2935.模糊边缘检测算法用于人工目标的提取【源代码+开题报告+毕业论文】 .doc

目 录摘 要第一章 绪论41.1 利用边缘检测进行目标提取的含义及其应用领域41.2 利用遥感影像进行目标提取的流程41.3 模糊边缘检测算法用于人工目标提取的构想71.4 毕业论文研究的主要内容7第二章 利用模糊边缘检测算法提取人工目标的基本理论92.1 模糊边缘检测算法的基本原理92.2 传统边缘检测算法的缺陷112.3 改进模糊模糊边缘检测算法11第三章 其他相关的目标提取算法及技术比较133.1 基于改进的模糊边缘检测算法的卫星遥感影像边缘的提取133.2 基于改进的模糊边缘检测算法与其他几种常用算子检测结果的比较13第四章 利用模糊边缘检测算法进行人工目标提取方法的研究与详细设计164.1 遥感影像可视化的研究及设计164.2 模糊边缘检测算法的研究与设计174.3 检测结果影像二值化的研究及设计184.4 边缘检测结果去噪和细化的研究和设计194.5 直线段或曲线段的自动检测和拟合的研究20第五章 对房屋和立交桥等人工地物进行目标提取的实现225.1 遥感影像可视化的实现225.2 模糊边缘检测的实现245.3 图像二值化的实现255.4 利用边缘检测提取目标形状特征即目标提取的实现25第六章 结 论26参考文献28致 谢3030摘 要遥感影像自动提取人工地物不仅是摄影测量与遥感领域的一大难题也是计算机视觉与图像理解领域研究的一个重点问题。因此，构建基于遥感影像的地物目标的自动半自动提取算法，对于遥感影像的判读，分析和解译具有重要科研价值和实际应用价值。本论文主要研究利用模糊边缘检测算法进行人工目标提取的设计思想和实现方式,并以研究所得理论为指导编写出了包含模糊边缘检测等常用算法的用于遥感影像人工地物目标提取的软件Edge Detector1.0.0。遥感影像上目标的边缘在影像上表现为灰度的不连续性，传统的边缘检测算子主要对边缘信号和噪声信号不加区分，往往在图像边缘对比度较大的情况下才能获取较好的边缘提取效果。模糊边缘检测方法是Pal和King在1983年提出的一种将模糊理论应用于图像特征提取的边缘检测方法，已经在模式识别和图像处理中获得了很好的应用，充分利用了图像所具有的不确定性往往是由模糊性引起的这一特性。本论文首先简要描述了经典模糊边缘检测算法的基本原理，然后从分析其缺陷入手，提出改进后的算法思想，介绍了详细的具体实现步骤，并通过对二维影像边缘轮廓的提取,验证本文的改进算法与传统边缘检测算法经典模糊边缘检测算法相比，效果更好；同时也将这种边缘检测算法与其他常用的边缘检测算法的检测效果进行了比较，分析了不同算法的优劣和适用范围。本论文主要研究内容总结如下：（1）熟悉目标提取流程：总结并归纳常用的目标提取方法及其流程，根据检测目标的不同，总结出典型人工目标提取适用的相关方法，并设计其相应流程；（2）能用VC实现基于模糊边缘检测算法的人工目标提取，学习并掌握该方法的基本原理，思考如何进行算法改进。在理论研究的指导下设计并实现相应算法并采用该算法尝试对城市典型人工目标（如房屋和立交桥）的提取；（3）利用设计好的模糊边缘检测算法实现实际应用中的遥感影像的典型人工目标提取；（4）将模糊边缘检测算法与常规目标提取算法进行比较，寻找该方法的适用场合和各种算法的优劣之处；关键字：边缘检测，模糊边缘检测算法，隶属函数，人工目标提取。AbstractTo automatically extract remote sensing images is not only a major problem in remote sensing technology, but also a key research area in computer vision and image understanding fields. Therefore, building a algorithms based on remote sensing images to extract object automatically