车内遮阳挡检测系统-毕业论文.doc

《车内遮阳挡检测系统-毕业论文.doc》由会员分享，可在线阅读，更多相关《车内遮阳挡检测系统-毕业论文.doc（53页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、哈尔滨工业大学工学学士学位论文毕业论文（设计）车内遮阳挡检测系统院 （系）：信息与电气工程学院专 业 ：通信工程学 生 ： 导 师 ： 哈 尔 滨 工 业 大 学2013年6月 25 日车内遮阳挡检测系统摘 要本文基于对数字图像的采集，然后在一个方面的研究和相关功能的实现。目前，国内外在对车牌的定位、安全带的检测、以及车内人员人脸识别等技术都有各种明显的突破，而在遮阳挡的提取、检测方面是很少有问津的，所以，这个领域是有一个很大的空白，与此同时能对交通智能化的实现对抑制交通犯罪和促进城市现代化建设均有重大意义。 利用MATLAB软件对一批数字图像进行处理，解决对特殊图像中的车辆内的遮阳挡的检测。

2、 首先，车牌定位从而找到车身。通过汽车（主要是小型汽车）在图像中的地感线圈附近的区域进行设置参数，直接对该RGB图像扫描获取车牌的中心位置，然后制作一个车牌框架来统计框内符合的像素点，一旦符合一个特定阈值就认为是车牌，并求出车牌的中心从而根据统计车身长宽来抠出一个区域，即可获得车身图像。 其次，车窗的提取。这里需要先对RGB图像进行很好的处理后再边缘检测，得到边缘检测图像，然后运用水平垂直投影的方法来提取出车窗的上下左右的边界，从而得到较为理想的车窗。 最后，对车窗内的遮阳挡的检测。这里运用到高频强调滤波和图像均衡化来处理RGB车窗图像，然后结合形态学图像处理中相关算法来对图像中遮阳挡的检测。

3、关键词：车牌定位；形态学图像处理；边缘检测；水平垂直投影；像素值；图像均衡化 I THE SYSTEM OF SUNSHADES DETECTION IN CARAbstractThis paper realizes processing research on one side and related functions of the stage after the digital image acquisition based on. At present, in the detection of license plate technology, set belts detection,

4、 and the face recognition technology in the car, which has the significant breakthrough, picking up the SunShades and detection it, however, have few takers, so, this field is that there is a big gap, at the same time ,it has great significance to the realization of intelligent traffic to curb the t

5、raffic crime and promote the city modernization construction .A batch of digital image by using MATLAB software, to solve the detection of the special image of the sunshade of vehicle.Firstly, the license plate location in order to find the body. By car (mainly small cars) in the image of the induct

6、ion coil surrounding area set parameters, the center position of the RGB directly to obtain license plate image scanning, and then make a license plate frame of pixel within the box, once with a particular threshold that is the license plate, and the license plate according to the statistics of the

7、center of body length width to dig out an area, can obtain the body image.Secondly, the extraction window. Here need to detect edge to be handled well on RGB image, edge detection method for image, then using horizontal and vertical projection to extract the window around the top and bottom boundary

8、, in order to get the ideal window. Finally, detection of the window shade. It is applied to high-frequency emphasis filtering and image equalization of processing RGB Windows image, and then combined with the algorithm of morphological image processing to detect the sunshade.Key words：License Plate

9、 Location; Image Processing; Edge detection; The horizontal and vertical projection; Pixel value; Image equalizationIV- -目 录摘 要IAbstractII第1章 绪 论11.1课题研究的目的和意义11.2课题研究的主要内容1第2章 车牌定位检测出车身32.1 引言32.2 车辆牌照的特点32.3 几种定位方法的简单介绍32.3.1 基于纹理特征分析的方法32.3.2 基于数学形态学的定位42.3.3 基于边缘检测的定位42.3.4 基于小波分析的定位方法52.3.5 基于图

