基于改进sobel算子和遗传算法的图像边缘检测.doc

基于改进Sobel算子和遗传算法的图像边缘检测张金玉,陈彦,黄先祥(西安高新技术研究所,陕西西安)摘要:在计算机视觉和图像处理里,图像边缘检测是一个经典的问题。边缘检测的关键是阈值的选择;阈值的选择直接,决定了边缘检测的结果。如何自动确定最优阈值是边缘检测的难点之一。在本文中,Sobel边缘检测算子及其改进算法最先讨论涉及到最优阈值。然后基于遗传算法和改进Sobel算子,一种对图像处理的新兴的自动阈值算法被提出。最后,通过两种算法边缘检测的两个真正的图像试验被实施。对比实验结果表明,自动阈值的新算法是非常有效的。结果也比经典的Otsu方法更好。关键字—边缘检测,Sobel算子,遗传算法,类平方误差,。图像边缘是一张图片最基本的特征。所谓的图像边缘指的是图像中强度变化的最突出的部分。在边缘之间存在主要目标和战略目标,目标和背景,区域和区域(包括不同的颜色),是图像分析和处理的重要标准,如图像分割、纹理、形状特征。在数字图像处理与模式识别中,边缘检测都是最基本的任务之一。在图像处理中,边缘提取和检测扮演一个重要的角色。这算法的优点直接影响到系统性能。如何快速、准确地提取图像边缘信息一直是一个热门的研究课题。我们的前辈也研究出许多的边缘检测算法。Sobel算子是其中的一个经典算法[1]。经典的边缘检测算法的关键就是阈值的选择。阈值直接地决定了边缘检测的成功。如何可以自动获得最佳边缘的阈值已经是边缘检测的难点之一。如果选定的阈值过低,不仅会产生错误的边缘,而且边缘非常厚。这些需要再次重精确和重处理边缘位置的边缘通常都不足够精确。如果阈值太高了,许多边缘可能不被检测出或检测到的边界也是太分段了。目前,许多人使用的最大熵方法[2],Otsu阈值分割方法[3],[4]来取得好的结果。在这些方法中,仍有一些缺点如大计算复杂度和较低的计算效率。在本文中,基于遗传算法和改进Sobel算子之间的最大方差法提出了自动确定阈值。实验结果证明阈值选择是合理、有效的。本文的结构如下:在第2节,经典的Sobel边缘检测算子及其改进Sobel边缘检测算子进行了讨论。在第3节,介绍了基本Otsu算法。在第4节,一个新的基于遗传算法和改进Sobel算子的算法被提出了。在第5节,两个实验检查。最后,结论在第6节被提出。,特别是边缘检测算法。从技术上讲,它是一个离散的分化算子,计算一个图像灰度函数梯度的近似值。在图像上的每一个点,Sobel算子的结果既是与梯度向量相应,也与矢量基准一致。在计算3x3的邻里中心x,y方向,Sobel算子是f(x,y)的偏导数。为了抑制噪声,有一定的重量相对地增加了中心点,数字梯度近似方程描述如下:一般来说,其梯度的大小:也可以采用类似于:它的卷积模板算子如下:如果我们用Sobel算子来检测图像M的边缘,然后我们可以使用水平模板和垂直模板来盘旋图像,在没有考虑边界条件下,可得到两个同样的尺寸的梯度矩阵M1和M2作为原始图像。然后,总梯度值G可通过增加两个倾斜矩阵得到。最后,我们可以通过阈值方法得到边缘。、可分离、整