or semi-automatically has important value for analysis and interpretation of remote sensing images and practical application.The major content of the paper is to study how to extract target using fuzzy edge testing algorithm and to give a detailed way can be applicable in practice. Having been led by the theory，I designed and implemented the programming Edge Detector1.0.0 , including fuzzy edge testing algorithm and other common algorithm, could be used in analyzing remote sensing image.The edge of features in remote sensing images is showed discrete, the traditional edge detection algorithm is a key to the edge signal and noise signal without distinction, often in the context of the larger picture of contrast gradient can obtain better results from the edge. Fuzzy edge testing algorithm is a theory put forward by King and Pal in 1983 ,which can be used in detecting features edge.The algorithm has been put in practice in pattern recognition and image processing, making good use of the uncertainty often caused by the fuzziness of images.The paper first briefly describes of classical edge fuzzy detection, then from the analysis of weakness, with proposed improvements, exists in the classical algorithm a more effective algorithm finally is devised including detailed process. The production of edge testing using the improved algorithm has higher quality than the ones dealt with classical algorithm. Besides, comparison has been made between edge fuzzy detection and other common algorithm (e.g. Canny, Sobel, Kirsch, etc).We can acquire advantage and disadvantage of the algorithm mentioned above from the result of these experiment.The content of the paper can be briefed as follows:(1) Be familiare with the flow of obtaining target: sum up common methodsin target extraction and design algorithm for particular features.