图像边缘检测技术综述
第 42 卷增刊 1 中南大学学报(自然科学版) V ol.42 Suppl. 1 2011 年 9 月 Journal of Central South University (Science and Technology) Sep. 2011
图像边缘检测技术综述
王敏杰 1 ，杨唐文 1, 3 ，韩建达 2 ，秦勇 3
(1. 北京交通大学 信息科学研究所，北京，100044；
2. 中国科学院沈阳自动化研究所 机器人学国家重点实验室，辽宁 沈阳，110016；
3. 北京交通大学 轨道交通控制与安全国家重点实验室，北京，100044)
摘要：边缘检测是图像处理与分析中最基础的内容之一。首先介绍了几种经典的边缘检测方法，并对其性能进行 比较分析；然后，综述了近几年来出现的一些新的边缘检测方法；最后，对边缘检测技术的发展趋势进行了展望。
关键词：数字图像；边缘检测；综述
中图分类号：TP391.4 文献标志码：A 文章编号：1672?7207(2011)S1?0811?06
Review on image edge detection technologies
W ANG Min-jie 1 , Y ANG Tang-wen 1,3 , HAN Jian-da 2 ,QIN Y ong 3
(1.Institute of Information Science，Beijing Jiaotong University, Beijing 100044, China?
2.State Key Laboratory of Robotics, Shenyang Institute of Automation,
Chinese Academic of Science,Shenyang 110016, China?
3.State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China)
Abstract: Edge detection is one of the most fundamental topics in the research area of image processing and analysis.
First, several classical edge detection methods were introduced, and the performance of these methods was compared? then, several edge detection methods developed in the latest years were reviewed? finally, the trend of the research of the image edge detection in the future was discussed.
Key words:digital image?edge detection?review
图像是人们从客观世界获取信息的重要来源 [1?2] 。 图像信息最主要来自其边缘和轮廓。所谓边缘是指其 周围像素灰度急剧变化的那些象素的集合，它是图像 最基本的特征。边缘存在于目标、背景和区域之 间 [3?4] ，它是图像分割所依赖的最重要的依据。边缘检 测 [5?8] 是图像处理和计算机视觉中的基本问题， 图像边 缘检测是图像处理中的一个重要内容和步骤，是图像 分割、目标识别等众多图像处理的必要基础 [9?10] 。因 此，研究图像边缘检测算法具有极其重要的意义。
边缘检测是计算机视觉和图像处理领域的一项基 本内容。准确、高效地提取出边缘信息一直是该领域 研究的重点内容 [11] 。最初的经典算法可分为边缘算子 法、曲面拟合法、模板匹配法、门限化法等。近年来， 随着数学理论和人工智能的发展，又出现了一些新的 边缘检测的算法 [12?13] ，如基于数学形态学的边缘检 测 [14] 、小波变换和小波包变换的边缘检测法 [15] 、基于 模糊理论的边缘检测法 [16?17] 、基于神经网络的边缘检 测法 [18] 、基于分形几何的边缘检测算法 [19] 、基于遗传 算法的边缘检测法 [20?21] 、漫射边缘的检测方法 [22] 、多 尺度边缘检测技术 [23] 、亚像素边缘的定位技术 [24] 、
收稿日期：2011?04?15；修回日期：2011?06?15
基金项目：轨道交通控制与安全国家重点实验室开放基金资助项目(RCS2010K02)；机器人学国家重点实验室开放基金资助项目(RLO200801)；北 京交通大学基本科研业务费资助项目(2011JBM019)
通信作者：王敏杰(1988－)， 女， 黑龙江五常人， 硕士研究生， 从事图像处理和计算机视觉研究； 电话： 010-51468132； E-mail: wangminjie1118@https://www.360docs.net/doc/4119060965.html,
中南大学学报(自然科学版) 第 42 卷 812
FCM聚类的边缘检测算法 [25?26] 等。
1 经典的边缘检测算法
1.1 微分算子法
微分算子主要是根据灰度边缘处的一阶导数有极 值、二阶导数过零点的原理来检测边缘。常见的边缘 检测算子有Roberts算子、Sobel算子、Prewitt算子、 Krisch 算子、Laplacian算子等。许多文献提出了对经 典算子的各种改进方法。文献[27?30]提出了 Facet 模 型和基于2-D Facet模型的像素边缘检测算法。
1.2 最优算子法
LoG 算子又称为拉普拉斯高斯算法，它应用 Gaussian 函数先对图像进行平滑处理，然后采用拉氏 算子根据二阶导数过零点来检测边缘。Canny 算子的 实质是利用高斯函数的一阶微分，并用非极大抑制和 “磁滞”阈值法来定位导数最大值。它是一种比较实用 的边缘检测算子，能在噪声抑制和边缘检测之间取得 较好的平衡，具有很好的边缘检测性能 [31?32] 。
2 经典边缘检测算子性能分析
图像边缘检测 [33] 的目的就是要检测出符合边缘 特性的边缘像素。传统的边缘检测算法是利用梯度最 大值或二阶导数过零点值来获取图像边缘的。这些算 法尽管实时性较好，但抗干扰性差，不能有效克服噪 声影响，定位方面欠佳。在提取图像边缘时，通常会 遇到 2 个问题：一是图像降噪后边缘变得模糊，二是 无法在多尺度下对图像边缘进行提取。这 2 个问题严 重影响图像的提取。目前，边缘检测仍然是经典技术 难题之一，是计算机视觉中的一个瓶颈问题 [34] 。
3 边缘检测技术新发展
3.1 基于数学形态学的边缘检测
数学形态学边缘检测方法对图像细节和边缘定位 有相当好的效果 [35] ，所检测出的边缘宽度与所使用的 结构元素形状和大小密切相关， 当结构元素的尺寸(刻 度数)增大时，检出的边缘宽度将随之增大。
目前，比较成熟的基于数学形态学的边缘检测方 法 [36] 有：基于多尺度形态学的边缘检测，基于数学形 态学多极平均的图像边缘检测，基于偏微分方程的形 态学的边缘检测，基于均衡化和数学形态学的组合边 缘检测，基于坐标逻辑的多结构元图像边缘检测方法 等。
3.2 基于小波和小波包变换的边缘检测算法
小波分析 [37?38] 是当前应用数学和工程中的一个 迅速发展的领域。小波变换就是时域?频域的局部变 换。小波变换 [39] 具有天然的多尺度特征，通过伸缩平 移运算对信号进行细化分析， 能达到高频处时间细分、 低频处频率细分。所以，小波变换更适合复杂图像的 边缘检测。
小波包的边缘检测原理 [40] 利用了小波函数对图 像的分解作用。小波包变换不仅对图像的低频子带进 行分解，还对图像的高频子带进行分解，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，小波包分解是一种更为精细的分解方法，可以在 不同分辨率下对局部细节进行边缘提取工作，尤其对 于含噪图像，在提取图像边缘时对噪声的抑制效果更 好 [41?42] 。
