文献综述
-
课题研究的意义和价值
计算机技术与图像处理技术的快速发展与广泛应用，使得基于深度信息的数字图像处理技术也随之受到相关研究人员的高度重视。图像边缘检测是图像定位、图像分割、图像识别、图像特征提取等图像分析中最基础的内容，也是图像预处理中最重要的一环。图像的边缘蕴含大量有价值的信息。图像成像过程中，因光线、投影、畸变和噪声等因素的干扰，使得检测出的边缘出现模糊、变形等等，而一些复杂的图像则需要精确的边缘。传统的边缘检测算法如：Roberts算子、Sobel算子、Prewitt算子、Log算子和Canny算子在某种程度上还不能满足要求，因此，需要寻求更好的边缘检测算子。现在寻找一种通用性好、抗噪声能力强、稳定性好的深度图像边缘检测算法一直是深度图像研究的热点与难点课题。
随之数字图像处理的深入研究，对算法的准确性要求也越来越严格，很多智能算法，如神经网络算法、遗传算法、数学形态学算法、蚁群算法、粒子群算法等便随之应用到数字图像处理技术上。各个智能算法的性能在局部确实得到改善，但是也同时使得算法的计算量增大、公式复杂化、程序运行速度减慢，为图像边缘检测技术的发展带来影响。近年来DSP、FPGA、嵌入式系统与大规模集成电路的迅猛发展，为图像边缘检测技术的研究提供了优越的开发环境。深度图像边缘检测技术在建筑工程设计、零件边缘提取、自动检测装备、物体定位检索、医学故障诊断等方面的广泛应用。
人工神经网络的自学性和自组织性能够很好的进行分类，完成传统边缘算子难以完成的边缘检测。BP神经网络（Back-Propagation Neural Network）是应用最广泛的一种。它具有良好的非线性逼近能力、结构简单、技术成熟等优点，已在图像识别、智能控制、分类、预测等方面的应用中取得了显著的成果。由于BP算法采用的是梯度下降法，因此存在收敛速度慢、易陷入局部等缺陷。
-
边缘检测技术的发展与现状
利用各种算法对图像的边缘进行处理和识别的过程即为边缘检测。图像的边缘蕴含着重要的信息，是图像信息最密集的地方，同时又是图像信息最模糊的地方，因此边缘检测是图像处理中至关重要的内容之一。
边缘检测技术作为图像处理的重要内容经历了较长的发展过程，涌现出许多新算法。传统的边缘检测算法多是增强图像的高频分量的微分算子，最早的一阶微分算子，如Robert算子，Sobel算子，Prewitt算子和Kirsch算子，是以梯度大于大于某一值就近似的认为该点是边缘点，得到的边缘点过多。不依赖方向的二阶微分算子，如拉普拉斯算子，在二阶导数的零交叉点处能检测出精准的边缘点，但它对噪声十分敏感。Mar和Hildreth提出了将拉普拉斯算子与高斯滤波结合形成Log算子，引入高斯滤波降低了噪声，但可能会平滑掉图像中比较尖锐的边缘。Canny算子也是采用高斯函数来平滑图像，抗噪声能力好，对线型边缘能精确完整的提取，检测效果优于Log算子。
20世纪40年代末诞生的人工神经网络，具有信息并行处理与自适应学习等优点，能用于图像边缘检测的研究。首先，用样本图像对神经网络进行训练，然后用训练好的网络对实际要测试的图片进行边缘检测。常采用改进后的神经网络对图像进行边缘检测，得到较理想的检测效果。经过了近半个世纪的发展 ,神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功。关于学习、联想和记忆等具有智能特点过程的机理及其模拟方面的研究正受到越来越多的重视。
-
参考文献
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