10、像彩色信息的定位52.4 基于彩色图像信息的定位62.4.1 统计车牌背景像素点数62.4.2 确定车牌中心坐标72.5 本章小结7第3章 车前挡风窗定位93.1 车身彩色图像信息的预处理93.1.1 图像预处理的内容93.1.2 数字图像处理的灰度直方图103.2 边缘检测143.2.1基本概念143.2.2使用edge函数的边缘检测143.2.3边缘检测器153.3 基于水平垂直投影检测车前挡风窗定位213.3.1 水平垂直投影原理213.4 本章小结30第4章 遮阳挡的检测314.1 引言314.2 膨胀和腐蚀314.2.1 膨胀314.2.2 腐蚀334.3 膨胀和腐蚀的组合354.3

11、.1 开运算和闭运算354.4 图像细处理和遮阳挡的检测374.5 本章小结41结 论42致 谢44参考文献45-VI-第1章 绪 论 1.1课题研究的目的和意义随着社会快速发展的快节奏，社会上犯罪率也在逐渐上升，例如有些犯罪分子在开车潜逃的途中，故意将帽子、墨镜、和利用车内的遮阳挡来遮蔽自己的面部，这些给我们的办案人员带来了极大的工作量，去识别这些微小且不起眼的举动，即便我们设置了道路拍照系统，一大堆的图片让人去看车里面有没有放下遮阳挡，长时间的操作，不仅会产生视觉疲劳，还会降低工作效率。这样会让某些查案证据意外流失，给破案带来完全不必要的麻烦和障碍。那么，我国目前对遮阳挡的智能检测研究这方

12、面是没有太多拓展和延伸的。所以，在电子领域智能技术的突飞猛进发展的基础上，让我们能更好的去研究以及开发出一套能基于数字图象处理的技术来对采集到的特殊图像进行后期智能处理来检测遮阳挡放下与否。这是弥补在图像检测方向一个弱项，之前，国内外在对车牌的定位1-5、安全带的检测、以及车内人员人脸识别等技术都有各种明显的突破，而在遮阳挡的提取、检测方面是很少有问津的，所以，这个领域是有一个很大的空白，市面上目前还没有这种检测系统问世。那么本文就基于数字图象处理对遮阳挡的检测将作出具体的研究和实现部分功能，进而提高其检测精准度。所以对交通智能化的研究成为目前高科技领域的热门课题，同时，交通智能化的实现对抑制

13、交通犯罪和促进城市现代化建设均有重大意义6。1.2课题研究的主要内容那么，运用MATLAB软件基于数字图像处理实现对遮阳挡的检测的程序设计模块如下： 图1-1 遮阳挡检测总设计模块模块一这一阶段为第一阶段，主要通过多张图像中的车牌颜色（本文主要对黄、蓝色车牌定位）的RGB值作统计后，找出相关性，设定阈值；同时，我们将同样的这批图像进行车牌位置的大致位置（上下左右边界）进行统计后设定合理的扫描范围；开始扫描，一旦符合阈值的像素点均被统计到，并被记录；然后制作一个车牌框架，同样统计车牌长宽后取合理值，然后水平垂直移动车牌框去检测出框内的目标像素点个数，一旦出现很明显的峰值即可判定为车牌，进而计算出

14、车牌质心，然后设定相关阈值来“抠出”车身。模块二在第一阶段的基础上将车身图像进行相关预处理后，运用水平垂直投影的方法去实现对前挡风车窗的边界定位，此为第二阶段，主要获取前当风车窗的top、bottom、left、right值。模块三为最后一个阶段，这个阶段是要建立在模块二的准确定位上来进行RGB车窗图像处理，需要运用图像均衡化的方法来处理图像，然后结合形态学图像处理中相关算法来对图像中遮阳挡的检测。总的来说，在第一阶段用到的关键技术是基于彩色图像信息的定位，相对于早期和当下的定位方法7，如纹理特征分析法、数学形态学的定位、基于边缘检测的定位等等，本文采用其方法定位的主要优势是原始的RGB图像包

