濾波器去噪原理和基本方法精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的濾波器去噪原理和基本方法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：濾波器去噪原理和基本方法范文

關鍵詞：深度學習算法；視頻圖像；文本區域定位；形態學去噪；字符識別

DoI：10.15938/j.jhust.2016.06.012

中圖分類號：TP391.43

文獻標志碼：A

文章編號：1007-2683（2016）06-0061-06

0.引言

視頻中的文字檢測與識別是視頻圖像檢測領域的一項重要研究內容.在復雜背景下，視頻文本的準確定位與識別有利于進行視頻圖像檢測，只有準確的視頻文本區域的定位，才能提高OcR字符識別系統的文本識別準確率，進而提高基于內容的視頻圖像的正確檢測的效率，對視頻定位與檢索有十分重要的應用價值，一般的文本定位方法主要包括：邊緣特征定位法、筆畫寬度定位法、紋理特征定位法、機器學習法等，本文采用2D-Gabor濾波器與深度學習算法相結合的方法，實現對復雜背景視頻中文本區域的定位，并研究了基于形態學的視頻圖像去噪方法，再通過OCR系統實現字符的識別，以提高OCR系統字符識別的準確率。

1.深度學習視頻文本區域定位與識別流程

本文將深度學習算法理論應用于視頻文本區域定位與識別過程，設計了一種基于紋理特征的逐層增量深度學習算法.該算法的處理流程如圖1所示.首先，將視頻圖像通過Gabor濾波器濾波，獲得視頻圖像文本中文字的紋理特征；接著，將紋理特征作為訓練樣本，利用受限玻爾茲曼機（restricted bolt-zmann machine，RBM）逐層對紋理圖像進行增量學習，在學習過程中，用標記樣本作為監督數據進行網絡微調，構成深度置信網絡（deep belief network，DBN），并標記文本區域和背景區域的二值圖像；之后，利用形態學方法對二值圖像去噪處理，再映射到定位圖像上，得到僅包含文本區域而去除背景區域的文本圖像，最后，再將圖像進行二值化、灰度等后續處理，送入到OCR字符識別系統進行字符識別.

2.逐層增量深度學習視頻文本定位算法

2.1視頻圖像紋理特征的提取

字符的紋理具有周期性，并且在一定的頻率范圍內能量相對集中，所以可以利用二維Gabor濾波器對視頻圖像在不同尺度和方向上進行濾波，Gabor濾波器理論最早由Daugman提出，能夠很好地描述對應于空間頻率（尺度）、空間位置及方向選擇性的局部結構信息。

鑒于中文字符主要由橫、撇、豎、捺4種基本筆畫組成，所以Gabor濾波器要求能夠在這4個方向上反映中文字符的筆畫特征，并且要求能夠保證對這4個方向紋理區域的頻率分量均有很好的響應。Wang等研究了Gabor濾波器中心頻率與漢字的筆畫的關系，發現Gabor濾波器的中心頻率與周期入成倒數關系，且周期入是筆畫寬度η的一半，當筆畫的方向與Gabor濾波器的方向處于正交時，Ga-bor濾波器輸出最優，因此，可以通過筆畫的寬度來確定Gabor濾波器的中心頻率，本文中Gabor濾波器所選擇的參數為低頻中心頻率U1，/sub>=0.2，高頻中心頻率U，sub>h0.4，方向數和尺度數分別為T=4，M=4。

圖2（b）所示為圖2（a）原視頻圖像在橫、撇、豎、捺4個方向進行Gabor濾波后的結果.由圖2（b）可知，Gabor濾器能夠將文字紋理和背景紋理分離，并使文字在橫、撇、豎、捺4個方向的紋理信息得到保持，同時背景區域的紋理被有效的抑制。

2.2深度學習算法基本原理

深度學習是機器學習研究領域中的一個新問題，其目的在于建立、模擬人腦進行分析學習的神經網絡，深度學習算法是由深信度網絡（depth be-lief network，DBN）上的一系列受限玻爾茲曼機（re-stricted bohzmann machine，RBM）的概率模型組成.深度學習算法一般描述過程如下：假設有一個系統s，它有n層，S1，S2....Sn設輸入為I，輸出為o，學習的一般過程表示為：I=S1=S2，…Sn=O，如果輸出O等于輸入I即輸入I經過這個系統變化之后沒有任何的信息損失或者損失很小，可以看作基本上保持不變，這意味著輸入，經過每一層Si，都幾乎沒有信息的損失，即任何一層SI，都是原有信息（即輸入i）的另外一種表示，深度學習算法的核心思路有：①無監督學習用于每一層網絡的預訓練；②每次用無監督學習只訓練其中一層，將其訓練結果作為其高一層的輸入；③用自頂而下的監督算法去調整所有層。

2.3深度學習網絡（DBN）的構建

本文采用的深度置信網絡的深度學習算法，是通過一系列受限波爾茲曼機（RBM）的概率模型組成.Hinton和sejnowski等設計了一種能夠用在機器學習中的隨機循環網絡一受限波爾茲曼機，它是一種如圖3所示的兩層無向圖模型，包含可視層v和隱藏層h，同時限制同一層節點之間的連接，而不同的單元層之間有連接。

2.4網絡訓練與權值調整

DBN網絡需要進行訓練以獲得最佳權值，通常DBN網絡訓練包括自底向上非監督學習和自頂向下的監督學習兩個部分，其過程為先對紋理特征圖像采用RBM進行逐層增量學習，應用最大似然估計法不斷地調整網絡中權值，使RBM達到能量平衡，再用監督數據，對整個DBN網絡進行微調，

在非監督學習過程中，DBN網絡中每一個狀態值都對應一層的結點，計算的輸入輸出數據都是對應結點狀態值為“1”的概率值，而Hn層的輸入向量是每個文字區域的紋理樣本，通過交替的吉布斯采雍螅作為DBN網絡的輸入.設深度學習網絡結構包含n個隱藏層，每層的節點數分別是L1，L1，…，LN，紋理特征圖像送入到DBN網絡中的輸入層Ho層，不斷的調整Hn和H1，之間權值Wo，根據式（8）、（9）將調整得到的權值Wn與初始數據根據式（7）計算出一組新的概率送入H1層，作為H1層的輸入數據.重復上述計算過程得到WS1，WS1，…，Wn-1最終得到DBN網絡的初始權值Wi={Wo，w1，W2，…，Wn-1}，DBN網絡包含n+2層，即H0，H1，H2，…，Hn層和樣本標簽數據層，其中HSn作為輸入層，其節點數為64，標簽樣本層為輸出層，中間n層的節點數分別是L1，L2，LSn，…采用無標注的訓練樣本構建DBN網絡，以HSo和H1之間的訓練為例，HSn和Hn，層構成了一個RBM，HN與可見層移的節點數相同，H1，與隱藏層h的節點數相同，利用交替的吉布斯抽樣來調整權值WSn，直到RBM收斂。

