邊緣是圖像的一種底層特征,被廣泛地用于各類圖像分析及計算機視覺任務(wù)。邊緣檢測過程一般都會涉及到尺度參數(shù)的設(shè)置問題。在低尺度下,邊緣的定位精度高,但會包含大量的冗余細節(jié),導致檢測的精確率不夠理想;在高尺度下,冗余信息被有效過濾,但檢測到的邊緣會發(fā)生形變,導致檢測的召回率不夠理想。為此,可以通過融合圖像多個尺度的信息來得到更好的邊緣檢測效果。本文就以上課題開展研究,主要內(nèi)容和創(chuàng)新點包括以下三個方面:研究邊緣的尺度空間行為,并建立了系統(tǒng)的理論。在尺度參數(shù)連續(xù)變化時,邊緣會發(fā)生位移、消失、融合等現(xiàn)象。我們基于典型的邊緣模型,通過定量推導,系統(tǒng)描述了邊緣的尺度空間軌跡線,得到了一系列的性質(zhì)。通過仿真實驗演示了理論模型和數(shù)值模型之間的對應(yīng)性,并總結(jié)了復雜邊緣模型的尺度空間行為。根據(jù)邊緣的尺度空間理論,提出了基于雙向跟蹤的多尺度邊緣檢測算法。我們通過雙向邊緣跟蹤策略實現(xiàn)對邊緣的多尺度檢測。首先,在高尺度識別邊緣,并下跟蹤到最低尺度以確定其位置,由此提高了邊緣檢測精度。然后,沿低尺度到高尺度方向再次確認邊緣,由此抑制虛假響應(yīng)邊緣。最后,設(shè)計和實現(xiàn)了具體的檢測算法。實驗結(jié)果表明,該算法在主觀和客觀上的性...

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【部分圖文】：

圖１－１自然圖像與邊緣：（ａ）原圖；（ｂ）人工標注標準邊緣圖??

合，存儲著圖像最底層的信息，符??合人類視覺感知，因此各種各樣的計算機視覺任務(wù)依賴于邊緣的發(fā)展。邊緣檢測是??特征提�。欤瑁玻�、圖像分割［３，４］、圖像插值［５］、圖像識別Ｗ等圖像分析和計算機視覺領(lǐng)??域里的基礎(chǔ)步驟，同時也是一個非常重要的研宄課題。本章以邊緣檢測的研宂背景??為....

圖１－２人眼識別圖像由遠及近的過程：（ａ）原圖；（ｂ）－（ｅ）由遠及近觀察的梯度圖??

，識別??這是有山、有船的自然圖像，觀察到的是大尺寸的物體；然后，隨著與圖像的距離??縮小，人眼才注意到圖像的中等尺寸物體，比如圖中的船是前景，海和山是遠景；??在距離圖像很近時，細節(jié)、紋理邊緣才會被發(fā)現(xiàn)，如圖ｌ－２（ａ）中船上的文字、山上的??石頭等。圖ｌ－２（ａ）是舉例的自然....

圖１－３自然圖像符合人眼視覺的邊緣：（ａ）—種標準邊緣圖；（ｂ）另一種標準邊緣圖??

言?基于雙向跟蹤的多尺度邊緣檢測算法研究??度信息，結(jié)構(gòu)樹就可以得到邊緣。??然而，上述的方法都是基于人為定義的底層邊緣特征，這些特征在表示語義上??有意義的邊緣檢測等高層信息時還是有局限的，導致很多誤檢。比如圖ｌ－３（ａ）的自然??圖像，圖ｌ－３（ｂ）和圖丨－３（ｃ）符合人眼視....

圖１－４本文組織結(jié)構(gòu)??

基于雙向跟蹤的多尺度邊緣檢測算法研宄?第一章引言??法的局限，本章提出了基于雙向跟蹤的彩色圖像邊緣檢測算法，將彩色圖像轉(zhuǎn)換到??色彩空間，計算彩色梯度向量得到邊緣后對每條邊緣進行驗證，之后再雙向跟蹤多??個尺度下驗證后的邊緣圖，進一步提高圖像邊緣的精度。??第六章，總結(jié)與展望。本....

本文編號：3953665