,本文引入了擴(kuò)散方程的熱擴(kuò)散思想進(jìn)行圖像去噪,并針對(duì)擴(kuò)散方程模糊邊緣的缺陷做出了改變,使其可以在迭代去噪的前提下并且可以較好的保護(hù)原始圖像的邊緣數(shù)據(jù)。（2）在后續(xù)的邊緣檢測(cè)階段,本文根據(jù)人眼視覺特性的馬赫效應(yīng),提出兩點(diǎn)假設(shè)。并根據(jù)這兩點(diǎn)假設(shè)提出了一種新的GPN輪廓凸顯算法。（3）根據(jù)GPN輪廓凸顯算法構(gòu)造了一種新型的基于GPN徑向基神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)方法。該方法將GPN徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中輸... 

【文章來(lái)源】：湘潭大學(xué)湖南省

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

邊緣

7圖2.2邊緣檢測(cè)算法的基本步驟（1）濾波：大多的邊緣檢測(cè)模型會(huì)被噪聲嚴(yán)重干擾，所以有必要使用相關(guān)濾波方法來(lái)降低噪聲的影響，然而多數(shù)濾波模型在濾除噪前提下也對(duì)原始圖像的些許邊緣數(shù)據(jù)造成了丟失，所以在濾除噪聲和加強(qiáng)邊緣之間需要慎重考慮。（2）增強(qiáng)：首先要確定圖像中每個(gè)像素點(diǎn)灰度值的改變，然后將灰度值驟變的點(diǎn)標(biāo)記出來(lái)，具體可以通過計(jì)算邊緣梯度的幅值來(lái)完成。（3）檢測(cè)：經(jīng)過第（2）步后的圖像，鄰域內(nèi)可能存在許多梯度值較大的像素點(diǎn)，而在某些條件下，這些點(diǎn)并不滿足需求，因此需要使用某些方法對(duì)這些點(diǎn)做出選擇，通常使用設(shè)置閾值的方法來(lái)檢測(cè)。（4）定位：通過特定的定位算法進(jìn)行定位，找出圖像中邊緣的準(zhǔn)確位置，得到預(yù)期的檢測(cè)結(jié)果。2.2圖像噪聲噪聲會(huì)在圖像里產(chǎn)生，屬于主要影響或干擾圖像數(shù)據(jù)的信息。一般表現(xiàn)為引起較為強(qiáng)烈的視覺感受的獨(dú)立像素點(diǎn)或塊。噪聲的信號(hào)與需要選取的目標(biāo)沒有任何關(guān)系，一般為圖像里多余的數(shù)據(jù)，并且還會(huì)滋擾圖像信息。圖像質(zhì)量因噪聲的存在會(huì)有所下降，為此有必要先讓圖像完成相應(yīng)的去噪處理。2.2.1圖像噪聲的分類圖像噪聲是人們對(duì)圖像成像或傳輸時(shí)信息接收的障礙。在大多數(shù)時(shí)候能夠把圖像噪聲作為多維隨機(jī)的過程來(lái)做出處理，所以我們能夠借助隨機(jī)過程來(lái)形容噪聲，即就是能夠運(yùn)用它們的概率密度函數(shù)來(lái)進(jìn)行形容。實(shí)際中可列舉下面這幾種分類的概率密度函數(shù)：（1）均勻分布o(jì)thersbxaabxf,0,1)(（2-1）

10因此，需要通過計(jì)算所有邊緣水平和垂直方向的差分xG)(和yG)(，這樣就可以根據(jù)公式（2-11）以及公式（2-12）計(jì)算梯度值和方向。22GxyGG)()(（2-11）))()(arctan(yGxG（2-12）第三步，非極大值抑制。只得到圖像所有的梯度值還不能確定邊緣位置，因此為了得到邊緣位置，通過比較某一像素點(diǎn)的梯度值與其鄰域的梯度值，得到梯度的最大值，并將所有不等于最大值的點(diǎn)全部變?yōu)?。第四步，雙閾值選齲這里是指確定兩個(gè)一大一小的閾值來(lái)劃分邊緣像素。通過高閾值可以得到由強(qiáng)邊緣點(diǎn)組成的邊緣圖像，但中間可能出現(xiàn)斷點(diǎn)的情況，為了使圖像閉合，這就要根據(jù)低閾值得到新的弱邊緣點(diǎn)，最后將比低閾值更小的像素點(diǎn)抑制。最后，進(jìn)行邊界跟蹤。保留強(qiáng)邊緣并去掉由干擾信息造成的偽邊緣。（2）基于脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）的邊緣檢測(cè)模型[57]基于PCNN的邊緣檢測(cè)模型是一種能多個(gè)尺度進(jìn)行圖像邊緣檢測(cè)的模型。該檢測(cè)模型通過進(jìn)行非下采樣Contourlet變換（NSCT）將原圖像分解為高頻定向子帶和低頻定向子帶。高頻子帶用于通過系數(shù)極大值（MM）算法檢測(cè)邊緣的細(xì)節(jié)。低頻子帶用于通過PCNN檢測(cè)圖像的基本邊緣線。利用NSCT域中不同尺度和不同方向的子帶檢測(cè)到的邊緣信息重建得到最終的邊緣檢測(cè)圖像。NSCT的構(gòu)建建立在NSP和NSDFB的基礎(chǔ)上，如圖2.4所示。NSCT中的NSP部分確保了多尺度屬性并捕獲了點(diǎn)的不連續(xù)性，并且使用非二次采樣2D濾波器組來(lái)完成構(gòu)建塊。完美重建的條件可以表示為：1)()()()(1100zzGHzzGH（2-13）其中)(0zH和)(1zH代表了分解濾波器；而)(0zG和)(1zG代表的是重構(gòu)濾波器。Tzzz],[21，1z和2z是2D-z變換的復(fù)變量。圖2.4NSCT結(jié)構(gòu)圖


本文編號(hào)：3407858