杭州电子科技大学信息工程学院毕业设计（论文）外文文献翻译毕业设计（论文）题目基于视觉的齿轮边缘检测算法设计与实现翻译（1）题目一个索贝尔图像边缘检测算法描述翻译（2）题目基于模糊逻辑技术图像上边缘检测系计算机专业计算机科学与技术姓名李俊俊班级08092313学号08923315指导教师孙志海译文一：1一个索贝尔图像边缘检测算法描述[1]摘要：图像边缘检测是一个确定图像边缘的过程，在输入的灰度图中的各个点寻找绝对梯度近似级对于边缘检测是非常重要的。

为边缘获得适当的绝对梯度幅度主要在与使用的方法。

Sobel算子就是在图像上进行2-D的空间梯度测量。

转换2-D像素列阵到性能统计数据集提高了数据冗余消除，因此，作为代表的数字图像，数据量的减少是需要的。

Sobel边缘检测器采用一对3×3的卷积模板，一块估计x－方向的梯度，另一块估计y－方向的梯度。

Sobel检测器对于图像中的噪音很敏感，它能有效地突出边缘。

因此，Sobel算子被建议用在数据传输中的大量数据通信。

关键词：图像处理，边缘检测，Sobel算子，通信数据，绝对梯度幅度。

引言图像处理在现代数据储存和数据传输方面十分重要，特别是图像的渐进传输，视频编码(电话会议)，数字图书馆，图像数据库以及遥感。

它与处理靠算法产生所需的图像有关(Milan et al., 2003)。

数字图像处理(DSP)提高了在极不利条件下所拍摄的图像的质量，具体方法有：调整亮度与对比度，边缘检测，降噪，调整重点，减少运动模糊等(Gonzalez, 2002)。

图像处理允许更广泛的范围被应用到输入数据，以避免如噪声和信号失真集结在加工过程中存在的问题(Baker & Nayar, 1996)。

在19世纪60年代的Jet Propulsion实验室，美国麻省理工学院(MIT)，贝尔实验室以及一些其他的地方，数字图像处理技术不断发展。

但是，因为当时的计算设备关系，处理的成本却很高。

随着20世纪快速计算机和信号处理器的应用，数字图像处理变成了图像处理最通用的形式，因为它不只是最多功能的，还是最便宜的。

图像处理过程中允许一些更复杂算法的使用，从而可以在简单任务中提供更先进的性能，同时可以实现模拟手段不能实现的方法(Micheal, 2003)。

因此，计算机搜集位表示像素或者点形成的图片元素，以此储存在电脑中(Vincent, 2006)。

首先，图像是在空间上的参数测量，而大多数的信号是在时间上的参数测量。

其次，它们包含了大量的信息[1] A Descriptive Algorithm for Sobel Image Edge Detection[C]. Proceedings of Informing Science& IT Education Conference (InSITE) 2009: 97-107.(Guthe和Strasser, 2004)；图像处理是当输入是图像时的信息处理方式，就像是帧视频；输出不一定是图像，也有可能是比如图像的一个特征(Yuval, 1996)。

大多数图像处理技术包括把图像视为一个二维信号，以及包括信号处理技术的应用标准。

这一过程涉及图像的增强或操纵，导致产生另一图像，冗余数据的清除和2-D像素阵列到静态不相关数据集的转化(Priotr, 2004)。

由于图像包含大量的冗余数据，学者们发现最重要的信息在它的边缘(Canny, 1986)。

边作为像素的局部特征和最接近的近邻，特征边界(Chaug-Huang, 2002)。

它们对应于对象的界限，表面方向的改变和一个小幅度的对失败的描述。

边通常对应图像上的点，图像上灰度明显地从一个像素变化到下一个。

边代表图像上具有很强对比度的区域;以图像的边缘代表一幅图像有一个基本优点，当以高频率保留图像的大多数的重要信息时，数据量明显的减少(Keren, Osadchy, & Gotsman, 2001)。