在非監督學習過程中，保存RBM調整得到的權值，并作為自頂向下的監督學習的初始權值，與監督學習過程一樣，根據樣本的標注，采用梯度下降法再次微調權值，這里，RBM網絡和DBN網絡采用同樣的網絡結構，都具有相同的輸入層和隱藏層，包括每層的節點數目也都相同，只是DBN網絡最后還有一個輸出層.DBN網絡訓練過程如圖4所示，

3.形態學視頻圖像去噪處理

通過深度置信網絡法對文本區域準確定位后，再根據字符的特征，采用形態學處理方法實現對空洞區域和孤立點進行填充、去噪、腐蝕以及膨脹等操作，最后再將獲得的標記二值圖像映射到原圖像，實現清晰背景的文本圖像。

針對圖像中存在的孤立點噪聲問題，通過鄰域背景區域形態學比較，修改標記二值圖像中孤立點背景區域值，實現孤立點去噪處理，如在標記二值圖像過程中，由于字符之間存在間隔和中文標點符號，經過DBN網絡處理后，該區域易被判定為背景區域，此時需要根據形態學法進行背景填充，即將背景區域值“0”修改為文字區域值“1”，為消除視頻圖像中次要文本區域的定位，以達到對視頻中主要文字信息的提取與識別，本文采用了基于形態學的圖像腐蝕與膨脹方法。

選用原點位于中心的5×5對稱結構元素作腐蝕和膨脹運算，由于腐蝕運算，在去除噪聲點的同時，會對圖像中文本區域的形狀有影響，故在進行腐蝕運算，去除部分噪聲點后，再進行膨脹運算以消除腐蝕運算之后對文本區域的影響。

經過DBN網絡、形態學去噪處理以及圖像映射后的效果如圖5所示，由圖5所示可見視頻圖像在經過訓練的DBN網絡處理后，可以有效定位出字符、文本區域信息，如圖5（b）所示；而經過形態學處理后圖像中的噪點和不連續點被有效去除，獲得清晰的文本區域圖像，如圖5（c）所示。

4.OCR字符識別及結果分析

視頻圖像文本區域定位都是從最底層特征映射出相應的頂層特征，依次層層映射，直到得到最頂層的結果。

通過對DBN網絡及經形態學處理后文本區域，進行二值化處理，去除與邊界相連的區域，將文本域背景黑白反轉，再送到OCR軟件進行識別。圖6所示為圖5中視頻幀圖像中的一段文本區域的二值反轉圖像，圖7為此二值反轉圖像經OCR識別后的結果。

將本文提出的逐層增量深度學習算法與神經網絡、經典Kim方法以及SVM方法對文本區域的定位作對比.采用式（12）中的查全率（RR）、查準率（PR）以及系數F來綜合評價這幾種方法的使用效果。

其中：c為圖像中正確檢測到的文本區域個數；m為圖像中檢測到的文本區域總數；n為圖像中實際存在的文本區域總數；F系數用來對各個算法性能進行綜合排名，是將查全率和查準率這兩個性能的指標線性合并而成。

4.1不同網絡結構的比較

為研究不同DBN網絡結構對算法性能的影響，故測試了不同DBN網絡層數的性能，實驗結果如表1所示，測試數據表明，隨著網絡層數的增加，DBN網絡的正確率逐步提高，網絡的逼近能力逐步增強，但是，隨著網絡層數的增加，網絡的復雜度也會不斷的增加，網絡的泛化力會逐步降低，所以并不是網絡層數越多越好，實驗中，認為4-DBN網絡能夠滿足文本區域的需求，因此后續實驗選擇4-DBN網絡為基準。

4.2與其他方法的比較

通過選用100幅不同背景的視頻幀圖像、字體大小、字體顏色、單行或者多行等情況下，采用如上4種不同方法對文本區域進行定位和對比，測試結果如表2所示。

從表2的試驗結果對比可以看出，DBN網絡文字區域定位的效果要明顯優于其它3種方法，其查全率和查準率均高于Kim和SVM法，并且其F系數也是最高的.針對表1中DBN網絡正確定位的文本區域總數378個，總字符數為5059個，進行文本識別實驗，經二值化和形態學去噪處理后再進行OCR識別，表2測試結果表明，DBN網絡在文本定位方面與其他3種算法有著明顯的優勢.通過正確定位出文本區域，使對視頻中的文本字符的正確識別率也明顯提高，保障了后續文本識別的正確率.

第2篇：濾波器去噪原理和基本方法范文

【關鍵詞】小波分析；小波去噪；非平穩信號；matlab仿真

Abstract：This paper describes the emergence and development of wavelet analysis, and its principle and mathematical description was given instructions, further illustrates the application principles and methods of wavelet analysis to eliminate noise, this paper focus on the residential noise of non-stationary signals study, carried out the algorithm and simulation results.Key words: wavelet analysis; wavelet denoising; non-stationary signals; matlab simulation

中圖分類號：O29 文獻標識碼： A 文章編號：

小波分析是當前應用數學和工程學科中一個迅速發展的新領域，經過近10年的探索研究，重要的數學形式化體系已經建立，理論基礎更加扎實。與Fourier變換相比，小波變換是空間(時間)和頻率的局部變換，因而能有效地從信號中提取信息。通過伸縮和平移等運算功能可對函數或信號進行多尺度的細化分析，解決了Fourier變換不能解決的許多困難問題。

小波(Wavelet)這一術語，顧名思義，“小波”就是小的波形。所謂“小”是指它具有衰減性；而稱之為“波”則是指它的波動性，其振幅正負相間的震蕩形式。與Fourier變換相比，小波變換是時間(空間)頻率的局部化分析，它通過伸縮平移運算對信號(函數)逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學方法上的重大突破。有人把小波變換稱為“數學顯微鏡”。