15、含了完整的信息资源，可以有效地去利用；第二个阶段关键技术有图像均衡化、边缘检测、水平垂直扫描投影法，其中，图像均衡化8是将原图像的灰度级均匀地改变到256个灰度级上，这样强化了原来不明显的线条，但同时也导致了图像信息量的丢失和噪声的增大，而边缘检测器9-10的使用上，用得比较多的是Sobel算子、Canny算子、Prewitt算法、LoG算法等，他们各有自己的检测优点和不足，本文会采用联合使用Sobel算子、Prewitt算法来实现车窗的定位。第三阶段主要用到了形态学10-11图像处理技术，包括膨胀、腐蚀、开闭运算，根据实际情况综合运用。第2章 车牌定位检测出车身2.1 引言车辆牌照识别（Ca

16、r License Plate Recognition,CLPR）是实现智能交通系统的关键技术，在交通系统管理中有着不可代替的作用。其任务是处理、分析汽车牌照图像。其核心技术在近年有了飞速的发展，但在提高识别正确率及系统稳定性方面仍是一个研究热点，本章主要运用CLPR系统中车牌定位，当然其定位正确率将大大影响整个系统的最终识别性能12。目前车牌定位的方法多种多样，归纳起来主要有基于纹理特征分析的方法，基于边缘检测的方法，基于数学形态学定位，基于小波分析定位以及基于彩色图像定位等。这些方法各有所长。2.2 车辆牌照的特点我们国家现在有车辆牌照主要可分为4类：蓝底白字、黄底黑字、黑底白字、和白底黑

17、字，所以颜色组合比较丰富。经过对大批图像中车牌特征统计，有以下特征：(1)车辆牌照区域牌底和周围颜色对照大，边缘丰富；并且其RGB值有一定的相关联性。(2)车牌的长宽比例一定，基本相同13。2.3 几种定位方法的简单介绍2.3.1 基于纹理特征分析的方法传统的纹理特征分析定位算法大多基于灰度图像来分析的，所以在车牌定位以前，需要对图像进行预处理，将彩色图像转换为灰度图像。纹理分析算法描述如下：(1)首先进行行扫描，找出图像中每行所含有的车牌线段，记录下它们的起始坐标和长度。(2)如果有连续若干行均存在不少于一个车牌线段，且行数大于一个阈值，则认为在行的方向上找到了车牌的一个候选区域，并确定了该

18、候选区域的其实行的高度。(3)在以找到的可能存在车牌的区域做列扫描，以确定该车牌候选区域的其实行和高度以及起始列坐标和长度。由此确定一个车牌区域。(4)继续在其他可能存在车牌的区域寻找，直至找到所有的车牌候选区域7。2.3.2 基于数学形态学的定位数学形态学图像处理的基本思想，是利用一个结构元素来探测一个图像。膨胀、腐蚀、开启和关闭是数学形态学的基本运算。 基于形态学车牌定位算法答题处理过程如图2-1所示： 图2-1 基于形态学车牌定位算法大体处理过程基于数学形态学的车牌区域定位方法不能精确确定车牌左右边界的位置，所以必须结合其他定位方法进行精确定位，李波等人提出了基于数学形态学和边缘特征的车

19、牌定位方法，这种方法先对车牌图像进行预处理，然后利用基于垂直方向结构元素的腐蚀运算进行滤波，再用闭合运算来填补牌区域内细小空洞，进而增强车牌区，使车牌区成为一个联通区域，最后利用字符边缘的特征对车牌进行准确的定位。该方法将数学形态学运算与数字图象的特征相结合，有效改进了传统的车牌定位方法，提高了车牌定位的速度和准确度。2.3.3 基于边缘检测的定位图像的边缘是指在灰度级上发生极具变化的区域，而在背景或者物体的内部这种灰度级的变化是比较平缓的。边缘检测的任务是精确定位边缘和抑制噪声。能够进行检测的方法有多种，如Roberts边缘算子、Prewitt算子、Sobel算子以及拉普拉斯边缘检测。这些方

