外文翻译基于模糊逻辑技术图像上边缘检测.docx
- 文档编号:26280260
- 上传时间:2023-06-17
- 格式:DOCX
- 页数:20
- 大小:938.85KB
外文翻译基于模糊逻辑技术图像上边缘检测.docx
《外文翻译基于模糊逻辑技术图像上边缘检测.docx》由会员分享,可在线阅读,更多相关《外文翻译基于模糊逻辑技术图像上边缘检测.docx(20页珍藏版)》请在冰豆网上搜索。
外文翻译基于模糊逻辑技术图像上边缘检测
译文二:
基于模糊逻辑技术图像上边缘检测[2]
摘要:
模糊技术是经营者为了模拟在数学水平的代偿行为过程的决策或主观评价而引入的。
下面介绍经营商已经完成了的计算机视觉应用。
本文提出了一种基于模糊逻辑推理战略为基础的新方法,它被建议使用在没有确定阈值的数字图像边缘检测上。
这种方法首先将用3
3的浮点二进制矩阵将图像分割成几个区域。
边缘像素被映射到一个属性值与彼此不同的范围。
该方法的鲁棒性所得到的不同拍摄图像将与线性Sobel运算所得到的图像相比较。
并且该方法给出了直线的线条平滑度、平直度和弧形线条的良好弧度这些永久的效果。
同时角位可以更清晰并且可以更容易的定义。
关键词:
模糊逻辑,边缘检测,图像处理,电脑视觉,机械的部位,测量
1.引言
在过去的几十年里,对计算机视觉系统的兴趣,研究和发展已经增长了不少。
如今,它们出现在各个生活领域,从停车场,街道和商场各角落的监测系统到主要食品生产的分类和质量控制系统。
因此,引进自动化的视觉检测和测量系统是有必要的,特别是二维机械对象[1,8]。
部分原因是由于那些每天产生的数字图像大幅度的增加(比如,从X光片到卫星影像),并且对于这样图片的自动处理有增加的需求[9,10,11]。
因此,现在的许多应用例如对医学图像进行计算机辅助诊断,将遥感图像分割和分类成土地类别(比如,对麦田,非法大麻种植园的鉴定,以及对作物生长的估计判断),光学字符识别,闭环控制,基于目录检索的多媒体应用,电影产业上的图像处理,汽车车牌的详细记录的鉴定,以及许多工业检测任务(比如,纺织品,钢材,平板玻璃等的缺陷检测)。
历史上的许多数据已经被生成图像,以帮助人们分析(相比较于数字表之类的,图像显然容易理解多了)[12]。
所以这鼓励了数字分析技术在数据处理方面的使用。
此外,由于人类善于理解图像,基于图像的分析法在算法发展上提供了一些帮助(比如,它鼓励几何分析),并且也有助于非正式确认的结果。
虽然计算机视觉可以被总结为一个自动(或半自动)分析图像的系统,一些变化也是可能的[9,13]。
这些图像可以来自超出正常灰度和色彩的照片,例如红外光,X射线,以及新一代的高光谱卫星数据集。
其次,许多不同的计算技术在计算机视觉系统上已经被采用,如标准的优化方法,人工智能的搜索策略,退火模拟,遗传算法[14,15,16]。
具体的线性时间不变过滤器的使用是最常见的应用到边缘检测问题的程序,并且计算量最小。
在第一阶滤波器的情况下,边缘被解释为两个相邻像素灰度值的突然变化。
在这种情况下的目标是确定图像中第一个派生的灰度点,它将起到很大的重要性。
通过应用新输出图像的门槛,边缘在任意方向都可以被检测到。
在其他方面,边缘检测滤波器的输出是多边形逼近技术的输入,多边形逼近技术提取将要被检测特征[1]。
被确认为具有特殊属性的特征点以及像素在图像分析中扮演了一个非常重要的角色。
特征点包括由著名最优秀的边缘发现者PreWitt,Sobel,Marr,andCanny测定的边缘像素[17:
21]。
最近许多人对由一些运算子产生的特征点恢复了兴趣,比如Plessey“角”运算子,或者是Motavec介绍的兴趣点运算子[24,25]。
古典算子定义了一个像素作为特征点的特殊类。
古典算子在图像研究区域是高对比情况下运作良好。
事实上,在一些可以将图像通过简单阀值的转换成二进制图像的区域上,古典算子运作十分良好,如图一所示。
同时要明确古典算子的不足:
古典边缘检测对标记边缘像素效果不佳,就算是明确的边缘,也只代表小小的灰度跳跃。
但往往这样的边缘人眼都能清晰可辨。
总之,特征点是通过窗口上的像素值之间的关系来特征化的。
阈值
灰度图二进制图
图1测量物体的灰度和二进制图像
图二模糊图像处理的一般结构
最近的研究发现可以使用神经模糊功能开发边缘检测,在一个相对较小的原型边缘设置上训练之后,再用古典边缘检测在样品图像中进行分类。
