原创《基于腐蚀预处理的Reberts边缘检测》：关于免费Reberts边缘检测论文范文在这里免费下载与阅读,为您的Reberts边缘检测相关论文写作提供资料。
摘 要：图像的边缘检测已经应用于：国防、工业、医疗、交通等行业.但是获取图像意味着噪声的存在,为了能够准确的检测边缘,预处理尤为关键,预处理效果理想,能够抑制噪声,提高边缘检测的精度.该文应用自适应阈值预处理图像,对处理结果分别用Reberts、Sobel、Laplacian算法检测边缘；与腐蚀运算二次预处理后Rebels边缘检测分析、比较.
关键词：边缘检测；自适应阈值；腐蚀
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）22-0170-02
人们通过图像能够获取大量信息,然而透过边缘可以辨识图像自身,边缘所占图像比例甚少却包含了重要内容.获取准确、有效的边缘是识别、追踪等技术的保证,生活中的应用有：目标跟踪、车牌识别、生物图像提取等.依据检测算法的不同分为：一阶微分、二阶微分算法,其自身位置的重要性,研究的新成果也不断涌现,如：李俊峰的Canny算法在中国古画上的应用与改进、李莎的改进蚁群算法及其在图像边缘检测中的应用研究等.
1边缘分类
一副图像灰度变化突显的地方即是图像的边缘,可以看做是一个区域与另一个区域的分界线,依据边缘灰度走势的方向和幅度,图像边缘类型分为：
阶梯边缘：指某一像素点或区域同周围的灰度发生或升、或降的聚变,其曲线表现一阶求导为局部最值,二阶求导为零.
坡形边缘：指某一像素点或区域是一个区域像素升和另一区域像素降的交集,或相反的交集构成.其曲线表现一阶求导为零,二阶为最值.
线形边缘：指某一像素点或区域两侧灰度一致的情形.
三种边缘的表现为图1.
2传统检测方法
根据图像边缘的分类,求导后得到的结果不同,利用不同的梯度算子对图像从不同的方向扫描得到边缘,传统的检测方法”有：Reberts、Sobel算子.
Reberts利用邻近区域像素值的局部差分实现边缘的检测,公式表示为：
通過卷积模板知道,Reberts是利用对角线差分求边缘,水平和垂直方向检测效果准确,同时能够检测出非边缘的像素,易于和边缘混淆.
Sobel采用加大卷积模板和加权操作求取边缘,提高对噪声的控制,公式表示：
Sobd相对于Reberts算法,增强了抗噪能力,提高了边缘检测的精确度,引用了增大局部平均的思想,导致检测出虚假边缘的现象.
3预处理
图像预处理非常重要,在检测之前预处理的好,检测到的效果准确并且抑制噪声,本文对获取的图片先做自适应阈值处理,处理后的图片进行腐蚀操作,去除噪声细化边缘.
3.1自适应阈值处理
3.2腐蚀算法
4实验结果
对图片的边缘处理结果,分为图3、图4,其中图3是原图直接进行Reberrs、Sobel、Laplacian算法检测；图4是经过预处理后的图片进行三种算法检测的结果.
通过结果看出,直接针对原图进行Reberrs、Sobel、Lapla-cian检测噪声大面积存在,失去了边缘检测的意义；图4中,预处理1是原图经过自适应阈值处理后的图片,后面的Rebertsl、Sobell、Laplacianl是此算法利用在自适应阈值预处理后的结果,和对原图直接处理的结果比较噪声普遍去除,图片边缘显现,但人物左上角的背景噪声依然存在；预处理2是原图经过自适应阈值预处理后再次腐蚀运算后的图片,Reberrs2是对此图片处理后的结果,可以看出明显得去除了左上角的背景噪声.
5结束语
实验结果发现,传统边缘算法直接对图像操作很可能会产生大量的噪声,且Reberts算法边缘易于被噪声淹没,sobel边缘定位准确,但噪声仍旧普遍存在,Laplacian边缘和噪声同样凸显,说明这些算法直接对图片处理,结果不尽理想；可见图片预处理的重要,使用合适的预处理方法能够有效的去除噪声,得到较好的边缘.
Reberts边缘检测论文参考资料：
结论：基于腐蚀预处理的Reberts边缘检测为大学硕士与本科Reberts边缘检测毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写Reberts边缘检测方面论文范文。