因此，检测边缘帮助提取图像突然变化区域的有用的信息特征(Folorunso et al., 2007)。

边缘检测是一个定位图像边缘的一个过程。

在一图像中边缘检测是理解图像特征的一个重要步骤。

边组成了有意义的特征并且包含了重要的信息。

它显著地减少了图像尺寸的量并且过滤了一些可能被认为相关性较小的信息，保持了一幅图像的重要结构特征(Yuval, 1996)。

当图像被改时，大多数的图像包含一些当边被检测或更换时被移走的冗余(Osuna etal., 1997)。

消除冗余可以通过边缘检测来完成。

当进行图像边缘检测时，图像中纯在的每一种冗余都被删除(Sparr, 2000)。

检测图像亮度的急剧变化的目的是要捕捉重要的事件。

在保持重要结构特征的前提下，对一幅图像进行边缘检测会大大减少要处理的数据量并且可能因此过滤掉那些被认为不太有关的信息。

图像质量反映了输出边缘的重要信息，并且图像的尺寸是在减小的。

这反过来又进一步解释了边缘检测是一种解决了高容量空间图像占用电脑内存的问题的方法。

储存，通过互联网和宽带传输这些问题在进行边缘检测时可以很简单的就解决掉(Vincent, 2007)。

由于边缘通常出现在图像边界地区，边缘检测被广泛应用在当图像被分成对应不同对象区域的图像分割。

相关方法不同的方法被用于图像处理上的边缘检测，其中有Roberts交叉算法。

Robert 将一幅照片处理成一个线条制图，再将线条图转化成一个立体的图像，最后从任何角度显示所有删除了的隐藏线条的三维结构(Robert, 1965)。

Roberts交叉算法执行图像上的二维空间梯度的卷积。

其主要思想是呈现出水平和垂直边缘，然后把边缘检测结果放在一起。

这两个过滤器突出了具有特殊频率的区域，趋向于在图像中定义一个物理边缘。

两个过滤器被设计的目的是实现对图像的角线边缘。

由于Gy图片呈现从右上角到左下方的边，Gx图像将阐明从左上角到右下角的对角线。

这两个独立的Gx和Gy图像使用近似公式相组合Gy Gx G +=。

Canny 边缘检测算子是由John F 发现的。

在1986年，Canny 使用多级算法来检测图像中广范围的边。

此外，Canny 边缘检测器是一个复杂的最优边缘检测器，它要花相当长的时间来得到计算结果。

图像首先通过高斯模糊来处理噪音。

当算法被应用时，角度和大小被得到用来确定保留边缘部分。

设置两个截止阀值点，当图像中的某些值低于第一个阀值时则降到零，当值高于第二个阀值时提高到一。

Canny(1986)认为推导一个最佳的平滑的过滤器的数学问题是给出检测的标准，定位以及减少单个边的多个响应。

他指出最佳过滤器给出的这些假设是四指数项的总和。

他还表明这种过滤器可以很好的被逼近高斯一介导数。

Canny 还介绍了非最大抑制的概念，给出presmoothing 过滤器，边缘点被定义为梯度幅度上假定的一个在梯度方向最大的点。

另一种被使用的算法是Susan 边缘检测器。

这种边缘检测算法跟着常用的算法—获取一幅图像并且使用预先确定的窗口集中在图像中的每个像素，该图像使用本地代理的一套规则给出一个边缘响应(Vincent ，2006)。

该响应再经过处理得到作为边集的输出。

Susan 边缘过滤器已经通过使用圆形遮罩(内核)以及近似的使用或常数加权或高斯加权而给出同位素反应被实现。

半径通常是3.4像素，给出37像素的遮罩，最小的遮罩被认为是传统的3.3遮罩。

被使用在所有特征检测实验中的37像素圆形遮罩被安放在图像中的每个点上，对每个点来说，遮罩上的每个像素的亮度被拿来与内核进行比较。

比较方程是：C ()0r r ，=()()()()⎪⎩⎪⎨⎧>-≤-tr I t r I 00r I if 0r I if 1 (1) 三维图像中，r 的位置即是核所在的位置，0r 是遮罩上的一些其他点的位置，I ()r 是像素的亮度，t 是不同阀值上的亮度，C 是对比后的输出。

对比是遮罩上每个像素之间的比较，而该遮罩上所有输出(C)的n 如下所示n ()0r =∑rC ()0r r ， (2) Sobel 滤波器设计大多数的边缘检测方法只能在假设边缘存在时使用，即在强度函数里有一个不连续段或图像中有一个非常陡峭的强度梯度。

使用这种假设，如果取得图像强度值的导数并且找到最大导数的点，那么边缘就能确定了。

梯度是一个向量，其组成部分测量在X 和Y 方向距离变化时如何快速地测出像素值。

因此，梯度的部分也许可以通过使用下面的近似来找到：()()()dxy x f y dx x f x x y x f ,,,-+=∆=∂∂ (3) ()()()dyy x f dy y x f y x y x f ,,,-+=∆=∂∂ (4) 沿着X 和Y 方向，分别用d x 和d y 代表距离。

在离散图像中，像素两点之间的成员组可以用d x 和d y 来代替。

d x =d y =1(像素间距)像素坐标上的点是(i ，j)，因此()()j i f j i f x ,,1-+=∆ (5)()()j i f j i f y ,1,-+=∆ (6)为检测是否存在一个梯度间断，可以计算（i ，j ）梯度上的变化。

这可以通过寻找以下幅度测量来完成， M=22y x ∆+∆ (7)梯度方向可以通过下式得出：⎥⎦⎤⎢⎣⎡∆∆=-x y 1tan θ (8) 滤波器的设计方法有许多方法可以检测边缘；多数的不同方法可以被分为这两类：梯度：梯度方法通过寻找图像的一阶导数的最大值和最小值来检测边缘。

例如Roberts ，Sobel 检测有非常尖锐边缘的特征(见图1)。

拉普拉斯算子：拉普拉斯方法通过搜索图像的二阶导数上的零交叉点来寻找边缘。

例如希尔德雷斯，高斯的拉普拉斯等等。

一个边缘有一个坡道的一维形状并且计算图像导数可以突出其位置(见图2)。

边的观点依赖：当视角变化是边也可能变化，并且通常能反映几何结构，反过来也可以反映视角的性能比如表面标志和表面形状。

相反的一个典型边缘也许是介于红色块和黄色块的边界。

然而，当一个人看到图像的像素时，一个边的可见部分是夯实的。

输入图像 输出边图1 梯度方法输入图像 输出边缘图2 拉普拉斯方法Sobel 算子是梯度算法的一个例子。

这个算子是一个离散的微分算子，计算图像强度函数的近似梯度(Sobel 和Feldman ，1968)。

式(5)和(6)上的不同算子对应于用下列标志缠绕图像。

⎥⎦⎤⎢⎣⎡-=∆0011x ，⎥⎦⎤⎢⎣⎡-=∆0101y 如果这已经完成，那么：1. 反过来，适当遮掩的左上角是叠加在图像的每个像素上。

2. 通过使用像素值(i ，j)的加权总和及他邻居上的遮掩系数来得到x d 和y d3. 这些遮掩被称作卷积遮掩或有时也称卷积内核。