3.3 基于模糊理论的边缘检测算法
模糊理论由美国柏克莱加州大学电气工程系教授 zadeh 在模糊焦合理论的基础上提出的 [43] ，其特点是 不对事物进行简单的肯定和否定，而是用隶属度来反 映某一事物属于某一范畴的程度。其中较有代表性的 为Pal和King提出的模糊边缘检测算法 [44] 。
利用模糊理论 [45?47] 进行边缘检测时，首先把一幅 图像看作一个模糊集，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 映射为一个模糊特征矩阵，这样待处理图像就映射成 了模糊隶属度矩阵。接着，Pal和 King又在模糊空间 中对图像进行模糊增强处理。模糊增强 [48?49] 的过程是 降低图像的模糊性，经过模糊增强后，图像的各区域 之间层次比较清楚，而且边缘两侧的灰度对比增强， 其提取的边缘信息也会更加精细。最后，利用G-1变 换将增强后的图像重新变回数据空间，用“min”或 “max”算子提取边缘。
3.4 基于神经网络的边缘检测算法
神经网络的主要问题 [50] 是输入与输出层的设计 问题、网络数据的准备问题、网络权值的准备及确定 问题、隐层数及结点的问题、网络的训练问题。神经 网络的图像边缘检测方法为 [51] ：首先基于邻域灰度极 值提取边界候选图像；然后，以边界候选象素及其邻 域象素的二值模式作为样本集，输入边缘检测神经网 络进行训练。边缘检测神经网络采用 BP 网络，为加 快网络的训练速度，采用了滚动训练和权值随机扰动 的方法。实验表明：该方法提高了神经网络的学习效
增刊 1 王敏杰，等：图像边缘检测技术综述 813
率，获得的边缘图像封闭性好，边缘描述真实。
3.5 基于分形几何的边缘检测算法
分形理论主要用来描述复杂事物在几何方面的整 体与局部不同尺度下的自相似性，为图像几何特征的 描述开辟了一个新途径。常用于目标检测的分形特征 是：分形维数、分形拟合误差、多尺度分形、几何度 量空间变化率。 基于分形特征的目标检测基本思路是： 基于特定的分形模型计算出图像的分形特征图，根据 得到的分形特征图，运用一定的策略得到目标区域或 边缘。这些方法虽然能够提取目标，但在复杂的背景 下，由于背景的干扰，在得到的分形特征图中，目标 与背景的对比度不明显，给目标的提取带来困难。将 分形维数与几何度量空间变化率进行D-S融合处理， 通过决策理论进行图像边缘像素分类，能有效地提取 目标边缘，改善了目标检测性能。
3.6 基于遗传算法的边缘检测方法
遗传算法 GAs 是一类基于自然选择和遗传学原 理的有效搜索方法。遗传算法采用二阶的边缘检测算 子处理后要进行过零点检测，其计算量很大，而且硬 件实时资源占用空间大且速度慢，所以，提出了一种 二次搜索寻优的阈值选取策略。通过遗传算法进行边 缘提取阈值的自动选取，能够显著地提高阈值选取的 速度，可以对视觉系统所产生的边缘图像进行阈值的 实时自动选取，增强了整个视觉系统的实时性。
3.7 漫射边缘的检测方法
在图像摄取、传输及处理过程中，有很多因素会 使图像变模糊。在实际应用中，很多图像目标的边缘 通常具有一定斜率的斜坡形式，图像中的这种边缘称 为漫射边缘。
漫射边缘检测的具体步骤有：(1)针对混合噪声图 像增强中抑制噪声和保持边缘细节的矛盾，可以采用 基于多级中值滤波和模糊加权均值滤波的图像模糊去 噪；(2)针对形态边缘减宽增强算法的不足，采用自适 应模糊边缘减宽增强算法；(3)用梯度算子计算边缘梯 度；(4)非极大值抑制，磁滞阈值提取边缘。
3.8 多尺度边缘检测技术
Contourlet 变换是用类似于轮廓段的基结构来逼 近图像 [16] 。在算法中，Contourlet变换具有多分辨率、 局部定位性、多方向、各向异性的特点。在基于 Contourlet 变换的带噪图像自适应阈值去噪的方法能 够更有效地在去除噪声的基础上 [52?53] ，保留图像的细 节和纹理，具有更好的视觉效果和较优的SNR。
基于拉普拉斯金字塔(LP)分解的多尺度边缘检测 方法 [54] ，是一种无方向的边缘检测算法。该方法利用 改进的拉普拉斯金字塔分解捕获各个尺度下边缘的奇 异性，获得多尺度带通图像，由分析得出此分解方法 得到的带通图像在阶跃边缘点处表现为零交叉点，边 缘定位因此更加准确。 通过构造统计量提取零交叉点， 能去除虚假边缘。再根据任务需要选择合适的尺度， 经过多尺度边缘融合算法，得到的图像边缘在有效抑 制噪声的同时，能够保留更多的图像细节。
3.9 亚像素边缘定位技术
从 20 世纪 70 年代开始，有不少研究者提出了各 种各样的有效的亚像素边缘定位算法。Hueckel， Tabatabai，Mitchell，Lyvers，Jensen，Kisworo等对亚 像素边缘定位技术做出了很多贡献。
图像亚像素定位技术是利用目标特性从图像中分 析计算出最符合此特征的目标位置的方法。把亚像素 边缘定位技术用于实际图像，能更加准确地定位目标 的边缘轮廓。针对一维和二维亚像素定位阶跃边缘模 型，提出了一种基于Legendre矩的亚像素边缘定位方 法。通过数学推导，得到了基于Legendre矩的一、二 维亚像素边缘定位的参数表达式。并针对二级灰度边 缘模型不能很好地描述真实图像边缘的问题，用三级 灰度边缘模型在得到的定位参数的基础上推导出一、 二维亚像素边缘定位的原理误差。
3.10 FCM聚类的边缘检测算法
基于多特征和 FCM 的图像边缘检测方法定义了 多种边缘特征来替代原来单一的导数特征。然后，求 出输入图像中所有像素点的多特征矢量，组成一个数 据集。最后，利用 FCM 聚类算法将该数据集分为两 类，即边缘点数据和非边缘点数据，达到边缘检测的 目的 [55] 。
标准 FCM 算法具有局限性，即在类间数据量相 差很大的情况下，极易将数据量大的那一类中的样本 划分到其他类中去。而一幅图像中边缘点数据往往远 远少于非边缘点数据，因此，用标准 FCM 进行边缘 检测有时出现错检的情况。利用加权 FCM 算法代替 标准 FCM 对特征矢量数据集进行分类，有效地克服 了上述问题，可以取得较好的图像边缘检测效果。
4 总结
图像处理技术已日趋成熟，在很多领域的应用取 得了成功和经济效益。边缘检测是图像处理中的最基 本却又困难的一个问题，尽管目前有许多检测方法， 但它们都不具有绝对优势。一个好的边缘检测方法一 方面要求能够检测出有效的边缘，另一方面要求其抗 噪能力强，而且期望其计算量要尽可能小。如何调节
中南大学学报(自然科学版) 第 42 卷 814
边缘检测中遇到的各种矛盾是图像处理与分析中研究 的主要问题，也是今后进一步要做的工作。
参考文献：
[1] 阮秋琦. 数字图像处理学[M]. 北京: 电子工业出版社, 2008.
RUAN Qiu-qi. Digital image processing[M]. Beijing: Publishing
House of Electronics Industry, 2008.
[2] 段瑞玲, 李庆祥, 李玉和. 图像边缘检测方法研究综述[J]. 光
学技术, 2005,31(3):415?419.
DUAN Rui-ling, LI Qing-xiang, LI Yu-he. Summary of image
edge detection[J]. Optical Technique, 2005, 31(3): 415?419. [3] Roberts L G. Machine perception of three-dimension soild[C]//
Optical and Electro-Optimal Information Processing. Cambridge, MA: MIT Press, 1965:159?197.
[4] Sobel L. Camera models and machine perception[D]. Stanford:
Stanford University, CA,1970.
