关于边缘检测论文范文资料与基于阈值优化的图像模糊边缘检测快速算法有关论文参考文献-论文写作网

《基于阈值优化的图像模糊边缘检测快速算法》：本文关于边缘检测论文范文,可以做为相关论文参考文献,与写作提纲思路参考。

摘要：全面分析了Pal.King模糊边缘检测算法的缺陷,提出了一种新的快速模糊边缘检测算法.该算法简化了Pal.King复杂的变换和逆变换,并采用了新的增强算子,针对Pal.King算法中对隶属度阈值的设置存在的不足,提出了利用粒子群算法确定最佳隶属度阈值的方法.仿真表明,该算法检测的边缘细、连贯,适用面广,很有实用价值.

关键词：边缘检测；模糊增强；隶属度函数；阈值分割；

中图分类号：TP391文献标识码：A文章编号：1672-1098(2008)01-0049-05

收稿日期：2007-11-22

作者简介：王爽(1984-),女,安徽亳州人,在读硕士,研究方向为数字图像处理.

An Improved Fast Image Fuzzy Edge Detection Algorithm

Based onOptimal Threshold Value

WANG Shuang,HUANG You-rui,LI Dong

(School of Electrical and Information Engineering, Anhui University of Science and Technology, Huainan Anhui 232001, China)

Abstract: On the basis of comprehensive analysis of limitations of Pal.King algorithm, a new improved algorithm of fast edge detection is presented. The algorithm proposed in the paper simplifies complex tranormation calculation in Pal.King algorithm, and a new enhancement operator is adopted. In order to overcome disadvantages of Pal.King algorithm in subjection degree threshold value setting, a new method of subjection degree threshold optimal value determination based on PSO algorithm was proposed. Emulational experiment shows that the algorithm is an universal and practical image processing algorithm, by which image edge can be gently and continuously detected.

Key words:edge detection; fuzzy enhancement; subjection function; threshold value segmentation

边缘检测是图像分析和计算机视觉中最重要的内容之一.人们在这方面做了大量的研究工作,并提出了很多算法.但是这些边缘检测算法都是基于如下前提假设：即边缘是图像中灰度发生突变的点的集合.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,其实,正是这个问题困惑了所有的边缘检测算法.直到80年代中期,文献［1］从图像所具有的不确定性是由模糊性引起的观点出发,提出了模糊边缘检测算法（简称Pal算法）,并在医疗图像处理中获得了良好的应用,使这个问题在一定程度上得到了解决.但是此算法仍然存在不少缺陷,本文在系统分析此算法不足的基础上,提出了一种新的基于阈值的快速检测算法.仿真结果表明,新算法是行之有效的.

1 Pal.King模糊边缘检测算法

图像边缘检测模糊算法的具体做法是：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Xmax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X：X等于∪Mm等于1∪Nn等于1umn/Xmn,其中umn/Xmn表示图像像素(m,n)的灰度级相对于某个特定灰度级别Xmn的隶属度,通常取Xmn为最大灰度级Xmax.然后定义隶属函数如下：umn等于G(xmn)等于(1+Xmax-xmnFd)-Fe.式中：Fd和Fe分别是倒数型和指数型模糊因子.这样就将待处理图像映射成了模糊隶属度矩阵,接着在模糊空间中采用如下非线性函数Tr变换：u′mn等于Tr(umn)等于T1(Tr-1(umn)).其中

T1(umn)等于2(umn)2 0＜umn＜0.5

1-2(1-umn)2 0.5≤umn≤1

对图像做模糊增强处理,增强了边缘两侧像素灰度的对比度；然后再利用G-1变换将增强后的图像由模糊空间变回数据空间.最后,提取边缘,使用“Min”或“Max”算子［2］.定义图像边缘为Edge等于［f*(x,y)］M×N,其中f*(x,y)等于｜f ′(x,y)-

Min(i,j)∈ξ｛f ′(i,j)｝｜或者f*(x,y)等于

｜Max(i,j)∈ξ｛f ′(i,j)｝-f ′(x,y)｜而ξ等于

｛(i,j)｜d((i,j),(x,y))≤2｝.

由于图像边缘的不确定性往往是模糊性,因此该算法明显优于传统边缘检测算法,并在医学图像处理中得到了广泛的应用.但是Pal算法仍然存在以下缺陷：

（1）将模糊矩阵的元umn/Xmn定义为象素(m,n)灰度级Xmn相对于最大灰度级Xmax的隶属度,这样的硬性处理必然使图像中一部分本应增强的灰度级没有被增强,不应增强的灰度级却得到了很大增强,影响了下一步的边缘检测效果；

（2）算法在将图像由灰度数据空间转换为模糊空间及其逆变换时,采用复杂的幂函数作为模糊隶属函数,存在运算量大,耗时多的缺点；

（3） Tr变换时,将原图中相当多的低灰度值硬性置为0,损失了低灰度值边缘信息,也使边缘检测质量受到了影响；

（4） Tr变换中uc选择为0.5不能满足不同类型图像边缘检测的要求,使用该算法在对不同图像进行边缘检测时效果存在很大差异；

（5）该算法使用“Min”或“Max”算子,在边缘两侧对比度比较弱的情况下,检测出的边缘强度也相对比较弱,不便于边缘连接,特征提取与图像理解等后期处理.