20、法正是利用了 物体边缘处灰度变化剧烈这一特点来检测图像的边缘。各算子对不同边缘类型的敏感度不同，产生的效果也不同，经过大量实验分析可知，Roberts边缘算子是一种利用局部方差寻找边缘的算子，定位比较精确；Prewitt算子和Sobel算子对噪声有一定的抑制能力，但不能完全排除伪边缘；拉普拉斯算子是二阶微分算子，对图像中的阶跃型边缘点定位准确且具有旋转不变性，但容易丢失一部分边缘的方向信息，同时抗噪能力较差。所以针对不同的环境和要求，选择合适的算子来对图像进行边缘检测才能达到好的效果。2.3.4 基于小波分析的定位方法小波分析是一种应用于图像处理的很重要的分析工具，具有显微镜的特性。小波分析的

21、多分辨率特性使得小波分析分解系数在不同方向的高频子波系数具有不同特性，因此利用方向小波能够反映出图像在不同分辨率上沿任一方向变化的情形。小波分析的多尺度分解特性更加符合人类的视觉机制7。小波变换的基本思想是将原始信号经过伸缩平移等运算分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号，这些子带信号具有良好的时频特性，通过利用这些特性可以实现对信号的时域、频域的局部分析。目前利用小波分析的车牌定位算法大多是利用小波变换与其他多种方法结合来达到定位更准确、快速。如结合小波变换、数学形态学、边缘检测等方法来对车牌进行准确定位。如可用如下算法：先用自适应滤波多尺度边缘检测方法检测出车辆的

22、边缘；然后用数学形态方法对阈值二值化后的边缘图像进行系列形态运算，进一步消除无用信息；最后用车牌底色识别的方法进行车牌的定位。该方法定位效果好，适于有噪声的车牌图像进行定位。2.3.5 基于图像彩色信息的定位传统的车牌分割方法主要应用了车牌的纹理特征和形状特征，一般情况下这个特征对于多数情况足够了，但对于复杂背景就不够了，常借助于颜色特征来排除干扰，以提高车牌定位的准确率和成功率。如张引等人提出的彩色汽车图像牌照定位新法步骤如下：(1)输入彩色图像I；(2)用ColorPrewitt计算二值边缘图像Ie；(3)选择结构元素S，对Ie采用形态学方法来生成连通区域图像Iarea；(4)进行轮廓跟踪

23、，通过标记候选牌照区域，得到N个候选牌照区域；(5)对候选字符进行分析与分解，以确定真正的字符块，进而提取牌照区域14。2.4 基于彩色图像信息的定位经过前面介绍的几种车牌定位方法对比使用后，采用色彩图像信息来实现定位的效果是较为理想的，个人认为主要是原始的RGB图像包含了完整的信息资源去利用。2.4.1 统计车牌背景像素点数首先，对某批图像中的车牌位置进行统计，确定出top、bottom、left、right值，然后设定相应的扫描范围。经过对一批特殊图像车牌中的蓝、黄背景色的RGB值统计后，确定相关的阈值关系。使用以下代码能实现对车牌RGB值的设置：b_R_min=0;b_R_max=85;

24、b_G_min=70;%设定RGB取值范围b_G_max=255;b_B_min=100;b_B_max=255;y_R_min=100;y_R_max=255;y_G_min=round(2.643*y_R_min-239.714);y_G_max=255;y_B_min=0;y_B_max=85;其中分别设置了蓝、黄色的像素值范围，那么这个范围值针对某批特殊图像来设定的，其他的可以按具体情况来设定。在特定区域扫描后，一旦符合阈值条件的像素点将被统计和记录下来，其中设定两个变量dog1、dog2来分别统计蓝、黄色点数，并且将该像素点值设置为0(可自定义)；2.4.2 确定车牌中心坐标根据车牌