[5] Marr D, Hildreth E C. Theory of edge detection[J]. Proceeding
of Royal Soc, 1980,207:187?217.
[6] Prewitt J. Object enhancement and extraction[C]//Pictrue
Proeess and Psychopictoric Press. New York,1970:75?149. [7] Davis L S. A survey of edge detection techniques[J]. CGIP,1975,
4:248?270.
[8] Nalwa V S, Binford T O. On detecting edges[C]//IEEE Trans
Pattern Anal Mach Intell PAMI-8.1986:699?714.
[9] Salvucci D D. Inferring driver intent: A case study in lane-
change detection[C]//Pro Human Factors Ergonomics Society
48th Annu Meeting. New Orleans, LA, 2004:2228?2231. [10] Tsai L W, Hsieh J W, Chuang C H, et al. Lane detection using
directional random walks[C]//IEEE Intelligent Vehicles
Symposium.2008.
[11] Lee L W, Cho J S. Effective lane detection and tracking method
using statistical modeling of color and lane edge-orientation[C]//
International Conference on Computer Sciences and
Convergence Information Technology. 2009:1586?1591. [12] HE Chun, LU Jun, HAN Jun-wei. Image edge detection method
based on the direction feature of fuzzy entropy[J]. ICNC, 2010,
10: 3581?3584.
[13] Nedevschi S, Schmidt R, Graf T, et al. 3D lane detection system
based on stereovision[C]//Proc IEEE Intelligent Transportation
Systems Conf. Washington D.C.,2004:161?166.
[14] 张伟伟, 刘学锋. 基于数学形态学的图像边缘检测研究[J].
计算机与数字工程,2006(9):59?60.
ZHANG Wei-wei, LIU Xue-feng. Research of image edge
detection based on mathematics morphology[J]. Computer &
Digital Engineering,2006(9): 59?60.
[15] 陈武凡. 小波分析及其在图像处理中的应用[M]. 北京: 科学
出版社, 2002.
CHEN Wu-fan. Wavelet analysis and its application in image processing[M]. Beijing: Science Press, 2002.
[16] 孙伟, 夏良正, 潘泓. 一种基于模糊划分的边缘检测算法[J].
中国图像图形学报,2004,9(1):18?22.
SUN Wei, XIA Liang-zheng, PAN Hong. An edge detection algorithm based on fuzzy partition[J]. China Journal of Image and Graphics, 2004, 9(1):18?22.
[17] Pal S K, King R A. On edge detection of X-ray images using
fuzzy sets[J]. IEEE Trans on Patt Anal and Machine Intell, 1983, 5(1):69?77.
[18] 冯会真, 夏哲雷, 林志一. 基于神经网络的图像边缘检测方
法[J]. 中国计量学院学报, 2006,17(4):289?291.
FENG Hui-zhen, XIA Zhe-lei, LIN Zhi. Image edge detection based on neural network method[J]. Journal of China Jiliang University,2006,17(4):289?291.
[19] 吴志强, 吴乐华, 袁宝峰, 等. 基于分形特征融合的目标边缘
检测算法[J]. 光电与控制, 2010,17(1):16?18.
WU Zhi-qiang, WU Le-hua, YUAN Bao-feng, et al. Based on fractal feature fusion target edge detection algorithm[J].
Photoelectric and Control,2010, 17 (11):16?18.
[20] 贾东立. 基于遗传算法的图像边缘检测研究[D]. 成都: 西南
交通大学,2005.
JIA Tong. Based on genetic algorithm for image edge detection
[D].Chengdu:Southwest Jiaotong University, 2005.
[21] 屈小川. 自动视觉检测中基于遗传算法的新的边缘检测技术
[J]. 测绘科技情报, 2010.
QU Xiao-chuan. Automatic vision inspection based on genetic algorithm a new edge detection technology[J]. Science and Technology of Surveying and Mapping Information, 2010. [22] 林欣堂, 刘涛, 王宗义. 一种新的漫射边缘亚像素检测算法
[J]. 传感技术学报, 2010,23(7):973?977.
LIN Xin-tang, LIU Tao, WANG Zong-yi. A new diffuse sub pixel edge detection algorithm[J]. Chinese Journal of Sensors and Actuators, 2010, 23(7):1004?1699.
[23] MA Shun-feng, ZHEGN Geng-feng, LIU Long-xu, et al.
Directional multiscale edge detection using the contourlet transform[J]. IEEE International Conference Modern Electronic Technology,2010:58?62.
[24] 董鸿燕. 边缘检测的若干技术研究[D]. 长沙: 市国防科学技
术大学, 2008.
DONG Hong-yan. Research on some techniques in edge detection[D]. Changsha: The National Defense Science and Technology University,2008.
[25] 商锋, 王保平, 冯晓毅. 一种新的图像边缘检测方法[J]. 微计
算机信息,2009,25(8):1295?1299.
SHANG Feng, WANG Bao-ping, FENG Xiao-yi. A new image
增刊 1 王敏杰，等：图像边缘检测技术综述 815
edge detection method[J]. The Micro Computer Information, 2009, 25(8):248?250.
[26] 张麟兮, 王保平, 张艳宁, 等. 基于多特征和FCM 的边缘检
测方法[J]. 光子学报,2005, 34(12): 1893?1896.
ZHANG Lin-xi, WANG Bao-ping, ZHANG Yan-ning, et al.
Based on multiple features and FCM edge detection method[J].
Acta Photonica Sinica,2005, 34(12): 1893?1896.
[27] LIANG Ling-fei, PING Zi-liang. An edge detection algorithm of
image based on empirical mode decomposition[C]//IEEE Conferences.2008:128?132.
[28] 王凯, 张定华, 黄鹤龄, 等. 基于3-D Facet模型的亚体素边缘
检测算法研究[J]. 机械科学与技术, 2005,24(7): 865?868.
WANG Kai, ZHANG Ding-hua, HUANG He-ling, et al. Based on 3-D Facet model subvoxel edge detection algorithm[J].
Mechanical Science and Technology, 2005, 24(7):865?868. [29] 高勇钢. 一种改进Roberts算子边缘检测[J]. 巢湖学院学报,
2009,6(12):31?32.
GAO Yong-gang. An improved Roberts operator edge detection [J].Journal of Chaohu College, 2009, 6(12):31?32.
[30] 赵海燕. 利用改进的Prewitt边缘算子进行车牌定位[J]. 长春
理工大学学报, 2005,28(1):50?52.
ZHAO Hai-yan. Using the improved Prewitt edge operator license plate location[J]. Journal of Changchun University of Science and Technology, 2005, 28(1): 50?52.
[31] Sim K S, Eng J T, Tso C P, et al. Canny optimization
colorization method for medical images[C]//Proc Int Conf Robotics, Vision, Information, and Signal Processing. 2007: 559?563.
[32] 李红, 胡方明, 初秀琴. 一种改进的Canny边缘检测算法[J].
微计算机信息, 2008,12(3):298?299.
LI Hong, HU Fang-ming, CHU Xiu-qin. The early show piano: An improved Canny algorithm for edge detection [J]. Micro Computer Information, 2008, 12(3):298?299.
[33] Krisch R A. Computer determination of the constituent structure
of biological imges[J]. Computers and Biomedical Research, 1971,18(l):113?125.
[34] Awad A S, Man H. High performance detection filter for
impulse noise removal in images[J]. IEEE Electronic Letter, 2008, 44(3):192?194.
[35] 崔屹. 图像处理与分析—数学形态学方法及应用[M].北京:
科学出版社,2000.