这项工作是Bezdek等人开创的,他们训练一个神经网络去像正规的Sobel算子一样给出相同的模糊的结果。
然而,通过笔者和合作者的工作已表明训练神经网络去分类脆值是个更有效的Bezdek计划变体。
神经模糊边缘检测的优势甚至超过传统的边缘检测。
在[27,28]系统中的描述,模糊推理系统的输入是通过向原始图像申请高通滤波器,Sobel算子和低通滤波器而获得的。
然后整个结构转换成对比增强滤波器起作用,另一个问题是,转换成输入类里指定数量的部分图像。
为数字图像上的边缘检测,一种新型的基于模糊逻辑推理策略的FIS方法已经准备好了,而不是确定阀值或需要训练算法。
这种提出的方法通过将图像分割成浮动3*3的二进制区域开始。
一个直接的模糊推理系统测绘一个从浮动矩阵上得到不同值的范围来检测边缘。
A模糊图像处理
模糊图像处理是所有方法的集合,包括理解,描绘或处理作为模糊集的段或特征的图像。
描绘或处理取决于选定的模糊技术或需要解决的问题。
模糊图像处理有三个主要阶段:
图像模糊化,隶属度值的修改,以及必要是的图像去模糊化,如图2所示。
模糊化和去模糊化的步骤归咎于我们不具备硬件模糊。
因此,图像数据的编码(模糊)和对结果的解码(去模糊化)使通过模糊技术处理图像变为可能。
模糊图像处理的主要力量是中间步骤(隶属度值的修改)。
当图像数据从灰度平面转换成隶属度平面(模糊),通过模糊技术修改隶属度。
这可以是一个模糊聚类,一个基于规则的模糊方法,模糊积分方法等[29]。
B模糊集与模糊隶属函数
系统的实施考虑了一些情况,模糊化后得到的输入图像和输出图像都是8位量化;这种方法中,它们的灰度水平总是处于0到255之间。
模糊集被创建出来代表每个变量的强度;这些集相当于语言学变量“黑”,边和“白”。
模糊集对应输入,三角形对应输出,隶属函数因此起作用,如图3.
图3函数的模糊隶属度与输入和输出有关
图五模糊图像处理步骤
该功能被采用去实施“与”和“或”的运作,分别是最小和最大的功能。
推理方法被选择作为去模糊程序,这意味着模糊集是通过应用输入数据的每个推理规则得到的,而输入数据是通过添加功能加入的;系统的输出是作为结果隶属函数的部分计算出来的。
输出的三个隶属函数的值被设计去分离图像中的黑,白和边缘值。
C推理规则的定义
推理规则取决于八个相邻灰度像素的权重,是否相邻权重是黑色或白色。
这些规则的强大之处是能直接提取处理图像中的所有边缘。
本研究是通过研究每个像素的每个邻居来测定处理图像中的所有像素。
每个像素的条件取决于使用浮点3
3伪装时可以扫描所有的灰度。
在这个位置,一些需要的规则被解释。
如果灰色在一行中代表黑色,并且残余的灰色是白,然后检测过的像素是边(图4-a),那么前四个规则处理伪装中被选中或中心像素的垂直和水平方向的灰度值。
第二个四规则处理八邻居也取决于灰度权重的值,如果四个连续像素的权重是黑并且剩下的四邻居是白,那么中心像素代表边缘(图4-b)。
介绍了的规则和另一组规则是用来检测边缘,白和黑像素的。
剩下的图像有助于轮廓,黑色和白色区域。
从模糊结构的边得知,输入灰度是介于0-255灰度强度之间,并且根据所需的规则,灰度被转换为隶属函数的值,如图5所示。
根据去模糊化得到的FIS的输出被呈现介于0-255之间。
然后黑,白和边缘被检测出来。
从这次研究中的检测图像的经验中,被得到的最好结果是黑介于0-82,并且白权重介于80-255。
三.实验
该系统通过不同的图像来进行测试,它的性能被拿来与Sobel算子和FIS方法进行比较。
当图像中的提取边如图6所示,我们使用这幅图像作为古典Sobel算子和FIS方法的对比模型,我们调整与启动顺序相关的模糊规则来取得更好的结果。
原始图像显示在图6的部分上。
基于Sobel算子的边缘检测使用MATLAB上的处理工具箱,如b部分所示。
图片中的白色像素表明边缘,从而将保持平滑。
显然,边缘图像上还留有一些噪音,并且有一些边缘已损坏。
运用图像上新的FIS来检测它的边,结果发现,修改后的边缘图片有更少的噪音和更少的损坏,如图6-c所示。
为了分割任务,一个薄边缘更好,因为我们只想要保持边缘而不是附近的细节。
边缘图的值是正常的间隔0或1来代表急躁隶属度值。
原始捕捉的图像显示在图6-a。
我们观察,在b部分,在图像的二进制值里阀值自动估计的Sobel算子不允许边缘在低对比度区域被检测。