(2) Implement a program to extrat target using VC+ based on the fuzzy edge testing algorithm and think about how to improve it.(3) Use the program have been implemented to extract man-made target in remote sensing images,taking a cloverleaf junction or some buildings for example.(4) Compare the improved fuzzy edge testing algorithm with other commonAlgorithm in order to find their advantage and advantage in different situationKeywords: Edge testing, Fuzzy edge testing algorithm, Membership function, Man-made target extraction.第一章 绪论1.1 利用边缘检测进行目标提取的含义及其应用领域所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它是图像最基本的特征。边缘存在于目标、背景和区域之间，所以，边缘检测是图像分割所依赖的最重要的依据，是我们获得地物形状特征从遥感影像中提取有用的地物目标信息最为简单易行的有效方式。由于边缘是位置的标志，对灰度的变化不敏感，,因此，边缘也是图像匹配的重要的特征。 边缘检测和区域划分是图像分割的两种不同的方法，二者具有相互补充的特点。在边缘检测中，是提取图像中不连续部分的特征，根据闭合的边缘确定区域。而在区域划分中，是把图像分割成特征相同的区域，区域之间的边界就是边缘。由于边缘检测方法不需要将图像逐个像素地分割，因此更适合大图像的分割。 边缘大致可以分为两种，一种是阶跃状边缘，边缘两边像素的灰度值明显不同；另一种为屋顶状边缘，边缘处于灰度值由小到大再到小的变化转折点处。利用各种边缘检测算法实现的目标提取对于模式识别、图像理解、图像的信息量压缩，图像分割等数字图像处理的其他工作而言，是非常重要的基础处理工作。尤其是建立在通过提取图像中各目标形状特征基础上的形状分析，是对图像进行识别和理解的必不可少的步骤。1.2 利用遥感影像进行目标提取的流程综上所述，基于遥感影像的目标提取对于遥感影像的数字化处理有着及其重要的意义和实际应用价值。遥感影像数据的应用按应用方式可分为两种: 一种是将遥感影像数据作为现状或背景资料直接加以利用，如用于地形图的修测、城市规划设计以及工程项目的详细设计等; 另一种是通过对遥感影像数据的分析、解译，从中提取某些专题地物要素的信息来加以利用。对于第一种应用，由于我们只是向有关的部门提供数据，并未就其进行深入地研究，因此在这里将不作陈述。在此节我们着重讨论一下如何通过对遥感影像数据的分析、解译，从中提取我们所需的各种地物目标。目标提取的真正意义在于将内容丰富的遥感影像数据转化为具有各种专题的有用信息，以便图像处理工作人员和实际生产部门利用这些地理信息数据更好地为决策规划提供服务。目标提取的工作大致可分为三步来进行，即影像特征分析，地物目标提取1、影像特征分析 要进行影像特征的分析，必须首先确定从遥感影像数据中提取哪些地物要素的信息。遥感影像数据的信息内容十分丰富，它几乎涵盖了人的肉眼可以识别的所有地物要素。然而要把所有这些地物要素的专题信息都提取出来，这几乎是不可能的，也没有必要。