一、小波分析原理及其數學描述

小波分析是一種窗口大小（即窗口面積）固定但其形狀可改變，時問和率窗都可改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率較低的時間分辨率，即在高頻部分具有較高的時間分辨率和較低的頻率分辨使小波變換具有對信號的自適應性。

二、小波去噪原理

運用小波的多分辨分析特性進行信號、圖像的去噪處理是小波分析的重要應用之一。

在實際工程中，有用信號通常表現為低頻信號或是一些比較平穩的信號，而噪聲信號通常表現為高頻信號。

小波閾值去噪的處理方法一般有以下三種：

1）強制去噪處理。該方法把小波分解結構中的高頻系數全部變為零，即基于小波分析的車牌識別系統研究把高頻部分全部濾掉，然后在對信號進行重構處理；這種方法比較簡單，重構后的去噪信號也比較平滑，但容易丟失信號的有用成分；

2）閾值去噪處理。該方法利用ddencmp函數產生信號的默認閾值，然后利用wdencmp函數進行去噪處理；

3）給定軟（或硬）閾值去噪處理，閾值往往可以通過經驗公式獲得，而且這種閾值比默認閾值更具有可信度。

三 、小波去噪的研究

噪聲通常被認為是有害信號，一般情況下應被抑制，然而，噪聲中也可能包含許多有用信息，如機電一體化設備運行中所產生的噪聲，就在一定程度上包含了反映其工作情況，狀態信息或參數等內容，因為這些設備在運行時，其中力、速度、加速度的變化以及振動的振幅、頻率等信息都會以噪聲的形式表現出來。如果能采集、記錄到這樣的噪聲信號并對其進行必要的處理，就能從中提取到機電設備的工作情況、狀態參數等重要信息，還能以此作為我們對其進行監控的手段之一。利用噪聲信號中的有用信息進行機電設備的故障診斷或狀態監控，關鍵之處就是要對它進行合適的處理，因為在生產現場所采集到的噪聲信號非常繁雜且數據量很大，這其中有不少是無用數據，若不進行處理的話，很難獲得我們想要的信息。在實際的工程應用中，所分析的信號可能包含許多尖峰或突變部分，并且噪聲也不是平衡的白噪聲，對這種信號進行分析，首先需要作信號的預處理，將信號的噪聲部分去除，提取有用信號。對這種信號的消噪，傳統的傅里葉變換顯得無能為力，因為傅里葉分析是將信號完全在頻率域中進行的，它不能給出信號在某個時間點上的信號變化情況。而小波分析由于能同時在時、頻域中對信號進行分析，所以它能有效地區分信號中的突變部分和噪聲，從而實現信號的消噪。

1、小波分析用于降噪的過程

小波分析用于降噪的過程，可細分為如下幾段。

1）分析過程：選定一種小波，對信號進行N層小波（小波包）分解；

2）作用閾值過程：對分解得到的各層系數選擇一個閾值，并對細節系數作用軟閾值處理；

3）重建過程：降處理后的系數通過小波（小波包）重建恢復原始信號。

這個過程基于下如基本假設，即攜帶信息的原始信號在頻域或小波域的能量相對集中，表現為能量密集區域的信號分析系數的絕對值比較大，而噪聲信號的能量譜相對分散，所以其系數的絕對值小，這樣我們就可以通過作用閾值的方法過濾掉絕對值小于一定閾值的小波系數，從而達到降噪的效果。

2、用小波分析對非平穩信號消除噪聲

在一個方波信號上加入一個高斯白噪聲，再將其分別用小波分析和傅里葉變換進行信號噪聲消除。

1）小波基的選擇：

作為小波的函數，它一定要滿足容許條件，在時域一定要是有限支撐的，同時，也希望在頻域也是有限支撐的，但若時域越窄，其頻域必然是越寬，反之亦然。在時域和頻域的有限支撐方面往往只能取一個折中。此外，希望由母小波形成的是兩兩正交的；進一步希望有高階的消失矩，希望與相關的濾波器具有線性相位等等。這里選擇的是sym小波，又稱為正交小波，它是雙正交小波，并是緊支撐的，且接近對稱（故所用的濾波器可接近于線性相位）。

2）小波多尺度分解各子帶系數的特點及噪聲影響

對圖像的小波變換覆蓋了圖像頻帶90%的小波系數集中在21、22、23它們包含了大部分圖像信息，所以可以只考慮這三個尺度的信息，而尺度2j> 23 的信息保留在圖像的低頻分量中。隨著層數的增加，小波系數的范圍越來越大，說明較低層的小波系數具有更重要的地位。分辨率最低時，該子帶小波系數的范圍比別的子帶小波系數范圍寬，值和方差都比別的要大，說明這些小波系數同樣具有重要地位。

在各個子帶做特征提取之前，應首先考慮圖像中噪聲對子帶系數的影響。根據Donoho 的理論對含噪圖像連續做幾次小波分解之后，由空間分布不均勻的干凈圖像所對應的各尺度上小波系數在某些特定的位置有較大的值，這些點對應干凈圖像的畸變位置和重要信息，而其它大部分位置的值較小；對于白噪聲而言，它對應的小波系數在每一尺度上的分布是均勻的，并隨著尺度的增加，系數的幅值有所減小。可以看出，噪聲的影響主要集中在最高頻子帶中。因此考慮消噪問題時，可根據噪聲小波分解的系數的特點找一個合適閾值λ，把低于λ的小波系數視為主要由噪聲引起的設為0，而高于λ的予以保留，對最高頻子帶可提高閾值以減少噪聲影響。

參考文獻

[1]胡廣書，現代信號處理教程，清華大學出版社，2004

[2]徐長發、李國寬，實用小波方法，華中科技大學出版社，2001

[3]董長虹，Mablab小波分析工具箱原理與應用，國防工業出版社，2004

[4]小波分析理論與MATLAB實現，電子工業出版社，2005

[5]胡昌華、李國華，基于MATLAB6.X的系統分析與設計―小波分析，電子工業出版社，1999

[6]周利清譯，信號處理引論，電子工業出版社，2005

[7]張建國、孫曉東、張禮勇，基于時頻分析的信號特征提取方法研究，電測與儀表，Vol.42 No.474 Jun. 2005

第3篇：濾波器去噪原理和基本方法范文

關鍵詞：噪聲消除 Matlab Verilog

中圖分類號：TP39 文獻標識碼：A 文章編號：1007-9416（2013）09-0139-02

1 常用的噪聲消除基本原理

數字圖像噪聲處理方法大致可分為在空間域處理和在頻率域處理?？臻g域噪聲處理方法主要包括：鄰域平均法、中值濾波、多圖像平均法等。頻率域處理方法從狹義上說是指圖像經過傅立葉變換（FT），然后利用已設計好的低通濾波器濾除高頻噪聲；從廣義上說是指圖像經過DCT變換或Walsh變換或Wavelet變換后利用每種變換自身特點衰減噪聲。