在两边产生的结果被发现(双边缘)在b部分的左边。
反过来,FIS系统甚至允许在低对比度区域检测边缘,如c部分说明。
这是由于在不同对比度区域,模糊规则所给出的不同待遇,并且为了避免包括不属于连续线上的输出图像像素,该规则被制定。
图6-a测试三角边的原始捕获图像图6-b使用经典算子检测出来的边缘
图6-c用模糊推理规则检测提取出来的边
在图7中,测量对象的一个合成图像和它的边缘分离成黑色,如a部分所示。
当Sobel算子被应用于这一图像,一个断开的边缘出现在左边。
模糊规则的采用被专门设立用来避免获取单边图像的双边缘结果,然而FIS系统被应用于相同的图像(c)。
它给出了线上的永久流畅度和直线性。
为了表现出边缘检测上的性能优化,图8通过齿轮的不同灰度图像来显示。
我们模糊技术产生的结果图像似乎在平坦地区更加平滑并且噪音更低,并且紧张地区比用传统的Sobel算子得来的更加尖锐。
图7-a为检测圆形和矩形图7-b使用经典算子得出的边
边而拍摄的原始图像
图7-c:
通过FIS系统得到的边缘
图8-c:
为测试齿轮边捕获的原始图像
图8-b:
使用Sobel算子的出的边图8-c:
FIS系统得到的边
四.结论
由于不确定性存在于图像处理的许多方面,模糊处理是可取的。
这些不确定性包括低水平图像处理上的附加和非附加噪音,假设算法的不精确性,以及在高水平图像处理上的含糊不清的解释。
为了边缘检测的同步处理,通常把边作为强度脊的模型。
然而在实践中,这一假设只有近似,导致了这些算法的一些缺陷。
模糊图像处理是一个专家知识边缘上的强大的工具形式表述,和不同来源上得来的不精确信息。
设计模糊规则是一个有吸引力的方案,他能尽可能的提高边缘质量。
这种算法的缺陷是它们需要大量的计算。
这些结果是我们得出这样的结论:
1.FIS系统的实施呈现了对比度和采光变化上更大的鲁棒性,除了避免获取双边缘。
2.它在线条流畅性,直线直线性和曲线圆度性上给出了永久影响。
同时,边角更加锐化,并且可以很容易的定义。
外文原文二:
EdgeDetectioninDigitalImages
UsingFuzzyLogicTechnique
AbdallahA.Alshennawy,andAymanA.Aly
Abstract—Thefuzzytechniqueisanoperatorintroducedinordertosimulateatamathematicallevelthecompensatorybehaviorinprocessofdecisionmakingorsubjectiveevaluation.Thefollowingpaperintroducessuchoperatorsonhandofcomputervisionapplication.
Inthispaperanovelmethodbasedonfuzzylogicreasoningstrategyisproposedforedgedetectionindigitalimageswithoutdeterminingthethresholdvalue.Theproposedapproachbeginsbysegmentingtheimagesintoregionsusingfloating3x3binarymatrix.Theedgepixelsaremappedtoarangeofvaluesdistinctfromeachother.TherobustnessoftheproposedmethodresultsfordifferentcapturedimagesarecomparedtothoseobtainedwiththelinearSobeloperator.Itisgaveapermanenteffectinthelinessmoothnessandstraightnessforthestraightlinesandgoodroundnessforthecurvedlines.Inthesametimethecornersgetsharperandcanbedefinedeasily.
Keywords—Fuzzylogic,Edgedetection,Imageprocessing,computervision,Mechanicalparts,Measurement.