要根据实际应用的需要，从遥感影像数据中提取诸如绿化、水体、道路、建筑物等一些必需地物要素的信息，如本文主要讨论的就是对于人工地物中房屋和立交桥这些地物目标的提取方法。 当需要提取的地物要素被确定之后，即可开始对这些地物要素进行影像特征分析。任何可视地物要素在其遥感影像上都具有一定的光谱特征、几何特征及其它辅助特征。其中光谱特征在视觉上最直观的反映就是色调，几何特征在视觉上最直观的反映就是形状，其它辅助特征在视觉上的直观反映有: 阴影、纹理及影像结构。所谓影像特征分析就是从色调、形状、阴影、纹理及影像结构等方面对拟被提取的可视地物要素进行影像的定性分析。通过对这些地物要素其影像的定性分析，总结、归纳出这些地物要素各自所具有的影像特征，并以此作为我们解译这些地物要素的标志和依据。 例如对于地面绿化带的影像特征分析，我们总结出乔木一般都有明显的阴影；灌木也有阴影，但不太明显，且长度较短; 草地则无阴影。人工构筑的公园、苗圃其几何形状常为矩形或不规则的多边形。再如对于水体的影像特征分析，可以知道由于光线反射角度及水体深度的不同，其色调也往往有所不同，而且陆上水体还可细分为河流、湖泊和池塘。其中河流的几何形状为条带状，且常有弯曲。湖泊的几何形状为不规则的面状。池塘的几何形状为长方型的面状，且分布较集中，排列较规则。 对于本文主要研究的立交桥和房屋影像特征进行分析我们可以总结得出立交桥的几何形状通常为条带状其道路的边缘比较清楚，道路上一般能看到汽车，路上还常常有明显的车道分隔线等标志，两旁基本很少有建筑物和行道树。 相对于立交桥的典型条带交叉形状，房屋则有多种类型。城市中常见的有: 高层建筑、新工房、花园式住宅、里弄式住宅和简易房屋。从遥感影像上看，高层建筑带有狭长的阴影; 新工房一般为平顶，排列较整齐，且屋顶设有水箱; 花园式住宅为一幢幢排列整齐的单体建筑，且每幢建筑拥有自己的花园; 里弄式住宅为一排排排列整齐的连体建筑，且屋顶为坡面，有的房屋的还设有晒台; 简易房屋的单体建筑占地面积很小，互相犬牙交错联接，形状散乱，无规则。 2、设计并选取适合于相应遥感影像的边缘检测算法并不是一个固定的边缘检测算子就能胜任所有类型的遥感影像处理，上文已经分析了不同的地物有不同的影像构成特征，所以，即使在同一幅图像中，面对各种复杂的地物目标，我们也需要设计出具有最佳提取质量、具有较高效率的算法模型。常用的边缘检测算子有Canny边缘检测算子、梯度算子、Sobel算子、Marr算子以及本论文中主要研究的模糊边缘检测算子等。我们应根据实际的影像特征来设计或选择出最符合应用要求的算法。3、利用一种编程语言实现已选择或设计好的边缘检测算法选择好一种算法之后，我们就要利用编程语言如常用的VC等，来在计算机上实现这种边缘检测算法。当然，我们设计的目标提取程序还应包含一些常用的数字图像处理功能，如简单的放大、缩小，图像的二值化等以方便我们对所要利用的遥感影像进行各种编辑和处理。4、提取已检测好的目标边缘当利用边缘检测算法检测出地物边缘后，就要将这些边缘连接成细线，形成地物目标的形状特征。这一步同样要通过编程语言在计算机上来实现。5、保存并输出边缘提取的结果，获得满足需要的成果图在上一步将边缘连成连续的细线后，检查提取结果是否满足要求，如果符合，则保存或输出目标提取结果为矢量成果图；若不符合要求，则须回溯上述流程，检查算法的合理性和编程中可能出现的错误。以上五个步骤就是进行遥感影像中目标提取的一般流程：设计并选取适合于相应遥感影像的边缘检测算法利用编程语言实现已设计好的边缘检测算法提取已检测好的目标边缘保存并输出边缘提取的结果获得满足需要的成果图影像特征分析原始影像 1.3 