2 改進型領域平均法的MATLAB驗證

本設計采用的是改進型領域平均法，確定其領域范圍為四領域，也就是像素點周圍任意設定的四個點作為處理對象。并且根據討論的8領域閾值T的取值范圍，在四領域中取其值為20—50之間的任意一數。

在實際的處理過程中，噪聲的檢測是將像素點的灰度值分別與相鄰四個點的灰度值進行比較，如果它們的灰度差值存在大于閾值T的數（程序中閾值取為32），那么就認為該點為噪聲點。

對改進型領域平均法，首先用MATLAB驗證其正確性與可行性。MATLAB處理數字圖像非常方便。

MATLAB驗證的具體思路：

（1）首先用MATLAB中的rgb2gray將真彩色的圖像轉化成灰度圖；

（2）然后利用imnoise函數給灰度圖像加上椒鹽噪聲，并且將一些固定點值設定在[0：15]或[240：255]的范圍內，認為其為壞點；

（3）使用函數dec2bin將加入椒鹽噪聲和固定壞點的圖像的灰度值轉化成二進制數據，以便Verilog的數據讀入；

（4）編寫程序用MATLAB實現其算法（消噪過程中的閾值取為32）。

從視覺效果來說由領域平均法處理后圖1（a）幾乎看不到有噪聲點，而1（b）中還能看到幾個明顯的噪聲點。由此可以得出的結論，該算法對加入噪聲點的比例小的圖像處理效果比加入噪聲多的圖像效果要好。下一步將利用Verilog語言來實現其算法。

3 領域平均法的Verilog實現

如（圖2）模塊端口功能說明：Rst——系統復位信號，在高電平有效；Clk——系統時鐘信號，本實驗中的頻率為10MHz，同時也是數據采集信號，Clk的上升沿讀入數據；Vsync——幀同步信號，在高電平有效；Hsync——行同步信號，在高電平有效；Data_in——輸入圖像數據；Flag_h——行計數器屏蔽信號，為了達到可綜合的功能引入的屏蔽信號；Flag_l——列計數器屏蔽信號，為了達到可綜合的功能引入的屏蔽信號；Flag_vh——幀計數器屏蔽信號，為了達到可綜合的功能引入的屏蔽信號；Vsync_out——幀輸出信號；Hsync_out——行輸出信號；Data_out——處理完后輸出圖像數據；

幾個寄存器變量：vcounter——幀計數變量；hcounter —— 行計數變量；lcounter —— 列計數變量。

本程序中對于vcounter，hcounter采用異步復位在rst的上升沿的時候置為0，而lcounter以及寄存器m，n，p，q，i，j采用的是同步復位。可以很清楚地明白每個信號上升沿時刻各變量的變化：在幀選擇信號vsync和行選擇信號hsync上升沿，分別對幀計數變量vcounter、行計數變量hcounter和列計數變量lcounter執行相應的變化；在時鐘信號clk上升沿時，如果幀同步信號vsync和行同步信號hsync均有效，則讀入數據，根據行計數變量hcounter的值不同，選擇所讀入數據的存儲；并且在時鐘信號clk上升沿，若在有效像素區域內，則執行所采用的消噪算法，進行鄰域比較和鄰域平均賦值。

由于4鄰域平均法，只有知道三行的數據才能用鄰域平均值替代中間行的原灰度值，因而設定兩個行存儲器mem_1和mem_2，而且隨著處理的進行，這兩個行存儲器必須往下循環賦值：即在輸出第二行數據時，mem_1記錄第一行數據，mem_2記錄第二行數據；輸出第三行數據時，mem_1記錄第二行數據，mem_2記錄第三行數據；……直至輸出第M行數據時，mem_1記錄第M-1行數據，mem_2記錄第M行數據。

當行計數變量hcounter=1時，將數據存入存儲器mem_1；當行計數變量hcounter=2時，將數據存入存儲器mem_2；當行計數變量hcounter>=3時，數據直接讀入寄存器reg_x，處理完之后，將該寄存器的數據存入存儲器mem_2，而mem_2中原來的數據存入存儲器mem_1中。通過這樣的賦值，可以一直記錄下待處理行和上一行的數據，加之最新讀入的下一行數據，就可以采用4鄰域平均法進行處理了。

第4篇：濾波器去噪原理和基本方法范文

本文主要研究了圖像識別在軸承孔徑檢測中的應用,通過對實驗結果進行分析，找到有效提高傳感器成像精度、減小噪聲等方法來改進傳感器采集數據質量和提升系統分辨率。通過實驗分析出其中存在問題，并將其改進，從而獲得更加準確和有價值信息。本課題的難點:由于機器視覺系統屬于非線性體敏感元件，而傳統意義上線性變換是非平穩隨機過程;線性規劃方法也無法解決非連續優化性問題。

1.1 軸承孔徑檢測系統的組成

在工程中，軸承孔徑檢測系統主要由三個部分組成:圖像采集模塊、背景信息提取模塊和實驗數據處理與分析平臺。圖像獲取是指通過各種傳感器來獲得所需的運動參數。該過程可用于實時監測并對其進行量化研究;預處理包括濾波重建及邊緣提取等操作;由于噪聲干擾，在實際應用中通常需要將軸承孔徑信號。本文研究的內容是圖像識別在軸承孔徑檢測中，主要包括了預處理。將灰度變換、邊緣提取和邊緣定位等相關方法進行集成。二值化。對波峰產生過程進行分析，并確定閾值選擇原則;根據噪聲標準信號來判斷是否有噪音出現;然后通過模板匹配技術實現圖像的輪廓與特征分離以達到最佳識別效果,從而保證后續工作順利進行。攝像機用于記錄運動物體(如軸或盤)在空間中走勢，并控制其向投影,拍攝所需要的圖片，同時采集每個像素點對應于該載體上所有對象位置信息;鏡頭通過攝像頭收集到數據后傳送給處理器進行計算運算;計算機則將圖像處理結果實時地存放在內存上以待識別系統分析的時間周期內。