CUI Yi. Image processing and analysis mathematical morphology method and application[M]. Beijing: Science Press, 2000.
[36] 陶洪久, 柳健, 田金文. 基于小波变换和数学形态学的遥感
图像边缘检测[J]. 红外与激光工程,2002,31(2),154?157.
TAO Hong-jiu, LIU Jian, TIAN Jin-wen. Based on wavelet
transform and mathematical morphology edge detection for remote sensing image[J]. Infrared and Laser Engineering, 2002, 31(2):154?157.
[37] 解梅, 马争, 顾德仁. 一种改进的基于小波变换图像边缘检
测算法[J]. 系统工程与电子技术, 1998(10):67?70.
XIE Mei, MA Zheng, GU De-ren. An improved algorithm of image edge detection based on wavelet transform[J]. System Engineering and Electronics, 1998(10):67?70.
[38] 陈武凡. 小波分析及其在图像处理中应用[M]. 北京:科学出
版社,2002.
CHEN Wu-fan. Wavelet analysis and its application in image processing[M]. Beijing: Science Press, 2002.
[39] 蒋定定, 孙所义, 李开端. 基于小波变换的红外图像边缘提
取研究[J]. 红外技术,2003,25(6):31?33.
JIANG Ding-ding, SUN Suo-yi, LI Kai-duan. Based on wavelet transform infrared image edge extraction[J]. Infrared Technology,2003, 25(6):31?33.
[40] 谭毅华, 田金文, 柳健. 基于小波局部统计特性的图像去噪
方法[J]. 信号处理, 2005,21(3): 296?311.
TAN Yi-hua, TIAN Jin-wen, LIU Jian. The local statistical characteristics based on wavelet image denoising method [J].
Signal Processing, 2005, 21(3):296?311.
[41] 李宏贵, 李兴国, 罗正发. 基于小波变换的红外图像多尺度
边缘检测[J]. 红外技术,1998,20(6):36?41.
LI Hong-gui, LI Xing-guo, LUO Zheng-fa. The infrared image based on wavelet transform multiscale edge detection[J].
Infrared Technology, 1998, 20(6):36?41.
[42] Avijit Sur Nilanjan Patra. A new wavelet based edge detection
technique for Iris imagery[J].IEEE IACC, 2009:120?124. [43] 王建勇, 周晓光, 廖启征. 一种基于中值模糊技术的混合噪
声滤波器[J]. 电子与信息学报,2006,28(5):901?904.
WANG Jian-yong, ZHOU Xiao-guang, LIAO Qi-zheng. A method based on median fuzzy technology for mixed noise filter[J]. Journal of Electronics &Information Technology, 2006, 28(5):901?904.
[44] McCall J, Wipf D, Trivedi M M, et al. Lane change intent
analysis using robust operators and sparse Bayesian learning[C]//Proc IEEE Int Workshop Machine Vision Intelligent Vehicles/IEEE Int Conf Computer Vision and Pattern Recognition. San Diego, CA, 2005:59?66.
[45] Kuo Y H, Lee C S, Liu C C. A new fuzzy edge detection method
for image enhancement[C]//IEEE International Conference on Fuzzy Systems. Barcelona, Spain,1997:1069?1074.
[46] GUO Yu-tang, Lü Wan-li, LUO Bin. Edge detection method
based on fuzzy entropy and structural features[J]. Journal of South China University of Technology: Natural Science Edition, 2008,36(5):89?94.
中南大学学报(自然科学版) 第 42 卷 816
[47] WANG Bao-ping, LIU Sheng-hu, ZHANG Jia-tian. A menthod
of edge detection based on fuzzy entropy and FKCN[J]. Chinese Journal of Computers,2006,29(4):664?669.
[48] 饶娟. 基于模糊增强的图像边缘检测的研究[J]. 甘肃联合大
学学报: 自然科学版,2006,20(3):29?31.
RAO Juan. The image edge detection based on fuzzy enhancement research[J]. Journal of Gansu Union University: Natural Science Edition, 2006, 20(3):29?31.
[49] Wu J, Yin Z, Xiong Y. The fast multilevel fuzzy edge detection
of blurry images[J]. IEEE Signal Processing Letters, 2007, 4(5): 344?347.
[50] Spreevwers L J. A neural network edge detector[J]. Nonlinear
Image Processing II,1991,45:204?215.
[51] Damak A, Krid M, Masmoud D S. Neural network based edge
detection with pulse mode operations and floating point format precision[C]//International Conference on Design & Technology of Integrated Systems.Nanoscale Era,2008:1?5.
[52] Do M N, Vetterli M. The contourlet transform: An efficient
directional multiresolution image representation[J]. IEEE Trans Image Processing, 2005: 1?16.
[53] 董鸿燕. 基于Contourlet变换的自适应图像去噪方法[J]. 红外
技术,2006,28(9):552?556.
DONG Hong-yan. Contourlet transform based adaptive image denoising method[J]. The Infrared Technology, 2006, 28(9): 552?556.
[54] 董鸿燕. 基于拉普拉斯金字塔分解的多尺度边缘检测[J]. 光
电工程, 2007,34(7):135?140.
DONG Hong-yan. Laplase pyramid decomposition based on the multiscale edge detection[J]. Opto-Electronic Engineering, 2007, 34(7):135?140.
[55] 商锋, 王保平, 冯晓毅. 一种新的图像边缘检测方法[J]. 微计
算机信息,2009,25(8):248?250.
SHANG Feng, WANG Bao-ping, FENG Xiao-yi. A new image edge detection method[J]. The Micro Computer Information, 2009, 25(8):248?250.