模糊边缘检测算法用于人工目标提取的构想众所周知，由于物体的边缘是由灰度不连续性所反映的，因此经典的边缘提取方法主要是考察图象的每个象素，其在某个邻域内的灰度变化，即根据边缘邻近一阶或二阶方向导数变化规律，利用简单的方法来检测边缘；近年来，针对图象边缘由模糊性引起的不确定性问题，提出了一种图象模糊边缘检测的改进算法，如Pal和King提出的模糊边缘检测方法就能有效地达到将物体从背景中分离出来，并在模式识别和医疗图象处理中获得了良好的应用，因此基于模糊的边缘检测技术是一种值得重视的研究方向，模糊集合理论之所以能够成功地应用于图象处理领域，并表现出优于传统方法的处理效果，其根本原因在于：图象所具有的不确定性往往是由模糊性引起的;由于一般的边缘检测技术，对图象中各区域象素灰度对比度大的边缘提取效果良好，而对对比度较小的边缘，其检测效果则不理想，或根本无法检测出来，因此，在边缘检测之前需对图象的不同区域进行增强运算，以拉开两个区域之间的对比度，保证能大幅地提高模糊图象边缘检测的质量1.4 毕业论文研究的主要内容本毕业论文（设计）的主要目的就是在利用模糊边缘检测算法进行人工目标提取的构想上利用VC编程实现以下内容：（1）打开并显示bmp格式的遥感影像；（2）实现基于模糊边缘检测算法的提取算法；（3）显示提取结果的二值化成果图；（4）实现房屋和立交桥等人工目标的目标提取，形式为目标矢量图。本论文的结构组织图如下页所示：利用VC编程在计算机上实现自动化的人工目标提取对模糊边缘检测算法的研究利用模糊边缘检测进行目标提取的设计和详细实现方法模糊边缘检测与其他常用算法的比较遥感影像目标提取概述（分析边缘检测的含义及其应用价值、提取的流程、利用模糊边缘检测进行目标提取的构想）原理缺陷改进第二章 利用模糊边缘检测算法提取人工目标的基本理论2.1 模糊边缘检测算法的基本原理 本小节首先简要介绍Pal和King提出的模糊边缘检测方法各步骤的数学基础和具体实现方法。1图像的模糊特征面对于一幅具有不同灰度的图像，以表示图像中的像素点，这样一幅大小为M×N的灰度图像可以用一个矩阵X来表示： 其中，表示像素的灰度值。从模糊集的概念来看，一幅包含L个灰度级的MN图像，可以看作为一个模糊集，集内的每一个元素均具有相对于某个特定灰度级的隶属函数，因此该模糊集又称为图像等效模糊集，也即图像的模糊特征平面。将图像从空间域映射到模糊特征域，对应的模糊矩阵记为U，并且有 矩阵中的元素/表示图像像素（m,n）灰度级相对于最大灰度级的隶属度。通常情况下也可以将模糊特征面表示为： 通常称为隶属函数， 公式中的通常取。当时称为渡越点。参数由确定，且有： 可以得到：渡越点的选取一般凭经验或根据灰度统计直方图等方法确定，需要经过多次试探和比较才能找到，十分浪费时间，选取不同的渡越点，模糊增强的效果很不相同。同时对于较复杂的图像，很难找到理想的渡越点。寻找自适应渡越点的算法，在相当长一段时间里成为热点研究方向。值得注意的是，当图像像素灰度值为0时，对应的隶属函数值满足下面条件： 也就是说，图像从空间域变换到模糊域过程中，隶属函数值在区间间取值，而不是在范围内取值。2 图像模糊增强对图像进行模糊增强处理，采用如下非线性变换（其中r为迭代次数）。表示迭代次数。 采用此公式进行模糊增强。3 逆变换对进行逆变换，得到模糊增强后的图像为的逆运算。如果第（2）步出现时，就规定的值为，从而保证逆运算成立。4 边缘提取这部分提取增强图的边缘。采用Nakagowa和RosenField提出的“min”或“max”算子。定义图像的边缘矩阵为：Edges=. g是以为中心的的窗口。2.2 传统边缘检测算法的缺陷Pal算法的具有一些不足之处，主要体现在：（1）由式得到的隶属函数值必须大于0，经变换后，将使得原图像中一定数量的低灰度值被人为的变为0，造成低灰度值边缘信息损失，致使检测与识别的精度下降，检测质量难以满足用户需求。（2）因和包含复杂的浮点运算，计算量庞大，影响系统处理速度。（3）变换形式较为复杂。多次迭代运算是为了对图像反复作增强处理。但当迭代次数增大时，反而使边缘细节消失，增强效果不明显。（4）经变换后还要进行变换，这将使得的形式对增强结果的影响不大。（5）参数具有可调性，需要优先解决参数寻优问题，这两个参数选取很大程度上决定后续图像处理效果。由于计算公式复杂，造成算法复杂度太大。（6）从Pal算法的模糊边缘检测过程可见，在提取边缘前，没有单独作抑噪处理。