25、的特点(2)和对图像大量统计，可合理设置车牌长(plate_l)、宽(plate_v)的值。然后根据设置来建立一个车牌模板，同时通过max函数来选择dog1、dog2中的最大值作为一个阈值T，那么将模板从扫描范围的左上方开始进行水平垂直移动扫描进入模板内的符合条件的背景色点数，一旦大于阈值T，就确定该模板目前所在位置是车牌位置，从而计算出车牌中心坐标。如图2-2所示为在确定车牌中心坐标的基础上来合理设置设置车身范围去实现车身的粗略定位。 图2-2 车身的定位2.5 本章小结本章主要对车牌定位，从而检测出车身作了详细的介绍。2.2节简单归纳了车辆牌照的几个特点；2.3主要对目前几种定位方法的介绍

26、，包括：纹理特征分析法、数学形态定位、边缘检测、小波分析以及基于彩色图像信息分析定位的方法，那么，紧接著在2.4就选择基于彩色图像分析定位作出了简单分析，这节中分两个主题介绍了这种法案的两个实现步骤：首先统计车牌像素点，然后通过车牌的定位后来粗略实现车身的定位，不难发现实验过程中的一些优点，虽然相比而言其他定位方法较为准确，但是就处理本文中需要的原始图像，且较为精准的前提下，展现了运算量较小、处理数度快的的巨大优势，这也是选择它最重要的一个原因。第3章 车前挡风窗定位3.1 车身彩色图像信息的预处理在图像处理过程中，由于获取图像的工具或者手段的影响，使获取图像无法完全体现原始图像的全部信息。因

27、此，以改善图像数据、抑制不需要的变形或者增强某些对于后续处理来说比较重要的图像特征为目的的图像预处理在图像处理的过程中就显得非常重要。常用的图像预处理手段包括图像大小的修改、图像浓度的扩展，图像由彩色差到灰度的转变、图像二值化、图像的锐化处理及图像平滑处理等方法。本章节着重讨论了灰度直方图的构建、直方图均衡原理及实现方法，并用MATLAB开发工具实现了上述图像预处理算法并给出了各种算法的处理结果。3.1.1 图像预处理的内容在图像分析中，对输入图像进行特征抽取、分割和匹配前所进行的处理。图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，

28、从而改进特征抽取、图像分割、匹配和识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增强等步骤15。(1)数字化 一幅原始照片的灰度值是空间变量（位置的连续值）的连续函数。在MN点阵上对照片灰度采样并加以量化（归为2b个灰度等级之一），可以得到计算机能够处理的数字图像。为了使数字图像能重建原来的图像,对M、N和b值的大小就有一定的要求。在接收装置的空间和灰度分辨能力范围内,M、N 和b的数值越大,重建图像的质量就越好。当取样周期等于或小于原始图像中最小细节周期的一半时，重建图像的频谱等于原始图像的频谱，因此重建图像与原始图像可以完全相同。由于M、N 和b三者的乘积决定一幅图像

29、在计算机中的存储量，因此在存储量一定的条件下需要根据图像的不同性质选择合适的M、N 和b值，以获取最好的处理效果。(2)几何变换用于改正图像采集系统的系统误差和仪器位置的随机误差所进行的变换。对于卫星图像的系统误差，如地球自转、扫描镜速度和地图投影等因素所造成的畸变,可以用模型表示,并通过几何变换来消除。随机误差如飞行器姿态和高度变化引起的误差，难以用模型表示出来，所以一般是在系统误差被纠正后，通过把被观测的图和已知正确几何位置的图相比较，用图中一定数量的地面控制点解双变量多项式函数组而达到变换的目的。(3)归一化使图像的某些特征在给定变换下具有不变性质的一种图像标准形式。图像的某些性质，例如