(编辑 袁赛前)
微生物检测技术在食品检测中的应用研究进展 文献综述
微生物检测技术在食品检测中的应用研究进展 摘要：食品问题关系国计民生，食品的安全越来越受到人们关注。在食品工业迅速发展的今天，建立食品微生物快速检测方法，对食品质量进行检测、监控尤为重要。近几年各国的许多机构和学者都很重视食品微生物检测技术和方法的研究，本文对此进行了详细的介绍。 关键词：检测技术微生物食品安全 Progress of the research on the application of Microbial Detection Technology in food testing Abstract:Food is the people's livelihood. Food safety has received more and more attention. At present, the food industry is developing rapidly. Therefore, developing an rapid testing method of Microorganism in the food is especially important in detection and monitoring of food quality. In recente years, many institutes and researchers from different country attach great importance to the research of food microbiological testing techniques and methods. This article will give a detailed introduction to this below. Key words:the testing techniques Microorganism food safety 1前言 随着时代的不断发展，人们生活水平不断提高，食品安全问题也越来越受到人们的关注，近几年来，三聚氰氨、苏丹红、漂白剂等等一系列的食品安全问题使人们对食品产生了强烈的不信任感，因此，食品微生物检测技术的应用也越来越广泛，同时，食源性微生物的检测技术也趋向迅捷、准确、大通量的方向发展。以往的食品微生物检测技术已经无法应对现代的食品安全问题，检测速度缓慢、检测精度不精确，因此，应当采取新的食品微生物检测技术，现代的检测技术包括色谱法与荧光分析法、阻抗法、放射测量法、ELISA法和生物传感器法，结合我国实际情况，在建立标准的食源性微生物检测方法，推广标准化、检测技术的应用等方面还要很多工作要做[1]。 2 食品微生物检验的内容和特点 2.1 食品的污染程度指示菌的检验 （1）细菌总数：又称菌落数，是判断食物和应用水污染的主要指标。这是一种可以为卫生学检验评价提供依据的方法。 （2）大肠杆菌：这种细菌主要是来自人们本身的粪便，所以对大肠杆菌的数量来检验食物或饮
碰撞检测
二维碰撞检测算法 碰撞检测（Collision Detection,CD）也称为干涉检测或者接触检测，用来检测不同对象之间是否发生了碰撞，它是计算机动画、系统仿真、计算机图形学、计算几何、机器人学、CAD\ CAM等研究领域的经典问题。 碰撞物体可以分为两类：面模型和体模型。面模型是采用边界来表示物体，而体模型则是使用体元表示物体。面模型又可根据碰撞后物体是否发生形变分为刚体和软体，刚体本身又可根据生成方式的不同分为曲面模型和非曲面模型。目前对于碰撞的研究多集中于面模型的研究，因为体模型是一种三维描述方式，对它进行碰撞检测代价较高。而在面模型的研究中，对刚体的研究技术更为成熟。 下面列举几种常用的碰撞检测技术： 1：包围盒（bounding box）是由Clark提出的，基本思想是使用简单的几何形体包围虚拟场景中复杂的几何物体，当对两个物体进行碰撞检测时，首先检查两个物体最外层的包围盒是否相交，若不相交，则说明两个物体没有发生碰撞，否则再对两个物体进行检测。基于这个原理，包围盒适合对远距离物体的碰撞检测，若距离很近，其物体之间的包围盒很容易相交，会产生大量的二次检测，这样就增大了计算量。 包围盒的类型主要有AABB(Aligned Axis Bounding Box)沿坐标轴的包围盒、包围球、OBB(Oriented Bounding Box)方向包围盒和k-DOP(k Discrete Orientation Polytopes)离散方向多面体等。 AABB是包含几何对象且各边平行于坐标轴的最小六面体，两个AABB包围盒相交当且仅当它们三个坐标轴上的投影均重叠，只要存在一个方向上的投影不重叠，那么它们就不相交。AABB间的相交测试和包围体的更新速度比其他算法
基于单目视觉的路面车辆检测及跟踪方法综述
第24卷 第12期2007年12月 公 路 交 通 科 技 Journal of Highway and Transportation Research and Development Vol 24 No 12 Dec 2007 文章编号:1002 0268(2007)12 0127 05 收稿日期:2006 08 01 基金项目:江苏省科技计划高技术研究项目(BG2005008) 作者简介:胡铟(1973-),男,江西南昌人,博士研究生,研究方向为计算机视觉、目标检测及跟踪 (huyinyx@163 com) 基于单目视觉的路面车辆 检测及跟踪方法综述 胡 铟,杨静宇 (南京理工大学,江苏 南京 210094) 摘要:首先介绍了车辆检测算法的3种基本组成部分:检测、验证、跟踪,然后根据算法的组成重点介绍了车辆检测以及跟踪的几种主要算法。车辆检测算法包括基于特征的方法、基于光流场的方法和基于模型的方法,车辆跟踪算法包括基于区域相关的方法、基于活动轮廓的方法、基于特征的方法和MeanShift 快速跟踪算法。根据试验结果对各种车辆检测和跟踪方法的优点、缺点以及实际应用中不同情况下适用范围的局限性进行了综合分析。最后在结论部分总结展望了文中介绍的几种车辆检测和跟踪方法的应用前景,并提出了在实际应用时的一些建议和将来的主要研究和发展方向。 关键词:智能运输系统;车辆检测;单目视觉;跟踪中图分类号:TP391 4 文献标识码:A Veh icle D etection and Tracking Based on Monocu lar Vision HU Yin,YANG Jing yu (Nanjing Universi ty of Science &Technology,Jiangsu Nanjing 210094,China) Abstract :First,the three component of the vehicle detection algori thm including detection, verification and tracking are discussed Then,the algorithm of detection and tracking are discussed with emphasis on composition The vehicle detection algorithm includes feature based,op tical flow based and model based method The vehicle tracking al gorithm includes region correlation based,active contours based,feature based and mean shift based method The meri t and di sadvantage of these algori th ms is discussed accordin g to the result of experimentation Finally,some suggestions for fu ture research and application are presented Key words :Intelligent Transport Systems;vehicle detection;monocular visi on;trackin g 0 引言 近年来随着计算机视觉技术的发展,计算机视觉 在智能交通系统中得到了广泛的应用,如交通事件及流量的监测 [1] 、路面病害检测以及智能车辆的自动导 航等。作为智能交通系统的一个方面,智能车辆利用检测和智能算法去理解车辆的即时环境,并且提示驾驶员部分或完全控制车辆的行驶。 智能车辆的应用领域可以分为: (1)为驾驶员提供建议或警告(碰撞报警)。(2)部分的控制车辆,可以是持续的驾驶辅助, 如行道线的维持,或者是紧急事件的干预,碰撞的紧急避免措施。 (3)完全的控制车辆(自动驾驶系统)。 在过去的几年中,为了研究改良安全性和防止事故的新技术,许多国家和国际间的项目开始启动。车辆事故的统计数据揭示出其他车辆是驾驶员面临的主要威胁。因此研究对驾驶员发出关于行驶环境和可能与其他车辆碰撞的警告辅助系统受到更多的关注。 利用光学传感器的车辆检测是一个极富挑战性的任务,具体说有如下需要解决的难点问题: (1)车型多样:各种形状,大小,颜色;