1.2 孔徑測量

孔徑測量的方法有很多種,例如:光學傳感器法、紅外探測器技術和磁粉檢測器法等等。但其應用范圍比較廣泛。光學傳感器是用來對太陽光進行折射或反射的種非接觸式測角儀器;光電轉換器件將被轉化為電信號輸出;在一些特殊場合下也可以使用孔徑測量儀來測量軸上或者偏心位置，如:激光探傷、電磁感應檢測等都可用于孔徑測定和精密度。孔徑測量是一種對物體表面的徑向或軸心進行無接觸式稱重方法。其工作原理為:首先由傳感器獲取待測零件在不同位置上的垂直方向和水平方向上兩部分，并記錄下數據,然后將這兩個數值計算平均值得到該平面內任意點對應0-1m圖像。根據測得結果確定出所需檢測孔數及尺寸后即可測量徑值或軸心直徑等參數作為參考依據可進行定位、標定工作。為了提高孔徑檢測的精確度，需要對運動著、結構復雜且有嚴格要求工件加工位置進行準確測量。通常采用的是光學掃描方式來獲取孔徑信息。但是由于相機在拍攝過程中可能會存在曝光誤差等因素導致其成像不夠精確,所以通過圖像處理方法獲得了較好的精度和分辨率后就可以利用投影法或其他形態學方法實現孔徑檢測工作，即基于空間分析特征提取出有效地、完整且可描述的邊緣區域并對這些輪廓進行準確識別以作為最終孔徑信息。

1.3 圖像成像

本文使用的圖像預處理算法是基于Matlab軟件開發平臺所提供。該程序首先通過對運動目標進行測量,將采集得到的數據導入到計算機中，然后經過解算后獲得了最終模型。在整個過程中采用的是變換域法來完成圖像成像:①先把待拍攝物體分割成不同區域;②再根據輪廓形狀特征選擇相應像素點;③最后再掃描所有傳感器獲取完整圖像并計算出投影面積和相干長度從而形成一個新圖象。圖像處理和成像的目的都是為了獲得清晰、完整的目標信息。在實際應用中，我們通常采用兩種方式實現:(1)將待測物體放在光學系統上。由于灰度分布是不均勻性因素存在于其中，所以一般情況下無法進行標定校準;(2)用一定半徑長度或寬度比尺量出一個點或一組圖像來表示圖像對象特征信息的過程稱為成像。在這個過程中可根據需要通過不同方法處理得到所需結果。在對不同的圖像進行處理后，我們可以得到不同特征值對應其灰度級分布情況。通常，將待測樣品按照一定比例放置于相應區域中。但是由于實際測量過程中會受到噪聲干擾影響信號質量及邊緣位置變化等信息難以獲取時效性較差、同時成像效果也有很大差異:因此在這種情形下需要使用到的是基于特定方式來實現圖像預處理的方法，一般常用特征值對應點表示為灰度級分布函數,即Q=1/XRL)*Str。

1.4 圖像傳感器與信號

目前,傳感器技術已經在廣泛的應用，其功能是向特定方向發展,包括從不同角度來收集信息。如:將圖像信號轉換成數字量進行處理;通過對傳感器輸出的模擬電壓或電流變換到相應頻率電路中所需形式等過程獲得輸入信號。在實際工作情況下通常采用兩種方式實現傳感器與待測物體之，間準確、快速地傳遞數據和實時響應速度以及準確性要求(即高精度),這就是常用的幾種動態信息采集。由于不同的傳感器，其工作原理也不相同。紅外檢測器:通過對紅外光信號進行調制,使之成為紅外線發射/接收裝置所需要使用到的設備或器件(如測溫儀、計算機)，微波探頭:由特殊材料制成且采用對稱放置構成并能與外部電路連接而成一個整體結構系統。該探測元件可用于對不同波長和振動頻率范圍內物體的監測,也可以檢測出內部溫度變化及外部磁場強度等信號，具有較高靈敏度。信號處理的目的是為了獲得有用信息,圖像傳感器則主要用來獲取運動物體或振動系統中被測對象的外部特征。目前,國內外常用的是一種用于測量和控制圖像采集設備。這種方法可以在一定程度上降低對灰度值變化敏感而引起噪聲干擾等問題;但由于在某些場合下需要檢測目標與背景之間距離較遠時使用該方式會產生較大誤差從而導致其精度不夠高。

2圖像識別在軸承孔徑檢測中的應用

2.1 圖像識別實驗

圖像處理的硬件平臺是整個系統中最重要部分,它主要由計算機和攝像頭組成。機器視覺技術應用到了大量的理論知識。然而這些理論在實際生產生活中是不常用得。因此需要開發軟件來幫助實現圖像識別等問題上一步步進行解決,使其能夠更好地服務于工程領域并為其他學科提供一定參考價值和實用性作用;同時也可以將一些基本概念引入硬件平臺中去，如攝像機、投影儀與計算機網絡等等設備都可成為實驗數據采集的一部分用于檢測系統誤差信號。本文所設計的圖像識別系統，硬件平臺主要由RGB傳感器。該設備是通過光電檢測芯片和三極管組成。在這個裝置中，我們可以看到三個元器件分別對準模進行放大、調制以及匹配處理后形成一個完整的波形信號通道，同時也會將其中一個元件作為輸入參數添加到輸出模塊當中去并且輸出相應的結果信息以供后續使用。圖像處理技術是基于機器視覺的,通過數字信號處理和分析，利用計算機進行計算來提取所需要信息。在實驗中用到了很多噪聲檢測算法:均值濾波法、線性卡爾曼濾波方法、神經網絡等;其中FIRP濾波器可以直接對輸入信號做差分運算來獲得我們想要得到的樣本數據;SCTI算法就是一種基于特征點跟蹤技術而產生的圖像處理模塊,該系統采用的是一個訓練好和適應能力強于傳統計算機相比。