30、物体的面积和周长，本来对于坐标旋转来说就具有不变的性质。在一般情况下，某些因素或变换对图像一些性质的影响可通过归一化处理得到消除或减弱，从而可以被选作测量图像的依据。例如对于光照不可控的遥感图片,灰度直方图的归一化对于图像分析是十分必要的。灰度归一化、几何归一化和变换归一化是获取图像不变性质的三种归一化方法。(4)增强对图像中的信息有选择地加强和抑制，以改善图像的视觉效果，或将图像转变为更适合于机器处理的形式，以便于数据抽取或识别。例如一个图像增强系统可以通过高通滤波器来突出图像的轮廓线，从而使机器能够测量轮廓线的形状和周长。图像增强技术有多种方法，反差展宽、对数变换、密度分层和直方图均衡等都

31、可用于改变图像灰调和突出细节。实际应用时往往要用不同的方法，反复进行试验才能达到满意的效果。3.1.2 数字图像处理的灰度直方图(1)灰度的定义 灰度使用黑色调表示物体。每个灰 度对象都具有从 0%(黑色)到100% (白色)的亮度值。使用黑白或灰度扫描仪生 成的图像通常以灰度显示。使用灰度还可将彩色图稿转换为高质量黑白图稿。 图3-1灰度条 灰度级变换(点运算)的定义： 对于输入图象f(x，y)，灰度级变换T将产生一个输出图像g(x，y)，且g(x，y)的每一个像素值都是由f(x，y)的对应输入像素点的值决定的，g(x，y)=T(f(x，y)。 对于原图象f(x，y)和灰度值变换函数T(f(

32、x，y)，由于灰度值总是有限个(如：02 5 5)，非几何变换可定义为：R=T(r)10。(2)直方图定义直方图：图像直方图是图像处理中一种十分重要的图像分析工具，它描述了一幅图像的灰度级内容，任何一幅图像的直方图都包含了丰富的信息，它主要用在图象分割，图像灰度变换等处理过程中。 从数学上来说图像直方图是图像各灰度值统计特性与图像灰度值的函数，它统计一幅图像中各个灰度级出现的次数或概率；从图形上来说，它是一个二维图，横坐标表示图像中各个像素点的灰度级，纵坐标为各个灰度级上图像各个像素点出现的次数或概率。直方图的纵坐标都对应着该灰度级在图像中出现的概率。灰度直方图的计算：若图象具有L级灰度(通常

33、L=256，即8位灰度级)，则大小为m*n的灰度图象f(x，y)的灰度直方图Hk，k=0L-1，可按如下步骤计算获得：(1) 初始化数据，清空表中所以内容；(2) 对图像中的各个像素中的灰度级进行统计，并把其相各个灰度级中所对应的像素点统计下来； (3) 用横坐标表示图像中各个像素点的灰度级，纵坐标表示各个灰度级上图像各个像素点出现的次数或概率。用本文相关代码实现源图像直方图，分别如图3-2、3-3所示： 图3-2灰度图像 图3-3直方图(3)直方图均衡英文名称：histogram equalization定义：使原直方图变换为具有均匀密度分布的直方图，然后按该直方图调整原图像的一种图像处理技

34、术。 直方图均衡原理：直方图均衡化是灰度变换的一个重要应用，广泛应用在图像增强处理中，它是以累计分布函数变换为基础的直方图修正法，可以产生一幅灰度级分布具有均匀概率密度的图像，扩展了像素的取值动态范围。若像素点的原灰度为R，变换后的灰度为S，需要注意的是R、S是归一化后的灰度值，其灰度变换函数T(R)为： (3-1)式中，Pr(Rj) 是第j级灰度值的概率，nj是图像中j级灰度的像素总数，l是图像中灰度级的总数目，n是图象中像素的总数。对变换后的S值取最靠近的一个灰度级的值，建立灰度级变换表，将原图像变换为直方图均衡的图像8。下面是实现图像直方图均衡化函数的源代码和效果图：直方图均衡的实现:(