图像的阈值分割及边缘检测技术
数字图像处理实验报告 题目：图像的阈值分割及边缘检测技术 班级： 姓名： 学号：
图像的阈值分割及边缘检测技术 一、实验目的 1、了解图像的分割技术，掌握图像的全局阈值分割技术并通过MATLAB实现； 2、了解图像的边缘检测，掌握梯度算子图像边缘检测方法。 二、实验内容 1、基于直方图的全局阈值图像分割方法； 2、Edge命令（roberts,perwitt,sobel,log,canny），实现边缘检测。 三、实验原理 1、全局阈值是最简单的图像分割方法。其中，直方图法的原理如下：想做出图 像的直方图，若其直方图呈双峰且有明显的谷底，则可以讲谷底点所对应的灰度值作为阈值T，然后根据该阈值进行分割，九可以讲目标从图像中分割出来。这种方法是用于目标和背景的灰度差较大且直方图有明显谷底的情况。 2、用于边缘检测的梯度算子主要有Roberts算子、Prewitt算子、Sobel算子。 这三种检测算子中，Roberts算子定位精度较高，但也易丢失部分边缘，抗噪声能力差，适用于低噪声、陡峭边缘的场合。Prewitt算子、Sobel算子首先对图像做平滑处理，因此具有一定的抑制噪声的能力，但不能排除检测结果中的虚假边缘，易出现多像素宽度。
四、实验步骤 1、全局阈值分割： ①读取一张图像； ②生成该图像的直方图； ③根据直方图双峰产生的低谷估计阈值T； ④依次读取图像各个点的像素，若大于阈值，则将像素改为255，若小于 阈值，则将该像素改为0； 实验代码如下： I=imread('cameraman.tif'); %读取一张图像 subplot(221);imshow(I); %显示该图像 subplot(222);imhist(I); %生成该图像的直方图 T=60; %根据直方图估计阈值T为60 [m,n]=size(I); %取图像的大小为【m,n】 for i=1:m %依次读取图像各个点的像素，若大于阈 值，则将像素改为255，若小于阈值， 则将该像素改为0 for j=1:n if I(i,j)>=T I(i,j)=255; else I(i,j)=0; end end
图像分割方法综述
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
目标跟踪相关研究综述
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22 Published Online August 2015 in Hans. https://www.360docs.net/doc/4119060965.html,/journal/airr https://www.360docs.net/doc/4119060965.html,/10.12677/airr.2015.43003 A Survey on Object Tracking Jialong Xu Aviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing Jiangsu Email: pugongying_0532@https://www.360docs.net/doc/4119060965.html, Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015 Copyright ? 2015 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.360docs.net/doc/4119060965.html,/licenses/by/4.0/ Abstract Object tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested. Keywords Object Tracking, Track Alignment, Object Detection 目标跟踪相关研究综述 徐佳龙 海军驻南京地区航空军事代表室，江苏南京 Email: pugongying_0532@https://www.360docs.net/doc/4119060965.html, 收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日 摘要 目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。本文分类总结了目标跟踪的相关工作，并进行了分析和展望。
数字图像处理中的边缘检测技术
课程设计报告 设计题目：数字图像处理中的边缘检测技术学院： 专业： 班级：学号： 学生姓名： 电子邮件： 时间：年月 成绩： 指导教师：
数字图像处理中的边缘检测技术课程设计报告I 目录 1 前言:查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 (1) 1.1理论背景 (1) 1.2图像边缘检测技术研究的目的和意义 (1) 1.3国内外研究现状分析 (2) 1.4常用边缘检测方法的基本原理 (3) 2 小波变换和小波包的边缘检测、基于数学形态学的边缘检测法算法原理 (7) 2.1 小波边缘检测的原理 (7) 2.2 数学形态学的边缘检测方法的原理 (7) 3 算法实现部分：程序设计的流程图及其描述 (9) 3.1 小波变换的多尺度边缘检测程序设计算法流程图 (9) 3.2 数学形态学的边缘检测方法程序设计算法描述 (10) 4实验部分：对所给的原始图像进行对比实验，给出相应的实验数据和处理结果 (11) 5分析及结论：对实验结果进行分析比较，最后得出相应的结论 (15) 参考文献 (17) 附录：代码 (18)
1前言 查阅相关文献资料，了解和掌握基本原理、方法和研究现状，以及实际应用的背景意义 1.1 理论背景 图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年代起随着电子计算机和计算技术的不断提高和普及，数字图像处理进入了高速发展时期，而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。 图像处理在遥感技术，医学领域，安全领域，工业生产中有着广泛的应用，其中在医学应用中的超声、核磁共振和CT等技术，安全领域的模式识别技术，工业中的无损检测技术尤其引人注目。 计算机进行图像处理一般有两个目的：(1)产生更适合人观察和识别的图像。 (2)希望能由计算机自动识别和理解图像。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2 图像边缘检测技术研究的目的和意义 数字图像处理是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像处理也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像处理和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像处理中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速
图像边缘检测算法体验步骤
图像边缘检测算法体验步骤 图像边缘检测算法体验步骤（Photoshop，Matlab）1. 确定你的电脑上已经安装了Photoshop和Matlab2. 使用手机或其他任何方式，获得一张彩色图像（任何格式），建议图像颜色丰富，分辨率比较高，具有比较明显的图像边界（卡通图像，风景图像，桌面图像）3. 将图像保存到一个能够找到的目录中，例如img文件夹（路径上没有汉字）4. 启动Photoshop，打开img文件夹中的图像5. 在工具箱中选择“矩形选择”工具，到图面上选择一个区域（如果分辨率比较高，建议不要太大，否则计算过程比较长）6. 点击下拉菜单【文件】-【新建】，新建一个与矩形选择框同样尺寸的Photoshop图像，不要求保存该图像7. 将该彩色图像转换为亮度图像，即点击下拉菜单【图像】-【模式】-【灰度】，如提示是否合并，选择“Yes”8. 将该单色的亮度图像另存为Windows的BMP文件，点击下拉菜单【文件】-【存储为】，在“存储为”窗口中，为该文件起一个名字，例如test1（保存为test1.bmp）9. 启动Matlab，将当期路径（Current Directory）定位到图像文件夹，例如这里的img文件夹10. 使用imread命令读入该图像，在命令行输入：>> f = imread(test1.bmp);11. 在Matlab中显示该图像，在命令行输入：>> figure, imshow(f)12. 然后，分别使用Matlab图像工具箱中的Edge函数，分别使用Sobel算法，高斯-拉普拉斯（Log）算法和Canny算法得到的边缘图像：在命令行输入：>> g_sobel = edge(f, sobel, 0.05); >> g_log = edge(f, log, 0.003, 2.25); >> g_canny = edge(f, canny, [0.04 0.10], 1.5);13 得到边缘图像计算结果后，显示这些边缘图像： >> figure, imshow(g_sobel) >> figure, imshow(g_log) >> figure, imshow(g_canny)14 可以用不同的图像做对比，后续课程解释算法后，可以变换不同的阈值，得到不同的边缘图像