2.2 圖像識別系統測量誤差補償

由于相機的尺寸和位置,圖像采集裝置采用了傾斜放置,雖然在一定程度上可以保證拍攝質量。但同時也帶來一些問題。如相機與傳感器之間距離過近或者存在耦合等都會造成噪聲干擾;其次是對數據分析過程中產生偏差導致采樣頻率過高或不連續的現象等等;因此對于這些影響因素需要進行更嚴格地控制以達到最佳效果并確保實驗結果準確可靠度和分辨率等性能指標，由于相機的分辨率在不同級別，所以采集到的圖像質量會有所差異。因此需要對所拍攝得到得圖像進行處理，首先是預處理。將鏡頭轉換成兩個低頻信號(1)和中高頻信號(2)兩種頻率分別對應于高通濾波器上;然后利用數字采樣法先去除噪聲后再去噪濾波;接著通過算法計算兩幅圖片在不同通道下輸出時的信噪比，從而獲得軸承孔徑檢測所需要的圖像信息數據。在對采集到的實驗樣本進行了預處理之后，需要將圖像中的噪聲信號與待檢測樣品之間建立一個映射關系,這樣能夠方便我們獲取所要研究的是什么樣形信號。而這個映射是由濾波算法產生出來。一般情況下選取合適閾值來選擇出最佳閾值從而達到目的效果;然后再使用濾波器把得到的匹配結果和目標函數求取其中最優參數作為參考函數進行計算處理。

2.3 軸承孔徑圖像質量檢驗

首先，通過圖像處理軟件進行預處理,得到的二維數組中有大量背景值。經過濾波和二值化操作后。先對噪聲系數取一定范圍內作為測試樣本集(標準組)為2/3左右;然后再去去除最大值或者最小部分數據點(即閾值得大小)為零以及其他特征向量不為0或缺失的干擾信息之后，利用迭代算法確定出一個合適且穩定地時間間隔來進行性能測試實驗。在高分辨率的測量設備中，邊緣輪廓是圖像處理和識別系統最關鍵的部分,同時也是提取特征參數、分類等過程所必需要考慮到問題。首先進行的是邊緣輪廓提取。因為該實驗需要對不同位置下對應目標區域內灰度值做兩次掃描。由于背景噪聲會影響待測零件表面信息點所在平面與邊界處實際情況之間存在一定程度上的偏差,因此我們可以通過圖像中邊緣區域來識別出該部位的輪廓特征參數。通過對不同的圖像處理算法進行對比，實驗結果表明:本文提出了一種新的基于核函數濾波和閾值法相結合來檢測孔徑缺陷。這種方法能夠在保證邊緣信息質量前提下減少計算量。由于測試時采用的是雙通道窗口成像方法,所以只需將兩個灰度級上相同位置點作為目標區域即可;而對于兩幅圖片而言則需要通過不同算法中圖像處理步驟進行分析比較。

3軸承孔徑檢測算法研究

3.1基于邊緣檢測的圖像算子

通過上述實驗可以看出，本文所提出的幾種誤差模型都各有自己存在的問題。對于圖像處理中出現了噪聲和背景度差值偏差等。為了提高檢測時對運動目標輪廓進行識別而產生過采樣頻率這一不足之處，我們選擇在主成分分析中用到線性平穩特征提取方法來消除噪聲;其次是算法速度快、精確度高以及運算時間短等優點可以有效地降低這些缺點并減少誤差;同時還考慮到本文所提出來的幾種模型都各有優劣和缺點。本文利用Matlab中的T-P圖像處理工具箱進行了實驗,在MATLAB軟件平臺下，對所提方法與算法都有一定程度.上的仿真驗證。首先通過圖像分割和目標定位可以將待測軸承孔徑檢測分為兩部分:第一是邊緣提取。第二則是軸向灰度校正過程、最終得到粗確定值后就可利用中英文曲線平滑識別出該軸承孔徑大小;而對于圖像二值化處理之后再進行精減法便只需去除輪廓中心。

3.2基于邊緣檢測的孔徑圖像分割算法研究與改進

在實驗中，由于圖像處理技術的限制，對一些有缺陷(噪聲)的物體進行識別時存在較大誤差。比如說:邊緣特征點可能與實際情況不符。這些現象產生原因是不同類型和層次上都會影響到目標信息提取結果;同時也是因為某些因素引起了灰度值變化導致最終得到的是一個個空洞信號而不是真實狀態下所形成的所有圖像信息等等問題,但在實驗中卻很少有被考慮過),由于圖像處理過程中，所產生的缺陷與圖片上存在畸變,所以在實際應用當中也會導致識別結果不準確。而這種問題是由不同程度的噪聲引起。一般情況下都將其歸結為兩類:第一類為背景差錯;第二類為偽目標物體邊緣輪廓處附近像素點之間出現重疊現象或者圖像區域內某一位置灰度值變化時該部位發生突變或產生模糊等一系列原因造成的。在圖像處理過程中，由于一些非本質性的缺陷，或者是噪聲干擾等。這也可能導致我們無法確定是否存在著某種特定缺陷。因此當這些具有明顯特征物體被發現之后并不是很準確。但是通常情況下都會有一個重要參數叫做閾值(O、R或T)來表示目標區域的形狀變化和其相對位置上圖像所含信息量大小以及方向性等等性質。因為圖像的灰度值不同,所以在實際應用中，對目標物體進行邊緣檢測時也會出現一定程度上的噪聲干擾。因此為了消除這種影響通常采用去除背景和增強、消噪以及二值化等方法來處理。(1)先添加小波分解為前景基函數后再將其去除掉;(2)再加入與邊界條件相同或一樣的元素然后再次去預處理,從而達到目的圖像中目標物體灰度值變化不大或者無明顯波動。

3.3軸承孔徑檢測試的特點

在測試的過程中，我們會遇到不同大小、形狀和角度的孔徑檢測結果。不同尺寸和深度,其對應于各個方面能力都有區別。因此需要對圖像進行處理。首先是濾光圈參數測量:通過灰度值來判斷是否存在噪聲干擾;其次就是平滑鏡窗口選擇:使用邊緣算子(LM)去噪后得到一個合適的標準函數;最后的是閾值確定與實際誤差計算中常用到的方法一樣。在實際檢測過程中，由于圖像的灰度值和噪聲都會有一些變化，所以當我們使用傳統方法去測定時就不能準確地確定圖像中心。但是利用計算機成像技術可以精確識別出所需要特征的位置?？煽匦詮?因為該算法是通過對待測信號進行參數估計來分析待檢孔徑尺寸并最終得到其大小與方向;而且它還能自動選擇最佳閾值和最理想邊緣點等，這使得檢測過程中能夠快速準確地確定測量結果。體積小,重量輕。檢測時，只需將圖像的中心位置改變一下就可以了。而且不用對整個過程進行拆卸和移動便可直接測量出孔徑尺寸參數;效率高、便于實現自動化生產等特點均不需要借助專用工具或設備就能完成工作操作及自動校正性能強于傳統人工測定精度水平上也很突出且顯著優勢之一。但由于不同形狀和大小的物體之間存在著各種差異，所以檢測結果肯定會有較大差別。

