基于模糊理论的图像边缘检测算法的研究

边缘检测是图像处理和计算机视觉里的一个重要问题。大量有关这个主题的论文都集中在讨论边缘检测的数学模型。但是,许多这种基于数学模型的边缘检测算法只能对检测某一类边缘有效。例如,一个阶跃边缘检测器可能对于斜坡边缘无能为力。而且,当这幅图像的信息未知的时候,某些数学模型里的参数是很难确定的。基于人类知识(如:知识库系统)应用的边缘检测算法显示了它的灵活性。由于一些人类知识可以用语言规则来表示,所以用模糊逻辑来表示很适合。基于模糊理论的方法是把模糊逻辑应用于专家系统的思想,其中用If … then规则来表示人类知识。这种使用模糊理论的模糊边缘检测方法是一种十分有前途的领域。 因此,本文提出了一种基于模糊理论的边缘检测新算法。首先对输入图像进行模式转换,将待处理的图像数据(空域数据)模糊化(转换成模糊域的数据),对边缘检测的处理过程将都在模糊域内进行;接着进行多次迭代的图像模糊增强,主要目的是减小图像模糊判决的不确定性;确定模糊带宽、阈值和相关参数;然后利用If … then模糊规则进行判决,检测出模糊域内边缘数据;最后,反模糊化并输出空域内的图像边缘。其中,采用图像窗口迭进滚动方式扫描,确保了边缘曲线的连续与局部细节的检测。整个处理的过程没有对图像进行滤波或降噪处理,但却有很强的抗噪性能。 大多数边缘检测器对噪声非常敏感。常常人眼很容易就辨别出来噪声和有用信息,计算机却很难区分。但是,这种基于人类思维与经验的模糊逻辑推理的算法不易被隐藏在图像数据中的噪声所欺骗。本质上,图像信息检测的过程就是不确定性的问题,所以模糊逻辑在处理这个不确定性问题上表现出了很大的优越性。 在无噪声干扰和有噪声干扰的情况下,分别采用主观和客观两种标准对本文算法和其他几种传统算法进行了比较,并在理论上与著名Pal算子等模糊算法进行了分析对比。实验结果表明,文中设计的模糊因子能有效的保证边缘图像细节和结构的质量。在引入80%以内的高斯噪声或10%以内椒盐噪声的情况下,本文方法均比其他传统方法效果好。 最后,本文提出了模糊边缘检测算法的硬件实现方案。