当图像受到噪声干扰而变得比较模糊时，若按照这一方案进行模糊边缘检测，它的效果有时不是很理想，一些不在边缘上的点也会被误判为边缘点，这样会给后续处理带来误差。2.3 改进模糊模糊边缘检测算法鉴于Pal算法的缺陷，我们希望寻找到一种既能抑制噪声干扰，尽可能地保留与目标有关的边缘信息，又能使得运算简单，避开可调参数寻优问题的改进算法。例如，傅晓薇等提出一种改进隶属函数的非线性方法并实现了对非线性方法同Pal的比较，对该模糊边缘提取算法做了一定的改进，其采用的非线性隶属函数为【傅晓薇、方康玲、李曦，2002】： 由于其隶属函数值分布于上，实现了对图像的像素灰度值进行归一化处理，处理后不会造成在原图像中的低灰度值被硬性切削为0，即保存了低灰度值边缘信息。而西北工业大学的周德龙等人则认为，实际问题中常用的隶属函数形式是所谓标准S型函数和型函数，其中，S型函数是一种从0到1的单调增长函数；型函数是指“中间高两边低”的函数，它也可以用S型函数定义，而且这两种函数相应的渡越点位置、带宽（型）和隶属函数曲线的对称性是不变的；而由Pal和King所定义的隶属函数形式不仅能近似地用来表示分段光滑的S型函数和型函数，并且其相应的渡越点位置、带宽（型函数）和隶属函数曲线的对称性均由其模糊因子（、）所决定，也就是说，这样定义的隶属函数，其相应的渡越点位置、带宽和隶属函数曲线的对称性是可以进行调整的。 由此可见Pal和King所定义的是一种很有实用价值的隶属函数形式。通过分析以前的一些模糊边缘检测方法（如Pal和King方法）可知，在图象的模糊特征平面中，矩阵的均定义为图象象素（m，n）灰度级相对于最大灰度级的隶属度。由于受这种定义方法的限制，因此在算法中的模糊增强部分，必然会出现原图象中本应增强的灰度级部分没有得到足够的增强，而不应增强的灰度级部分却得到了很大的增强，很显然，这将会影响到下一步的边缘检测，从而使检测达不到原来期望的效果。针对这种隶属函数定义的不足，提出了如下的方法进行改进，即首先采用图象分割中的阈值选取方法来确定阈值参数显然，将整个图象的直方图分为低灰度和高灰度两个部分，对于具有典型双峰分布的直方图来说，它们则分别对应目标和背景这两部分；然后再根据参数，而不是根据最大灰度级来定义新的隶属函数形式。由此可见，这种算法是在阈值的两边，即低灰度区域和高灰度区域（目标和背景）分别通过模糊增强运算来检测边缘的，即在低灰度区域主要进行衰减运算，从而使属于该区域的大部分象素的灰度值更低；而在高灰度区域则主要进行增强运算，从而使属于该区域的大部分象素的灰度值更高. 这样，经过模糊增强后，图象的各区域之间层次比较清楚，而且边缘两侧的灰度对比增强，其提取的边缘信息也就更加精细第三章 其他相关的目标提取算法及技术比较3.1 基于改进的模糊边缘检测算法的卫星遥感影像边缘的提取本节将改进的模糊边缘检测算法应用于卫星影像，原始卫星影像如图3.1(a)所示，边缘检测所得效果如图3.1(b)所示，同样取得了很好的效果，表明本文提出的方法能很好的适用于卫星遥感影像。图3.1（a）原始遥感影像图3.1（b）边缘检测结果3.2 基于改进的模糊边缘检测算法与其他几种常用算子检测结果的比较本节通过实验来比较几种图像边缘处理方法的处理效果，图3.2、3.3、3.4、3.5分别为采用Canny算子、Sobel算子、Kirsch算法、Marr算法。与上节改进的边缘检测算法的效果图相比较，可以看出：采用Canny算子，虽然检测效果较好，但同时也检测出噪声；Sobel和Kirsch算子很多细节边缘特征都损失了；Marr算法虽能较好地检测出边缘特征，但实际运算时间较长。而反观上节，采用本文改进的模糊边缘检测算法，检测效果最好，它勾画出了非常清晰的轮廓信息，对噪声的抑制能力也较强，而且处理速度较Marr算法更快。图3.2 Canny算子边缘检测效果图图3.3 Sobel边缘检测效果图图3.4 Kirsch边缘检测效果图3.5 Marr边缘检测效果图第四章 利用模糊边缘检测算法进行人工目标提取方法的研究与详细设计人工目标提取做为遥感影像处理的一种基本方式，其理论是一个完整的系统，而本毕业设计的主要内容则是基于模糊边缘检测的人工目标提取方法，完成了遥感影像的可视化，人工地物的边缘检测和目标提取，提取结果的二值化显示等功能。