论文部分内容阅读
视觉是物体的影像刺激视网膜所产生的感觉以及在大脑皮层中所得到的直觉。机器视觉也就是给机器加上一个视觉装置,使机器具有和人一样的视觉功能,目的是为了提高机器的自动化和智能化程度。机器视觉需要从外界的客观事物中提取图像信息,对图像进行相应处理并加以理解,能在实际检测、测量和控制中得到应用。边缘是视觉图像的最基本和最重要的特征之一,它包含了位置、轮廓等许多有用的信息。边缘存在于目标与目标、目标与背景、区域与区域、基元与基元之间,所以图像的大部分信息都存在于边缘中。边缘检测就是基于物体和背景间灰度或纹理特征上某种不连续性或突变性的一种检测技术,是图像分割、模式识别、机器视觉、区域形状提取等领域分析方法的基础,边缘检测算法的优劣直接影响着轮廓提取的精度和系统的性能。因此,边缘检测是视觉图像中比较关键的一部分,对图像的定位、目标的提取等具有重要的意义。本文主要介绍了传统的边缘检测方法、数学形态学方法以及本文中改进的模糊形态学和基于形态学的小波分析等方法。传统的边缘检测方法各有其特点,但同时都存在着各种各样的缺陷。在各种数学形态学边缘检测算法中,都存在各自的缺点和不足,改进的形态学梯度算子具有一定的抗噪声能力,但抗噪声能力有限。数学形态学是以集合论为基础的,由于模糊形态学保留了数学形态学的一切优点,又是建立在模糊集的基础上,可以用来处理实际生活中的非线性信号,因此本文提出了一种改进的模糊形态学边缘检测算法。该算法具有很好的边缘检测效果和较强的抗噪声鲁棒性,提取的边缘比较完整,边缘轮廓也非常清晰,没有出现漏检和伪边缘,效果十分理想,优于传统的边缘检测方法。在基于形态学的小波分析方法中,由于数学形态学抗噪声能力有限,因此本文将形态学方法和小波结合在一起用于图像的边缘检测,通过小波变换将图像进行分解和融合,从而更有效地滤除了噪声,使图像的某些细节特征进行加强处理。小波变换可以滤掉图像中含有的大量噪声,而数学形态学梯度算子可以更精确地定位图像边缘,可以提取出比较完整的边缘信息。该方法具有较强的抗噪声鲁棒性,具有比较理想的边缘检测效果。