机器视觉技术发展现状文献综述
机器视觉技术发展现状 人类认识外界信息的80%来自于视觉，而机器视觉就是用机器代替人眼来做 测量和判断，机器视觉的最终目标就是使计算机像人一样，通过视觉观察和理解 世界，具有自主适应环境的能力。作为一个新兴学科，同时也是一个交叉学科，取“信息”的人工智能系统，其特点是可提高生产的柔性和自动化程度。目前机器视觉技术已经在很多工业制造领域得到了应用，并逐渐进入我们的日常生活。 机器视觉是通过对相关的理论和技术进行研究，从而建立由图像或多维数据中获机器视觉简介 机器视觉就是用机器代替人眼来做测量和判断。机器视觉主要利用计算机来模拟人的视觉功能，再现于人类视觉有关的某些智能行为，从客观事物的图像中提取信息进行处理，并加以理解，最终用于实际检测和控制。机器视觉是一项综合技术，其包括数字处理、机械工程技术、控制、光源照明技术、光学成像、传感器技术、模拟与数字视频技术、计算机软硬件技术和人机接口技术等，这些技术相互协调才能构成一个完整的工业机器视觉系统[1]。 机器视觉强调实用性，要能适应工业现场恶劣的环境，并要有合理的性价比、通用的通讯接口、较高的容错能力和安全性、较强的通用性和可移植性。其更强调的是实时性，要求高速度和高精度，且具有非接触性、实时性、自动化和智能 高等优点，有着广泛的应用前景[1]。 一个典型的工业机器人视觉应用系统包括光源、光学成像系统、图像捕捉系统、图像采集与数字化模块、智能图像处理与决策模块以及控制执行模块。通过 CCD或CMOS摄像机将被测目标转换为图像信号，然后通过A/D转换成数字信号传送给专用的图像处理系统，并根据像素分布、亮度和颜色等信息，将其转换成数字化信息。图像系统对这些信号进行各种运算来抽取目标的特征，如面积、 数量、位置和长度等，进而根据判别的结果来控制现场的设备动作[1]。 机器视觉一般都包括下面四个过程：
虚拟手术中实时碰撞检测技术
虚拟手术中实时碰撞检测技术研究 彭 磊 张裕飞 王秀娟 （泰山医学院 信息工程学院 山东 泰安 271016） 摘 要： 碰撞检测是虚拟手术的关键技术，为提高检测速度，满足系统实时性的要求，提出空间剖分和层次包围盒相结合的方法。使用八叉树表示法对虚拟场景进行空间剖分，在叶节点构建层次包围盒。进行碰撞检测时属于不同八叉树节点的几何元素不会相交，否则使用层次包围盒算法继续进行检测，对于有可能相交的几何元素再进行精确相交检测。 关键词： 虚拟手术；碰撞检测；空间剖分；层次包围盒 中图分类号：TP391.9 文献标识码：A 文章编号：1671－7597（2012）1120029－02 进行碰撞检测时从八叉树的根节点开始，计算两几何元素0 引言 是否属于同一节点，如果不属于同一节点则不相交，如果属于虚拟手术是集医学、生物力学、材料学、计算机图形学、同一节点，递归的到下一级节点进行检查，直到发现两几何元虚拟现实等诸多学科为一体的交叉研究领域。虚拟手术在医学素属于同一叶节点，则需要进一步使用层次包围盒进行检查。 中的应用主要包括：手术计划与过程模拟、术中导航与监护、 2 层次包围盒 手术教学与训练等。碰撞检测是虚拟手术系统中的关键技术，贯穿于虚拟手术的整个过程。 对于八叉树的每个叶节点包含的几何元素，建立层次包围虚拟手术系统中的对象根据材质可分为刚体组织和软件组盒（Bounding Volume Hierarchy ，BVH ）。相对于单纯的层次织。骨骼、手术器械等属于刚体组织，而人体的许多器官如肌包围盒技术，使用空间剖分与层次包围盒相结合的方法进行碰肉、血管、肝脏等属于软体组织。以往大部分碰撞检测的研究撞检测，构建的层次树规模更小，计算量更少。层次包围工作都是针对刚体对象的。与刚体相比较，软体组织由于其特殊的物理性质，在外力或某些操作的作用下会发生几何形状、位置甚至数量上的变化，因此基于软体组织的碰撞检测需要更详细的信息和更多的处理。 最简单的碰撞检测方法是对场景中的几何元素进行两两相2交测试，其时间复杂度为O(n )，虽然这种方法可以得到正确的结果，但是当场景中的几何模型稍微增多些，其实时性便无法满足实际的需求。为了尽可能地减少参与相交测试的几何元素的数量，提高系统的实时性，目前碰撞检测技术使用的主要算法有：层次包围盒法，空间分割法，基于网格剖分的方法[1]。但是这些经典的算法也都存在着构造难度大、紧密性差、相交测试复杂、效率低等缺点。 本文采用空间剖分和层次包围盒相结合的方法，简化了几何信息的表示，进行碰撞检测时可排除明显不相交的几何元素，无法排除的再进行精确相交检测，从而减少计算量，加速碰撞检测速度，提高系统实时性。 1 空间剖分技术 整个虚拟手术的场景空间递归的剖分成若干个网格单元，每一个几何元素都属于某个网格单元，处于同一网格单元内的几何元素才有相交的可能，不在同一网格单元的几何元素一定不会相交。采用八叉树的表示方法进行空间剖分。即包含整个场景的立方体作为八叉树的根节点，立方体的3条棱边分别与x ，y ，z 轴平行。递归的将立方体剖分为8个小块，如图1（a ）所示，生成8个子节点，直到达到指定的剖分层次为止，如图1（b ）所示，每个叶节点包含有限个几何元素。 图1 八叉树表示法 盒包括包围盒和层次树两种数据结构。 2.1 包围盒 包围盒技术是减少相交检测次数，降低碰撞检测复杂度的一种有效的方法。其基本思想是用几何形状相对简单的封闭表面将一复杂几何元素包裹起来，首先进行包围盒之间的相交测试，排除明显不相交的几何元素，无法排除的几何元素，再进一步进行精确的相交测试，从而达到减少相交测试计算量的目的。常见的包围盒类型有：包围球（Bounding Sphere ）、沿坐标轴的包围盒（Axis Aligned Bounding Box ，AABB ）、方向包围盒（Oriented Bounding Box ，OBB ）。离散方向包围盒（k-Discrete Orientation Polytopes ，k-DOPs ）等[2]，如图2所示。 图2 包围盒 由于虚拟手术对实时性要求较高，本文选择AABB 型包围盒，AABB 是平行于坐标轴的，包含几何元素的最小正立方体。其优点是：1）易于构建，只需要计算所包含几何元素的顶点的x ，y ，z 坐标的最大值和最小值，存储6个浮点数即可；2）相交测试计算量小，相交测试时只需对两个包围盒在三个坐标轴上的投影分别进行比较，最多6次比较运算即可。 2.2 包围盒层次树 包围盒层次树即包围盒的层次结构，层次树的根节点包含某个八叉树叶节点几何元素的全集，向下逐层分裂，直到每个叶节点表示一个基本几何元素。常用的构建策略有自顶向下和自底向上两种。 自顶向下的方法首先建立根结点，利用基于全集的信息递归地将每个节点分裂为两个或多个子集，直至生成只包含一个 基本图元的叶结点为止，从而建立一棵自顶向下的包围盒层次 （ ）八叉树结构 （ ）节点的剖分
文献综述
文献综述 前言 近年来,除测绘领域之外,其他行业如机械制造、建筑、医学等,对近景摄影测量技术的需求也越来越大,传统的量测相机显然已经无法满足其要求,而越来越普及的非量测相机正好可以填补这个空缺,利用非量测相机进行摄影测量具有非常远大的应用前景。非量测相机在影像获取方面具有使用简单方便、价格合理，作业效率高、适应性强等优点，但是非量测相机的主距f和像主点在像平面坐标系中的坐标(x0,y0)都是未知的,并且非量测相机存在较大的镜头畸变,因此必须先对其进行检校,然后才能进行后续的像点量测和数据处理。 所谓的相机检校是指借助于像平面上一些点在物方坐标系中的坐标，确定照相机的内、外参数，得到有效的成像模型，以达到在像平面上像素点与三维空间中的点之间建立映射的目的。广义上讲，近景摄影机检校的内容包括： 1.主点位置(x0,y0)与主距(f)的测定; 2.光学畸变系数的测定; 3.压平装置以及像框坐标系的设定; 4.调焦后主距变化的测定与设定; 5.调焦后畸变差变化的测定; 6.摄影机偏心常数的测定; 7.立体摄影机(及立体视觉系统)内方位元素与外方位元素的测定;
8.多台摄影机同步精度的测定。 对于一般相机检校任务，我们主要测定相机的内方位元素（x0,y0,f）和镜头畸变差参数（k1,k2,p1,p2），其主要的检校方法大体可以分为：光学实验室检校(Optical Laboratory Calibration)法；实验场检校(Test Range Calibration)法；作业检校(On the Job Calibration)法；自检校(Self Calibration)法；恒星检校(Stellar Calibration)法。 其中，适用于非量测相机检校的作业检校法是一种在完成某个近景测量任务中同时对相机进行检校的方法。此方法依据物方空间分布合理的一群高质量控制点,在解求待定点物方空间坐标的任务中,同时解求像片内外方位元素、物镜畸变系数。基于直接线性变换（DLT）的相机检校法,也属作业检校法的一种。 直接线性变换(direct linear t ransformation ,简称DL T) 是建立像点坐标和物点坐标直接线性关系的算法。处理时不需要相机内外方位元素的初始值,因而在近景摄影测量中被广泛应用。目前市场上，利用DLT方法进行相机检校的算法,多是在有3维控制信息的情况下,采 用3维DLT方法进行检校较多,而采用2维DLT方法的较少。利用3维控制场进行相机检校,程序虽简单,但高精度3维控制场的建立比较困难。廉价数码相机的广泛应用,促使简便、高精度的检校方法成为近年来研究的主要方向。随着摄影测量和计算机视觉理论的发展,许多学者对相机检校技术进行了深入的研究,检校用的控制场也由3维向2维转变。基于2维DLT相机标定算法的研究已成为近几年相机标定研究的热点。