35、1)对给定的待处理图像统计其直方图，求出Pr(rk)=nk / N .(2)根据统计出的直方图采用累积分布函数作变换, 求变换后的新灰度； (3-2)(3)用新灰度代替旧灰度，求出Ps(s)，这一步是近似过程，应根据处理目的尽量做到合理，同时把灰度值相等或近似地合并到一起。 car=imread(G:.IMG.bmp);g_car=rgb2gray(car);%灰度化GP=zeros(1,256); %预创建存放灰度出现概率的向量for k=0:255%计算每级灰度出现的概率， 将其存入GP中相应位置GP(k+1)=length(find(g_car=k)/(y*x);endfigure,ba

36、r(0:255,GP,g) %绘制直方图title(原图像直方图)xlabel(灰度值)ylabel(出现概率)% 直方图均衡化S1=zeros(1,256);for m=1:256for n=1:mS1(m)=GP(n)+S1(m); %计算SkendendS2=round(S1*256)+0.5); %将Sk归到相近级的灰度for m=1:256%计算现有每个灰度级出现的概率GPeq(m)=sum(GP(find(S2=m);endfigure,bar(0:255,GPeq,b) %显示均衡化后的直方图title(均衡化后的直方图)xlabel(灰度值); ylabel(出现概率)PA=g

37、_car;for m=0:255%将各个像素归一化后的灰度值赋给这个像素PA(find(g_car=m)=S2(m+1); endfigure,imshow(PA) %显示均衡化后的图像 title(均衡化后图像); imwrite(PA,PicEqual.bmp); 图3-4直方图灰度化后的效果图 图3-5均衡化后的直方图从上述效果图可以看出，经过直方图均衡化处理后，图像变的清晰了，从直方图来看，处理后的图像直方图分布更均匀了，在每个灰度级上图像都有像素点。但是直方图均衡化存在着两个缺点：(1)变化后的图像的灰度级减少，某些细节消失；(2)某些图像，如直方图有高峰，经处理后对比度不自然的过分

38、增强。3.2 边缘检测3.2.1基本概念边缘是指图像局部亮度变化最显著的部分，边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础，图像分析和理解的第一步常常是边缘检测。3.2.2使用edge函数的边缘检测虽然点检测和线检测在任何关于图像分割的讨论中确实很重要，但到目前为止边缘检测9-10最通用的方法是检测亮度值的不连续性。这样的不连续性是用一阶和二阶导数检测的。图像处理中选择的一阶导数是梯度，其公式如下： (3-3)为简化计算，通过取绝对值来近似，即 (3-4)这些近似值仍然具有导数性质；换言之，它们在不变亮度区中的

39、值为零，而且它们的值与像素值可变区域中的亮度变化的程度成比例。在实际中，通过将梯度的幅值或它的近似值称为“梯度”。梯度向量的基本性质是它指向f在(x,y)处的最大变化率方向。最大变化率出现时的角度为 (3-5)关键问题之一是如何数字化地估计导数Gx和Gy。函数edge使用的各种方法将在本节后作出简单介绍。在图像处理中，二阶导数通常用拉普拉斯算子来计算。换言之，二维函 数f(x,y)的拉普拉斯由二阶导数形成，如下所示： (3-6)拉普拉斯算子自身很少被直接用作边缘检测，因为二阶导数对噪声具有无法接受的敏感性，它的幅度会产生双边缘，而且它不能检测边缘的方向。然而，正像本届稍后介绍的那样，当与其他边

40、缘检测技术组合使用时，拉普拉斯算子是一种有效的补充方法。例如，虽然它的双边缘使得它不适合直接用于边缘检测，但该性质可用于边缘定位。以前面的讨论为背景，边缘检测的基本意图是使用如下两个基本准则之一在图像中找到亮度快速变化的地方：(1)找到亮度的一阶导数在幅度上比指定值的阈值大的地方。(2)找到亮度的二阶导数有零交叉的地方。IPT函数edge基于上面讨论的准则提供了几个导数估计器。对一些估计器来说，是有可能指定边缘检测器是否对水平和/或垂直边缘敏感的。该函数的基本语法为 g, t=edge(f, method, parameters)其中，f是输入图像，method为可选边缘检测器中的一种，par

