边缘检测的最新技术与方法

边缘检测的最新技术与方法
1.基于小波与分形理论边缘检测技术
小波分析已经成为当前应用数学和工程学科快速发展的一个新领域。小波变换是时域一场域的变换，因此能更有效地提取信号局部转变的有用信息。在图像工程中，需要分析的图像台构复杂、形态各异.图像边缘的提取不仅要反映目标的总体轮廓,同时目标的细节也不能忽视这需要多尺度边缘检测，而小波变换天然具有对信号放大和平移的能力。因此，小波变换非适合于复杂的图像边缘检测。
随着小波分析理论和分形理论的广泛应用，在20世纪90年代早期关于小波理论的边缘检测方法、基于分形特征和边缘检测提取方法相继出现。基于小波理论的边缘检测方法和小波分析理论的时频分析方法具有明显的优越性,所以小波图像边缘检测可以超越传统的图像边缘检测方法，这种方法能有效地检测不同尺度下的图像边缘特征。
小波变换在时域和频域中都具有很好的局部特性，它可以将信号或图像分成交织在一起的多尺度组成成分，并且对大小不相同规模成分使用有关粗细的时间或者空域取样步长。对高频信号的细处理和对低频信号的粗处理，从而能够继续专注于对象的微小细节。边缘检测就是找出信号突变部分的准确位置，这在数学中经常表现为不连续点或者尖点。在图像信号上，一些奇异性的点就是图像的边缘点。因为真正的图像空间频率成分十分复杂，使用普通方法直接提取边缘往往并不是十分有效，而利用小波变换可以将图像进行分解，使图像成为不同频率成分图像的小波分量，然后从这些不同层次的小波特点中找到信号本身的特点，从而更有效地提取出边缘像素。尽管小波正交基用途很广泛，但是也存在着明显的不足，尤其是小波正交基的结构很复杂。在一幅图像中，图像的能量大部分集中在低频和中频部分，图像的边缘和噪声对应的是高频部分。基于小波的边缘检测原理就是利用小波函数对图像进行有效的分解，在小波变换的过程中只对图像的低频部分进行分解，并不对图像的高频部分进行分解。小波包变换不仅对图像的低频部分分解，还对高频部分进行分解。选择的小波包尺度越大，小波系数对应的空间分辨率就越低。因此，小波包分解是一个更为准确的分解方法，它可以满足不同分辨率对边缘提取的局部细节需要。特别是对含噪图像，图像边缘提取时对噪声有相当好的抑制效果。

2.基于数学形态学的边缘检测技术
数学形态学是图像处理和模式识别领域中的一门新兴科学，具有严格的数学理论基础，现在已经在图像工程中得到了广泛应用,是20世纪60年代由法国科学家Serra和德国的Matheron提出的，到20世纪70年代中期完成了理论论证,基于数学形态学的边缘检测技术的基本思想是:用具有一定形态的结构元素去度量和提取图像中的对应形状,以达到对图像分析和识别的目的。获得的图像结构信息与结构元素的尺度和形状都有关系,构造不同的结构元素便可以完成不同的图像分析。
数学形态学是分析几何形状和结构的数学方法，是建立在集合代数基础上，用集合论方法定量描述几何结构的科学。数学形态学由一组形态学的代数运算子组成，最常用的有7种基本变换，分别是膨胀、腐蚀、开、闭、击中、薄化、厚化。其中，膨胀和腐蚀是两种最基本、最重要的转换，其他的变换由这两种变换的组合来定义。这些算子以及其组合进行图像形态和结构分析处理，包括图像分割、特征提取、边缘检测等,所以不同于其他的图像处理方法(如空间域和频率域的变换法)，是一种应用于图像处理的新方法和新理论。与基于数学形态学的图像边缘检测方法和微分算子法、模板匹配法等常用的边缘检测方法相比，具有算法简便、速度快、效果好等特点。应用形态学边缘检测方法得到的图像结果，在图像边缘连续性和各向同性方面都优于传统方法。数学形态学的图像边缘检测方法对图像细节和边缘定位也有不错的效果，所检测出的边缘宽带和所使用的结构形状都有密切相关。当元素的结构尺度增大时，检测出来的边缘宽带也会随之增加。因此，合理地调节元素结构尺寸，将可以有效地去除噪声并能很好地对细节进行保护。目前二进制形态方法的应用越来越成熟，灰度和彩色形态学在边缘检测中应用逐渐引起人们的关注并且有逐渐成熟的趋势。
3.基于模糊学的边缘检测技术
模糊综合评判理论成立于1965年，是由美国加州大学柏克莱分校的模糊电气工程教授 zadeh在模糊焦合理论的基础上提出的一种新理论。这种理论的特点是不会对事物做简单的肯定或者否定的判断，只是用来反映某一个事物属于某一个范畴的程度。在成像系统中，视觉造成图像本身的模糊性，再加上边缘区分的模糊性，使人们在处理图像的时候会很自然地想起模糊理论的作用。其中，比较有代表性的就是外国学者Pal和King提出的模糊边缘检测算法，其核心思想是:利用模糊增强技术增加不同区城的对比度，从而提取出很强的模糊边缘。基于模糊理论的边缘检测的优势是它的数学基础,缺点是计算要涉及变换和矩阵来求逆等较为复杂的操作，另外在增加对比的时候也增加了噪声。
在图像处理的过程中，实际上是图像灰度矩阵的处理过程。图像像素灰度值是一些准确的值，图像模糊化就是将图像灰度值转换到模糊集中，用模糊值代表图像的明暗程度。模糊梯度的方法是在图像灰度的基础上产生的。利用模糊理论来反映图像灰度梯度变化的不确定性，并根据像素的灰度来确定边缘的位置，这样就可以使边缘检测更为准确。由于它的算法比较困难，因此实现很困难。

4.基于神经网络的边缘检测技术
人工神经网络广泛应用于模式识别、信号与图像处理、人工智能和自动控制等方面。经网络的主要问题就是输入和输出层设计的问题、网络数据的准备问题、网络权值的确定问题、隐藏层和节点的问题以及网络的训练问题。图像边缘检测的本质是模式识别问题，神经网络能够很好地解决模式识别问题。因此，用样本图像对神经网络进行训练，将训练后的网络再次器量图像的边缘。在网络训练的过程中，所提取的特征需要考虑噪声点以及实际过程中的差别，与此同时去除噪声点，也会形成虚假边缘。所以，这种方法具有很强的抗噪性能。在学习算法的设计过程中，传统的对图像进行混合结构训练对神经网络的性能具有非常重要的影响。利用神经网络的方法得到的边缘图像边界连续性比较好、边界封闭性也比较好，并且对于任何灰度图检测都能得到良好的效果。
5.基于遗传算法的边缘检测技术
遗传算法是一种基于自然选择和遗传原理的有效搜索方法，许多领域都成功地应用遗传算法来得到满意的答案。虽然Gas(Genetical gorithms)通常是在并行计算机上实现的，随着大规模并行计算机的普及，这也为Gas在物质方面奠定了基础。对图像边缘的提取，使用二阶边缘检测算子处理后要进行过零点的检测。这个计算量很大,硬件实时资源占用空间大且缓慢。通过遗传算法边缘提取阈值的自动选择，可以显著提高阈值的选取速度，这也可以对视觉系统所产生的边缘图像进行阈值的自动选择，这样就可以提高整个视觉系统的实时性。