论文部分内容阅读
图像边缘检测是数字图像处理的一个重要研究领域,它属于特征提取的范畴,是计算机视觉的重要基础。图像边缘含有一幅图像的主要信息,在现实应用中,具有十分重要的意义,但同时图像边缘检测也是数字图像处理中的一个难题,如何获取理想的边缘,是边缘检测算法需要解决的首要问题。经典边缘检测算法的原理是运用空域微分算子通过卷积来完成的。图像边缘有一个重要的特性,就是灰度突变,而这些灰度突变构成了边缘,经典算子正是利用导数算子结合灰度变化来检测边缘,随着技术的发展,又出现了一些新的理论,如基于分形几何的边缘检测算法、基于小波变换和小波包的边缘检测算法、基于形态学的边缘检测算法等,但它们也都存在着各自的局限性。灰色系统是一种信息不完全确定的模型,灰色关联分析是用数学理论来分析灰色系统,它的特点是“少数据,贫信息”,通过已知信息作为参考,定量得到未知信息的发展趋势。本文将灰色系统理论和改进的传统边缘算子,以及MLP神经网络相结合,主要研究工作如下:(1)针对经典边缘检测算子对于边缘信息较为丰富的图像以及弱边缘图像检测效果不理想问题,将传统的Sobel算子模板由0度和90度扩展为0度,22.5度,45度,67.5度,90度,112.5度,135度,157.5度,180度,202.5度,225度,247.5度,270度,292.5度,315度,337.5度,增加方向信息,和灰色关联理论相结合。把扩展后的模板作为灰色关联分析理论中的参考数列,求出每个方向上的绝对关联度,进而得到最大的绝对关联度,设置合适的阈值,判断图像的边缘。(2)针对多方向Sobel算子和灰色关联度相结合检测边缘时,存在计算量大,时间稍长的问题,本文采用多方向Sobel算子和灰色关联度相结合的算法检测得到的图像,作为MLP神经网络的训练集样本进行训练,通过大量的训练,设置合适的神经网络的各个匹配参数,用训练后的神经网络去检测图像,减少了检测的时间,取得了较好的效果。