4總結與展望

4.1全文結論

本文通過研究圖像識別在軸承孔徑檢測的應用,介紹了一種新的基于矢量量化特征提取方法一投影尋蹤法。首先對傳統輪廓定位和小波變換進行分析;然后用兩種近景差分割算法分別處理兩幀與多幅減運動目標下得到不同灰度值、不同方向(或線性)尺度上多個前景窗口大小及歸一化后各個背景圖像。利用高斯濾波消除前景中局部平坦區域的噪聲,本文以圖像識別和軸承孔徑檢測為研究對象,對運動的攝像機拍攝了彩色識別的運動鏡頭，并在MATLAB仿真軟件中,使用Matlab進行編程實現了基于核函數法、核函數法以及矩量密度方法等基本理論。將背景差分變換與線性擬合相結合來處理背景信息。同時也考慮到不同相機所拍圖像存在著邊緣區域和畸變率范圍內信號之間的差異性;在對攝像機運動狀態估計時。

第5篇：濾波器去噪原理和基本方法范文

關鍵詞：邊緣檢測;大壁虎腦組織切片;顯微圖像;檢測算子

中圖分類號：TP391 文獻標識碼：A

文章編號：1004-373X(2008)10-148-03

Study of Edge Detection Operators in Micrograph of Gecko′s Brain Tissue Slice

ZHU Suping1，2,DAI Zhendong1

(1.Institute of Bio-inspired Structure and Surface Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing,210016,China;

2.College of Mechanical and Electrical Engineering,Nanjing Univesity of Aeronautics and Astronautics,Nanjing,210016,China)

Abstract： In order to detect the edge of micrograph of Gecko′s brain tissue slice. Basic operators which are frequently used and studied,a micrograph of Gecko′s brain tissue slice edge processing by VC++6.0,and the characteristics of these methods on the image edge detection are compared.The result tells that Canny operator gets more accurate edge,but at the same time,it may slip some edge and detail.Considering synthesis,Canny operator is good for this kind of picture.

Keywords：edge detection;Gecko′s brain tissue slice;micrograph;detective operator

在研究壁虎仿生機器人的過程中，確定壁虎運動行為與腦部皮層區域的對應控制關系是關鍵,文中運用邊緣檢測技術對壁虎腦切片顯微圖像進行處理。圖像邊緣是圖像基本特征之一,他蘊含了圖像豐富的內在信息,并廣泛應用于圖像分割、圖像分類、圖像配準和模式識別中。邊緣檢測是數字圖像處理中非常關鍵的組成部分，其目的是精確定位邊緣同時較好地抑制噪聲。傳統的邊緣方法常用的算子有 Roberts算子[1]、Sobel算子[2]、Prewitt算子[3]和Kirsch算子[4]，LOG算子[5],此后又提出了許多新的技術，其中突出有Canny的最佳邊緣檢測[6-8]、統計濾波檢測[9]、數學形態學[10]以及隨斷層技術興起的三維邊緣檢測。但對不同圖像沒有一個通用最佳檢測算子，應根據具體圖像選用不同檢測方法。

顯微圖像是指將組織、細胞制成染色切片或涂片在顯微鏡下所看到的圖像。本文采用的切片是首先用蘇木精加伊紅將大壁虎腦組織染色，再用冷凍切片技術制作而成。人工處理顯微圖像不僅費時費力,而且采集數據的精度較低,數據不易保存和跟蹤處理。電子顯微圖像的采集分析主要通過高倍顯微鏡獲取原始圖像,然后由圖像采集系統(主要包括CCD 數碼相機和圖像采集卡) 把圖像數據傳入計算機,然后進行圖像處理和識別。

對幾種不同的邊緣檢測算子(Roberts算子、Sobel算子、Prewitt算子、LOG算子、Canny算子)進行研究，分析各算子的不同，并對顯微圖像進行邊緣檢測，總結出各種算子的精度及在檢測中算子選定的參考條件。文中所有算法的實現與實驗都用VC++6.0實現。

1 邊緣檢測

1.1 一階微分算子

設圖像灰度函數為f(x，y)，x，y為像素坐標，f(x,y)為圖像灰度的梯度見式（1）。則梯度的大小和方向由式（2）和（3）計算得到：

ИЙf=(f/x,f/y)（1）

f=(f/x)2+(f/y)2（2）

θ=tan－1f/yf/x（3）И

Roberts提出的算子在2×2鄰域計算對角導數，圖像上的點(x,y)的梯度的幅度是用方向差分的均方值來近似的:

[HT5",6]Йf=(f(x,y)－f(x+1,y+1))2+(f(x,y+1)－f(x+1,y))2(4)И

Sobel和Prewitt提出了類似的計算偏微分估計值的方法，用梯度算子計算每一像素點的8鄰域內梯度估計值。Sobel算子和Prewitt算子分別計算水平方向x的梯度分量Sx和Px，以及垂直方向y的梯度分量Sy和Py，最后求出梯度S,P。

ИSx={f(x+1,y－1)+2f(x+1,y)+f(x+1,y+1)}

－{f(x－1,y－1)+2f(x－1,y)+f(x－1,y+1)}(5)

Sy={f(x－1,y+1) +2f(x,y+1)+f(x+1,y+1)}

－{f(x－1,y－1)+2f(x,y－1)+f(x+1,y－1)}(6)

S= S2x + S2y (7)И

取適當閾值T，當S>T，該點為邊緣點。

ИPx={f(x+1,y－1)+f(x+1,y)+f(x+1,y+1)}

－{f(x－1,y－1)+f(x－1,y)+f(x－1,y+1)}(8)

Py={f(x－1,y+1)+f(x,y+1)+f(x+1,y+1)}

－{f(x－1,y－1)+f(x,y－1)+f(x+1,y－1)}(9)

P= P2x +P2y (10)И

取適當閾值T，當P>T，該點為邊緣點。

在實際應用中，常用簡單的卷積核來計算方向差分，不同算子對應不同的卷積核，如圖1所示 (標注“•”的是當前像素的位置)。

[HT5”]И1.0

0－1 0.1

－10

[HT6](a) Roberts算子[HT5"SS]