4.1 遥感影像可视化的研究及设计4.1.1 BMP文件格式的读入Bmp位图格式是一个比较简单的，遥感影像常用的图片格式 。Bmp是bitmap的缩写，即为位图图片。位图图片是用一种称作“像素”的单位存贮图像信息的。这些“像素”其实就是一些整齐排列的彩色（或黑白）点，如果这些点被慢慢放大，就会看到一个个的“像素”中添充着自己的颜色，这些“像素”整齐地排列起来，就成为了一幅BMP图片，并以.bmp（.rle，.dib等）为扩展名。 在本毕业设计中，所用遥感影像均为bmp格式文件，利用VC中的CDib工具类即可实现bmp格式文件的读入。4.1.2 基本影像操作功能的设计载入bmp格式文件后，影像显示出来，难免需要进行一些基本的地图操作，因此本毕业设计在影像的视图部分加入了一些基本地图功能如放大、缩小、漫游、全图显示的实现。首先为每一个基本操作按钮设置布尔变量，当我们单击某一特定按钮时，令所有布尔为假，再令该按钮布尔变量为真，同时调用AfxRegisterWndClass方法，修改实际窗口类，安装十字形光标。然后建立鼠标单击视图事件的消息响应函数，在该函数中，对布尔变量进行判断，当某一布尔变量为真时，则进行相应的处理。（1） 放大的设计用户在工具栏点击该按钮后，在主视窗中单击鼠标。单击后窗口中显示内容将以鼠标单击点为中心放大1.25倍（2） 缩小的设计用户执行“缩小”操作时，单击该按钮，在主视窗中单击鼠标或使用鼠标拉框。单击后窗口中显示内容将以鼠标单击点为中心缩小1.25倍（3） 漫游的设计实当用户因放大等原因在主视窗中只能显示图形的一部分，这时用户想察看其他的部分时，可以通过“漫游”操作寻找希望看到的部分。用户单击该按钮，将鼠标移到主视窗中，鼠标光标将变成一个手形，这时用户可以按下鼠标左键进行拖动，寻找想要看到的图形部分。（4）全图显示的设计全图显示同样也是基本的地图功能之一，当用户进行“放大”、“缩小”等操作后，可以使用“全图显示”操作在主视窗中显示地图的全图。4.2 模糊边缘检测算法的研究与设计模糊边缘检测作为一种具有优秀应用效果的用于提取地物目标的方法，对边缘检测算子的设计是其一个非常重要的方面，在本毕业设计中，主要研究的是经过改进后的边缘检测算法的实现方式。4.2.1 模糊边缘检测算法的改进由于经典的Pal算法存在一些不足之处（见第二章第二节），故我们在此需要设计出一个经过改进的边缘检测算法。传统的Pal算法在提取边缘前，没有单独作抑噪处理。当图像受到噪声干扰而变得比较模糊时，若按照这一方案进行模糊边缘检测，它的效果有时不是很理想，一些不在边缘上的点也会被误判为边缘点，这样会给后续处理带来误差。所以我们希望寻找到一种既能抑制噪声干扰，尽可能地保留与目标有关的边缘信息，又能使得运算简单，避开可调参数寻优问题的改进算法。在此毕业设计中，我主要参考了傅晓薇等提出的一种改进隶属函数的非线性方法对模糊边缘提取算法做了一定的改进，采用的非线性隶属函数为【傅晓薇、方康玲、李曦，2002】：由于其隶属函数值分布于上，实现了对图像的像素灰度值进行归一化处理，处理后不会造成在原图像中的低灰度值被硬性切削为0，即保存了低灰度值边缘信息。4.2.2 模糊边缘检测的可视化的设计改进的快速模糊边缘检测算法步骤（1）G变换L=max， （2）通常取初始值为： ，然后根据实验结果动态调整隶属度阈值 ：（3）利用公式对图像进行模糊增强变换： 对图像进行模糊增强处理，采用如下非线性变换（其中 r为迭代次数）： （4）进行运算得到模糊增强后的图像： 如果满意则转到第（6）步，不满意则转到第（5）步。（5）根据实验的结果动态调整的值，本文规定最小步长为0.01，改变了后，重新回到（3）。（6）对增强后的空域图像进行平滑运算，滤除一定的噪声以减少噪声对下一步提取边缘的影响。（7）利用Nakagowa和RosenField提出的“min”或“max”算子提取边缘，提取出的图像的边缘矩阵为：Edges= （8）若检测结果理想，则算法结束。