基于matlab的图像边缘检测算法研究和仿真设计
基于matlab的图像边缘检测算法研究和仿真 目录 第1章绪论 1 1.1 序言 1 1.2 数字图像边缘检测算法的意义 1 第2章传统边缘检测方法及理论基础 2 2.1 数字图像边缘检测的现状与发展 2 2.2 MATLAB和图像处理工具箱的背景知识 3 2.3 数字图像边缘检测关于边缘的定义 4 2.4 基于一阶微分的边缘检测算子 4 2.5 基于二阶微分的边缘检测算子 7 第3章编程和调试 10 3.1 edge函数 10 3.2 边缘检测的编程实现 11 第4章总结 13 第5章图像边缘检测应用领域 13 附录参考文献 15
第1章绪论 §1.1 序言 理解图像和识别图像中的目标是计算机视觉研究的中心任务，物体形状、物体边界、位置遮挡、阴影轮廓及表面纹理等重要视觉信息在图像中均有边缘产生。图像边缘是分析理解图像的基础，它是图像中最基本的特征。在Marr的计算机视觉系统中，图像边缘提取占据着非常重要位置，它位于系统的最底层，为其它模块所依赖。图像边缘提取作为计算机视觉领域最经典的研究课题，长期受到人们的重视。 图像边缘主要划分为阶跃状和屋脊状两种类型。阶跃状边缘两侧的灰度值变化明显，屋脊状边缘则位于灰度增加与减少的交界处。传统的图像边缘检测方法大多是从图像的高频分量中提取边缘信息，微分运算是边缘检测与提取的主要手段。由于传统的边缘检测方法对噪声敏感，所以实际运用效果有一定的局限性。近年来，越来越多的新技术被引入到边缘检测方法中，如数学形态学、小波变换、神经网络和分形理论等。 Canny于1986年提出基于最优化算法的边缘检测算子，得到了广泛的应用，并成了与其它实验结果作比较的标准。其原因在于他最先建立了优化边缘检测算子的理论基础，提出了迄今为止定义最为严格的边缘检测的三个标准。另外其相对简单的算法使得整个过程可以在较短的时间实现。实验结果也表明，Canny算子在处理受加性高斯白噪声污染的图像方面获得了良好的效果[1]。 §1.2 数字图像边缘检测算法的意义 数字图像处理是控制领域的重要课题，数字图像边缘检测是图像分割、目标区域识别和区域形状提取等图像分析领域十分重要的基础，是图像识别中提取图像特征的一个重要方法。边缘中包含图像物体有价值的边界信息，这些信息可以用于图像理解和分析，并且通过边缘检测可以极降低后续图像分析和处理的数据量。图像理解和分析的第一步往往就是边缘检测，目前它已成为机器视觉研究领域最活跃的课题之一，在工程应用中占有十分重要的地位。 图像的边缘检测技术是数字图像处理技术的基础研究容，是物体识别的重要基础。边缘特征广泛应用于图像分割、运动检测与跟踪、工业检测、目标识别、双目立体视觉等领域。现有边缘检测技术在抑制噪声方面有一定的局限性，在阈值参数选取方面自适
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点， 本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：
实验三图像分割与边缘检测
数字图像处理实验报告 学生姓名王真颖 学生学号L0902150101 指导教师梁毅雄 专业班级计算机科学与技术1501 完成日期2017年11月06日
计算机科学与技术系信息科学与工程学院
目录 实验一.................................................................................................. 错误!未定义书签。 一、实验目的.................................................................................................... 错误!未定义书签。 二、实验基本原理 ........................................................................................... 错误!未定义书签。 三、实验内容与要求....................................................................................... 错误!未定义书签。 四、实验结果与分析....................................................................................... 错误!未定义书签。实验总结............................................................................................... 错误!未定义书签。参考资料.. (3) 实验一图像分割与边缘检测 一．实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法；
农药残留对食品安全的影响以及农药残留检测技术的文献综述
农药残留对食品安全的影响以及农药残留 检测技术的文献综述 摘要：介绍了农药残留的现状及其对食品安全的影响，同时对农药残留检测技术进行系统的综述，并对今后农药残留检测及控制进行了展望。 关键词：农药残留食品安全检测技术 农药残留是指在农业生产中施用农药后一定时期内残留于生物体、农副产品及环境中微量的农药原体、有毒代谢物、降解物和杂质的总称。残留的数量叫农药残留量，以每千克样本中有多少毫克（或微克、纳克等）表示。农药残留是使用农药后的必然现象，是不可避免的。农副产品上的残留量超过限量，人畜长期食用后会引起慢性中毒或病变，直接或间接影响人们的身体健康。因此，控制降低农药残留，发展农药残留检测技术已成为当前亟待解决的问题。 1农药残留现状及种类 1.1 农药残留的现状 “民以食为天，食以安为先”，农产品的质量安全直接关系到人们的健康和安全。在农业生产中，由于农药、化肥等农业化学投入品的使用，导致农作物严重污染，人们食用农药残留超标的农产品，引起食物中毒的事件经常发生。2010年1 月25 日至2 月5 日，武汉市农业局在抽检中发现来自海南省英洲镇和崖城镇的5个豇豆样品水胺硫磷农药残留超标，消息一出，立即引起社会各方关注，豇豆产地收购价与销售批发价均出现大幅下滑。 农药残留已经成为我国农产品出口的最大障碍，常常被进口国当作借口阻挡在门外，不仅给农户造成经济损失，而且还导致农产品出口竞争力减弱或下降，引起国家之间的经济贸易纠纷。国际市场对出口农产品安全要求很高，从2000 年起，欧盟等国家对农药残留颁布了更严格的标准，从2006 年5 月29 日开始，在日本市场流通的生鲜食品就适用肯定列表制度，一棵白菜要检测20个项目，最多的一种农产品要检测50个项目，合格后才能通关[1]。 农药喷洒在作物上经过一定时间后，由于日晒、雨淋、风吹、高温挥发和植物代谢等的作用，药剂逐渐分解、减少，但不能全部消失，收获的农副产品上仍
图像局部特征点检测算法综述
图像局部特征点检测算法综述 研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。 本篇文章现在(2015/1/30)只是以初稿的形式，列出了主体的框架，后面还有许多地方需要增加与修改，例如2013年新出现的基于非线性尺度空间的KAZE特征提取方法以及它的改进AKATE等。在应用方面，后面会增一些具有实际代码的例子，尤其是基于特征点的搜索与运动目标跟踪方面。 1. 局部特征点 图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的M×N×3的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。 局部特征点是图像特征的局部表达，它只能反正图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。 而斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域，如草原上的一棵树或一栋房子。它是一个区域，所以它比角点的噪能力要强，稳定性要好。而角点则是图像中一边物体的拐角或者线条之间的交叉部分。 2. 斑点检测原理与举例 2.1 LoG与DoH 斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法（LOG）,以及利用像素点Hessian矩阵（二阶微分）及其行列式值的方法（DOH）。 LoG的方法已经在斑点检测这入篇文章里作了详细的描述。因为二维高斯函数的拉普拉斯核很像一个斑点，所以可以利用卷积来求出图像中的斑点状的结构。 DoH方法就是利用图像点二阶微分Hessian矩阵：