基于亞像素邊緣檢測的圖像放大算法研究與實現(xiàn).pdf

1、在圖像放大問題的研究中,邊緣的清晰程度往往成為判斷圖像放大質(zhì)量的重要依據(jù)。本文將圖像放大過程分為邊緣圖像插值放大和內(nèi)部圖像插值放大兩個部分,重點研究邊緣圖像插值放大問題,其中邊緣圖像插值放大問題主要包括亞像素邊緣檢測和圖像插值算法兩個子問題,以上述兩個子問題作為研究主線,改進算法,最后通過軟件對算法進行實現(xiàn)。
　　本文首先以整數(shù)級邊緣檢測算子作為研究對象,明晰經(jīng)典檢測算子的數(shù)學形式和檢測原理,對不同算子進行仿真實驗,在對比其檢測效

2、果圖和算法優(yōu)缺點的基礎(chǔ)上,選擇了Canny邊緣檢測算子作為本文圖像邊緣檢測的算子。針對Canny算子參數(shù)固定的局限性,對高斯濾波器變換特性進行改進,使高斯濾波器的空間尺度因子可以隨圖像變化自適應(yīng)改變,并依據(jù)濾波信息頻率隨空間尺度因子正比增大的原理,分別針對不同種類圖像信息驗證改進算法的可行性。對原始圖像進行灰度均值化、椒鹽噪聲等特殊處理,提高邊緣檢測的難度,以此進一步證明改進自適應(yīng)Canny檢測算子的優(yōu)越性。通過Matlab實驗,改進C

3、anny算子能夠有效地保證邊緣檢測的精準性和虛假邊緣的剔除性,結(jié)果較傳統(tǒng)檢測方法細致全面,能夠準確描述圖像細化信息;對圖像加入隨機噪聲和椒鹽噪聲干擾,對比結(jié)果表明,改進Canny算子能夠有效地分辨高頻噪聲和邊緣,在保證邊緣完整性的前提下,減少偽邊緣。通過比對改進前后檢測結(jié)果,證明本文提出的改進Canny算子檢測邊緣的準確性和具有虛假邊緣剔除能力。
　　在整數(shù)級邊緣粗檢測的基礎(chǔ)上,著力研究亞像素邊緣檢測的原理,將亞像素邊緣檢測分為亞

4、像素邊緣定位和亞像素灰度計算兩部分。學習擬合法亞像素邊緣定位的基本原理,分析比較各種擬合算法的精確度和復(fù)雜度,選擇曲線擬合法進行亞像素級邊緣定位,針對二次曲線擬合過程中邊緣確定方法未區(qū)分相異方向邊緣的局限性,提出改進的最小值法和加權(quán)法,以期改善原方法的局限。選擇曲面擬合像素分割算法,對像素進行分割,結(jié)合曲線擬合定位中對邊緣方向的選擇,確定亞像素灰度。建立圖像分割質(zhì)量評價體系,針對傳統(tǒng)均方誤差的上述不足和曲面擬合亞像素分割算法的特點以及圖

5、像分割的特點,本文提出了分級加權(quán)均方誤差評價指標的概念,對于同一整數(shù)像素分割得到的不同位置亞像素灰度,計算均方誤差時依據(jù)整數(shù)像素分割級別賦予不同權(quán)重,以此提高均方誤差的精度,從而完成高質(zhì)量的圖像分析,評價圖像分割質(zhì)量。綜合亞像素邊緣定位和灰度計算方法,提出了一種基于曲線擬合和曲面分割位置灰度多向結(jié)合的亞像素邊緣檢測算法,并將其應(yīng)用于本文的圖像放大算法中。
　　針對某一圖像插值放大可以分解為內(nèi)部圖像插值放大和邊緣圖像插值放大。本文在

6、介紹多種傳統(tǒng)插值算法(包括線性插值算法和非線性插值算法)的基礎(chǔ)上,對圖像信息進行分類,依據(jù)內(nèi)部圖像低頻平滑性,選擇雙線性算法對內(nèi)部像素點進行插值放大。由于本文同時精確了邊緣的亞像素位置和亞像素灰度,不宜采用以整數(shù)灰度值作為計算模板的傳統(tǒng)亞像素邊緣檢測算法;本文設(shè)計基于誤差反向傳播神經(jīng)網(wǎng)絡(luò)的計算模型作為邊緣亞像素灰度提取的函數(shù)逼近方法,定義低分辨率單位元,用已檢測出的亞像素邊緣點作為訓練數(shù)據(jù),通過反向傳播學習算法自適應(yīng)地調(diào)整權(quán)值,實現(xiàn)邊緣

7、函數(shù)逼近。
　　建立圖像放大質(zhì)量評價體系,從主觀視覺感受和客觀數(shù)據(jù)分析兩方面評價圖像放大質(zhì)量,對本文提出的圖像放大算法進行仿真實驗,計算放大后圖像的平均梯度值,試驗結(jié)果表明,相對傳統(tǒng)的圖像放大算法,本文提出的算法鋸齒現(xiàn)象明顯減弱,邊緣更加清晰,放大效果較好。從主觀和客觀兩方面驗證算法的正確性。
　　本文借助VisualC++6.0開發(fā)環(huán)境通過原始圖像加載、整數(shù)像素邊緣檢測、亞像素邊緣檢測、圖像插值放大和圖像保存等過程實現(xiàn)本文