I.INTRODUCTION
OVERthelastfewdecadesthevolumeofinterest,research,anddevelopmentofcomputervisionsystemshasincreasedenormously.Nowadaystheyappeartobepresentinalmosteverysphereoflife,fromsurveillancesystemsincarparks,streets,andshoppingcenters,tosortingandqualitycontrolsystemsinthemajorityoffoodproduction.Thus,introducingautomatedvisualinspectionandmeasurementsystemsarenecessary,speciallyforthetwodimensionalmechanicalobjects,[1:
8].Inpartduetothesubstantialincreaseindigitalimagesthatareproducedonadailybasis(e.g.,fromradiographstoimagesfromsatellites)thereisanincreasedneedfortheautomaticprocessingofsuchimages,[9,10,11].Thus,therearecurrentlymanyapplicationssuchascomputer-aideddiagnosisofmedicalimages,segmentationandclassificationofremotesensingimagesintolandclasses(e.g.,identificationofwheatfields,andillegalmarijuanaplantations,andestimationofcropgrowth),opticalcharacterrecognition,closedloopcontrol,content-basedretrievalformultimediaapplications,imagemanipulationforthefilmindustry,identificationofregistrationdetailsfromcarnumberplates,andahostofindustrialinspectiontasks(e.g.,detectingdefectsintextiles,rolledsteel,plateglass,etc.).Historicallymuchdatahasbeengeneratedasimagestofacilitatehumananalysis(itismucheasiertounderstandanimagethanacomparabletableofnumbers),[12].Andsothishasencouragedtheuseofimageanalysistechniquesover
otherpossiblemethodsofdataprocessing.Inaddition,sincehumansaresoadeptatunderstandingimages,imagebasedanalysisprovidessomeaidinalgorithmdevelopment(e.g.,itencouragesgeometricanalysis)andalsohelpsinformallyvalidateresults.Whiletheroleofcomputervisioncanbesummarizedasasystemfortheautomated(orsemiautomated)analysisofimages,manyvariationsarepossible,[9,13].Theimagescancomefromdifferentmodalitiesbeyondnormalgray-scaleandcolourphotographs,suchasinfrared,X-ray,aswellasthenewgenerationofhyper-spectralsatellitedatasets.Second,manydiversecomputationaltechniqueshavebeenemployedwithincomputervisionsystemssuchasstandardoptimizationmethods,AIsearchstrategies,simulatedannealing,geneticalgorithms,[14,15,16].
Usageofspecificlineartime-invariant(LTI)filtersisthemostcommonprocedureappliedtotheedgedetectionproblem,andtheonewhichresultsintheleastcomputationaleffort.Inthecaseoffirst-orderfilters,anedgeisinterpretedasanabruptvariationingraylevelbetweentwoneighborpixels.Thegoalinthiscaseistodetermineinwhichpointsintheimagethefirstderivativeofthegraylevelasafunctionofpositionisofhighmagnitude.Byapplyingthethresholdtothenewoutputimage,edgesinarbitrarydirectionsaredetected.Inotherwaystheoutputoftheedgedetectionfilteristheinputofthepolygonalapproximationtechniquetoextractfeatureswhichtobemeasured,[1].
Averyimportantroleisplayedinimageanalysisbywhataretermedfeaturepoints,pixelsthatareidentifiedashavingaspecialproperty.Featurepointsincludeedgepixelsasdeterminedbythewell-knownclassicedgedetectorsofPreWitt,Sobel,Marr,andCanny[17:
21].Recentlytherehasbeenmuchrevivedinterest[22,23]infeaturepointsdeterminedby"corner"operatorssuchasthePlessey,andinterestingpointoperatorssuchasthatintroducedbyMoravec.[24,25]Classicaloperatorsidentifyapixelasaparticularclassoffeaturepointbycarryingoutsomeseriesofoperationswithinawindowcenteredonthepixelunderscrutiny.Theclassicoperatorsworkwellincircumstanceswheretheareaoftheimageunderstudyisofhighcontrast.Infact,classicoperatorsworkverywellwithinregionsofanimagethatcanbesimplyconvertedintoabinaryimagebysimplethresholdingasshowninFig.1.Tobedefiniteastothefailingsofclassicoperators:
classicedgedetectortendstogivepoorresultsforlabelingedgepixels,whenanedge,althoughdefinite,representsonlyasmallishgray-scalejump.Yetoftensuchedgesareclearlyvisibletothehumaneye.Insummary,featurepointsarecharacterizedbytheirrelationshiptopixelsvalueswithinsomelocalwindow.
Thresholding
Gray-levelimageBinaryimage
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 外文 翻译 基于 模糊 逻辑 技术 图像 边缘 检测