41、ameter是另一个参数。在输出中，g是一个逻辑组，其值如下决定：在f中检测到边缘的位置为1，在其他位置为0。参数t是可选的；它给出edge使用的阈值，以确定哪个梯度值足够大到可以称为边缘点。3.2.3边缘检测器 (1)Sobel边缘检测器Sobel边缘检测器使用如图3-6中的掩膜来数字化地近似一阶导数值Gx和Gy。换言之，一个邻域的中心点处的梯度可由Sobel检测器按如下方式计算： (3-7)因此，我们说若在位置(x,y)处g=T，则在该位置的一个像素是一个边缘像素，其中，T是一个指定的阈值9-10。Sobel边缘检测的实现过程如下：使用如图3-6中最左边的掩膜对图像f进行滤波（使用imfi

42、lter函数），再使用另一个掩膜对f滤波，然后计算每个滤波后的图像中的像素值的平方，并将两幅图像的结果相加，最后计算相加的结果的平方根。类似的过程同样适用于Prewitt和Roberts。函数edge只是将前面的操作封装到一个函数调用中，并添加一些其他的功能，如接受一个阈值或自动确定一个阈值。此外，函数edge包含有不能直接使用imfilter实现的边缘检测技术。 图3-6 Sobel检测器掩膜及其实现的一阶导数Sobel检测器的调用语法为 g, t= edge(f, sobel, T, dir)其中，f是输入图像，T是一个指定的阈值，dir指定检测器边缘的首选方向：horizontal、ve

43、rtical或both（默认值）。以下代码用Sobel算子得到边缘检测图像，如图3-7所示。BW = edge(windscreen,sobel,);figure,imshow(BW);title(windscreenSobel)imwrite(BW,P_sobel.bmp);图3-7 Sobel算子得到的边缘检测图像(2)Prewitt边缘检测器Prewitt边缘检测器使用如图3-8中的掩膜来数字化地近似一阶导数Gx和Gy。其基本调用语法为 g, t= edge(f, prewitt, T, dir)该函数的参数和Sobel的参数相同。Prewitt检测器比Sobel检测器在计算上简单一些，

44、但是比较容易产生噪声(系数为2的Sobel检测器可提供一种平滑作用)9-10。 图3-8 Prewitt检测器掩膜及其实现的一阶导数以下代码用Prewitt算子得到边缘检测图像，如图3-9所示。BW0 = edge(windscreen,prewitt,0.04);% 0.04为梯度阈值figure,imshow(BW0);title(prewitt)imwrite(BW0,P_prewitt.bmp); 图3-9 Prewitt算子得到的边缘检测图像(3)Laplacian of a Gaussian(LoG)边缘检测器考虑高斯函数 (3-8)其中，是标准差。这是一个平滑函数，若和一幅图像卷

45、积，则会使图像变模糊。模糊程度由的值决定。该函数的拉普拉斯算子（关于r的二阶导数）为 (3-9)该函数称为Laplacian of a Gaussian(LoG)有些显而易见的原因。因为求二阶导数是线性运算，所以用左边的式子对图像进行卷积（滤波）与先用平滑函数对图像卷积再计算结果的拉普拉斯算子是一样的。这是LoG检测器的最关键概念。我们知道用左边的式子对图像卷积会产生两种效果：使图像平滑（从而减少噪声）；计算拉普拉斯算子，以便产生双边缘图像。然后，定位边缘就是找到两个边缘的零交叉10。LoG检测器的基本调用语法为 g, t= edge(f,log, T,sigma)其中，sigma是标准差，其他参数的解释如前所示