Sx= －101

－20.2

－101,Sy= －1－2－1

00.0

121

[HT6]（b) Sobel算子[HT5"SS]

Px= －101

－101

－101,Py= －1－1－1

000

111

[HT6](c) Prewitt算子И

[HT5"K]圖1 一階微分算子的卷積核

1.2 二階微分算子

前面都是利用邊緣處的梯度取得最大值(正的或者負的)，也就是灰度圖像的拐點位置是邊緣。然而，在拐點位置二階導數是0。所以也可以通過尋找二階導數的零交叉點來尋找邊緣。二元函數f(x,y)的Laplace變換定為：

ИЙ2f=(氮x2+氮y2)f(x,y)=f(x,y)x2+f(x,y)y2(11)И

與和前面的梯度算子一樣，這里也是選擇一個模板，然后利用模板進行卷積求離散Laplace 變換，然后通過尋找零交叉點尋找邊緣點。在Laplace 變換之前先用高斯濾波進行圖像平滑，圖2為編成所用的5×5為Gauss-Laplace算子卷積核。

[HT5”]И00－100

0－1－2－10

－1－216.－2－1

0－1－2－10

00－100И

[HT5"K]圖2 5×5高斯-拉普拉斯模板

1.3 Canny算子

Canny算子實現步驟如下：

（1） 在定位和檢測前濾除噪聲選用高斯濾波器，選擇合適參數實現高斯平滑;

（2） 用梯度算子增強邊緣：使用sobel梯度算子計算每一像素點的梯度估計值;

（3） 計算方向角：用Sobel梯度算子算得水平方向梯度分量Sx和垂直方向梯度分量Sy，方向角計算式為:

ИЕ=arctan(Sy/Sx)(12)И

(4) 方向角規范化：對圖像中每個像素只有4個可能的方向與鄰點相連:0°（水平方向）、45°（正對角線）、90°（垂直方向）、135°（負對角線），邊緣方向必是這4種中最接近的一種。方向角被規范到以下4個角度：

0°： 0°～22.5 °，157.5 °~180 °

45 °： 22.5 °～67.5 °

90 °： 67.5 °～112.5 °

135 °： 112.5 °～157.5 °

（5） 非最大化抑制：遍歷邊緣點,若該點在方向角方向上是梯度值最大，則保留；否則將該點從邊緣點集合中去除，運算結果將得到一幅細線圖；

（6） 雙閾值分割：選定2個梯度閾值，一個高閾值TH,一個低閾值TL,通常取TH為TL的2～3倍。先從邊緣點集合中去除梯度值小于高閾值的像素點得邊緣點集合F,再處理梯度介于高低閾值之間的像素點集合M,若F中一點在M中有鄰點,則將該點加入F,最終得到的集合F就是邊緣點集合。

2 大壁虎腦組織切片顯微圖像的實驗結果及分析

Roberts算子定位比較精確，但由于直接計算圖像差分不包含平滑，所以不能抑制噪聲，對具有陡峭的低噪聲圖像有較好提取效果；Sobel算子和Prewitt算子都是對圖像進行差分合乎濾波，只是平滑部分的權值有區別，這兩個算子對灰度漸變低噪聲的圖像有較好的檢測效果，但對于本文試驗所用圖染色不均勻，各種噪聲混合的復雜情況，處理效果就不那么理想了；LOG算子對噪聲的敏感性比一階微分算子大，且不能提供邊緣的方向信息，而主要用于抑制邊緣像素；Canny算子是線性濾波邊緣檢測法中最具代表性的方法之一，也是檢測階躍型邊緣效果較好的算子之一，他比上述其他幾種算子的去噪能力都要強，但容易平滑掉一些有效的邊緣和細節，其整體效果要優于其他算子。實驗結果如圖3所示。

圖3 實驗結果（最終結果經過去色處理轉為灰度圖）

3 結 語

由于本文采用的圖片為染色組織的顯微圖像，染色效果與拍攝時噪聲混入不可控的，所以無法理論上決策何種算法適合。各種不同的算子對同一幅圖像會產生完全不同的邊緣提取效果。通過試驗發現針對這組圖像，經典的微分算子算法相對簡單，但精度不夠高，其中Sobel算子和Prewitt算子的檢測效果明顯要優于Roberts算子，但邊緣不夠連續、細銳,LOG算子對噪聲太敏感，而且常產生許多虛假邊緣，故不適合該組圖像的檢測。Canny算子的精度明顯優于經典微分算子，能檢測出圖像比較細的邊緣，濾去虛假邊緣。邊緣檢測在醫學圖像處理中占有極其重要的地位，由上面的實驗分析可以知道，每種算子都有一定的優缺點，對不同的圖像應分析具體情況，選用合適的算子。

參 考 文 獻

［1］Roberts L D.Machine Perception of Three-Dimension Solids［C］.Optical and Electro-Optimal Information Processing,Cambridge,MA:MIT Press,1965:157-197.

［2］Sobel L.Camera Models and Machine Perception［D］.Stanford University,Standford,CA,1970.

［3］Prewitt J.Object Enhancement and Extraction［M］.Picture Process. Psychopict,New York:Academic Press,1970.

［4］Kirsch puter Determination of the Constituent Structure of Biological Images［J］.Computer and Biomedical Research,1971,18:113-125.

［5］Lunscher W H,Beddoes M P.Optimal Edge Detector Design I:Parameter Selection and Noise Effects［J］.IEEE Trans.Pattern Analysis and Machine Intelligence,1986:164-177.

［6］Demigny D.On Optimal Linear Filtering for Edge Detection［J］.IEEE Trans.Image Processing,2002,11(7):728-737.

［7］梅躍松,楊樹興,莫波.基于Canny算子的改進的圖像邊緣檢測方法［J］.激光與紅外,2006,36(6):501-503.

［8］張斌,賀賽先.基于Canny算子的邊緣提取改善方法［J］.紅外技術,2006,28(3):165-169.

［9］王新成.高級圖像處理技術［M］.北京:中國科學技術出版社,2000.

［10］薛繼偉,張問銀,陳冬芳,等.基于數學形態學的圖像濾波方法［J］.大慶石油學院學報,2003,27(4):48-50.

作者簡介 諸素萍 女，1984年出生，江蘇南通人，碩士研究生。研究方向為仿生機械設計。