若不理想，则可能是过大从而使得细小的边缘消失，或者是过小从而过多地提取了次要的模糊边缘，在这样两种情况下需要返回到（2）。值的选取跟用户的需求有很大关系，用户根据自己需要突出主干边缘或者需要提取细小边缘的不同要求动态的选取。（9）算法结束。4.3 检测结果影像二值化的研究及设计4.3.1 灰度图像二值化的思想描述对象形状的二值图像亦称图形，图形的形状特征是图像最本质的信息。在此目标提取程序中，我们最终要获得的是地物目标的形状特征，并根据不同的应用要求设定相应的二值化域限获得满足需要的反映提取结果的图像。4.3.2 边缘检测结果灰度图像二值化的方法在提取了图像的边缘后，通常定义边缘检测门限T（图像二值化的门限）为：其中S为所有边界点的集合，N为边界点的总点数。然后可以按照下面公式完成图像的二值化： 本设计根据需要，采用参数可调方法，设置双门限和，且有，然后可以按照下面公式完成图像的二值化： 4.4 边缘检测结果去噪和细化的研究和设计 由于光线变化和摄影成像时的复杂条件，图像二值化后不可避免会有一些噪声，具体表现在区域里有一些较孤立的特征点。噪声的存在不仅影响图像的目标识别、矢量化等工作，同时也会降低目标矢量化数据的空间定位精度。因此必须对二值化图像进行去除噪声处理(包括填补孔洞、凹陷和去除脏点、毛刺等)，以得到净化的二值图像。为了消除这些噪声，本文采用八邻域点滤波的方法，可以有效的去除干扰，清晰的分离出目标。（1）二值图像的主要噪声及对矢量化造成的影响 斑点：二值图像中不连续的小像元块。在二值图像上呈随机分布，斑点对目标的连续性没有影响，但会生成假目标； 小孔：二值图像中存在的目标线划中突然出现的空白，往往出现在粗线划的内部。它的存在破坏了线划的连续性，会造成提取边缘的畸变； 空隙：二值图像中线条的微小断裂。它的存在会给矢量化带来断线，同样破坏了提取的边缘的连续性； 边缘毛刺：二值图像中目标左右边缘上的微小突出。它的存在会带来畸变边缘，从而降低矢量化的几何精度； 边缘凹陷：二值图像中目标左右边缘上的微小缺口。与边缘毛刺刚好相反，它的存在同样可以造成细化结果中的畸变。（2）去噪方法去除二值图像中的噪声通常使用模板方式，可以根据具体情况采用3×3模板或5×5模板甚至更大。例如，可以采用图6-5-1所示的模板，“1”代表黑色像素、“0”代表白色像素、“×”代表任意像素。但是“×”只能全为“1”或全为“0”。图6-5-1 中(a)图显示的是去除毛刺和孤立点的模板，当“×”全为“0”时代表孤立点，当“×”全为“1”时代表毛刺。扫描图像上的每一个像素，若中心像素与(a)中所示的模板相匹配(包括其旋转三次90º 所形成的模板)，则中心像素由1变为0。图6-5-1 中(b)图显示的是去除凹陷和孔洞的模板，当“×”全为“0”时代表凹陷，当“×”全为“1”时代表孔洞。同理，扫描图像上的每一个像素，若中心像素与(b)中所示的模板相匹配(包括其旋转三次90º 所形成的模板)，则中心像素由0变为1。 (a) (a) (b) 图6-5-1 去除毛刺、孤立点、孔洞和凹陷的模板（3）二值化图像的细化线细化是提取线划中轴线从而将线划变为一个像素宽的过程。线状栅格影像的细化方法可归纳为两大类，第一类是基于距离变换，首先得到骨架像元，然后跟踪距离变换图中的“山脊线”，并将其作为中轴线，如最大数值计算法等；第二类是基于在不破坏栅格拓扑连通性的前提下，按对称的原则删除影像边缘的栅格点，如经典细化方法、边缘跟踪剥皮法等。一些方法在细化过程中，为了求得图像的边缘可能会丢失一部分信息从而使图像失真，例如结点附近产生畸变、线宽信息丢失、边界上的微小变化会产生不应有的小分支等。所以选用的细化方法很重要。本文采用的是经典细化的思想，经典细化算法的基本原理是：凡是去掉后不会影响原栅格影像的像元都应去掉，反之则应保留。该算法的一大优点是当栅格数据的容量超出了计算机内存的容量时，可顺序向计算机内存送入由三行构成的条带，每处理一行向前滚动一行，依次类推，直到整幅图处理完