发布时间：
毕业论文还是自己写吧，锻炼一下。
这个网站上有程序，你找一下 原来看到过用sobel算子 不过最好先转换成bmp格式 我不记得matlab是不是识别tif 程序很简单 不过要做好的效果还是比较复杂 一般是载入图像 然后用算子计算，同时设定阈值 如果高于阈值就是边缘 然后输出
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。
第一个问题既然g是二维，每个像素都计算了，你要求的z坐标是什么样子的？要求是什么。你可以用mean(g)得到每列的平均值，sum（g）得到每列的和这样就维数就一样了。mean（g,1） mean(g,2)这类可以求行的和或者列的和。看你的要求了。还有画三维用scatter3 是吧？参考资料看我给的链接，这个就是你要的吧？看看scatter3的介绍。 scatter3(X(:),Y(:),Z(:),S(:),C(:),'filled'), view(-60,60) 这句貌似就是选择被填充的球形部分。
毕业论文还是自己写吧，锻炼一下。
Canny边缘检测教程 作者：比尔绿色（ 2002 ） 主页电子邮件 本教程假定读者： （ 1 ）知道如何发展的源代码阅读栅格数据 （ 2 ）已经阅读我Sobel边缘检测教程 本教程将教你如何： （ 1 ）实施Canny边缘检测算法。 导言 边的特点，因此，边界问题，根本的重要性在图像处理中。在图像的边缘地区，强度强的反差？猛增强度从一个像素的下一个。边缘检测的图像大大减少了大量的数据，并过滤掉无用的信息，同时保持重要的结构性能的形象。这也是我在索贝尔和拉普拉斯边缘检测教程，但我只是想再次强调这一点的，为什么您要检测的边缘。 的Canny边缘检测算法是众所周知的许多人视为最佳边缘检测。精明的意图是要加强许多边缘探测器已经在的时候，他开始了他的工作。他很成功地实现他的目标和他的思想和方法中可以找到他的论文“计算方法的边缘检测” 。在他的文件中，他遵循的标准清单，以改善目前的边缘检测方法。第一个也是最明显的错误率低。重要的是，发生在图像边缘不应错过的，没有任何反应，非边缘。第二个标准是，边缘点很好地本地化。换言之，之间的距离边缘像素作为探测器发现和实际边缘要在最低限度。第三个标准是，只有一个回应单一优势。这是第一次实施，因为并没有实质性的2足以完全消除的可能性，多反应的优势。 根据这些标准， Canny边缘检测器的第一个平滑的图像，以消除和噪音。然后认定的形象，以突出地区梯度高空间衍生物。该算法然后轨道沿着这些地区和抑制任何像素这不是在最高（ nonmaximum制止） 。梯度阵列现在进一步减少滞后。磁滞用来追踪沿其余像素，但没有压制。磁滞使用两个阈值，如果规模低于第一道门槛，这是设置为零（发了nonedge ） 。如果是规模以上的高门槛，这是一个优势。如果震级之间的2阈值，那么它设置为零，除非有一条从这个像素一个像素的梯度上述时刻。 第1步 为了落实Canny边缘检测算法，一系列步骤必须遵循。第一步是筛选出任何噪音的原始图像在寻找和发现任何边缘。而且因为高斯滤波器可以用一个简单的计算面具，它是专门用于在Canny算法。一旦合适的面罩已计算，高斯平滑可以用标准的卷积方法。阿卷积掩模通常远远小于实际的形象。因此，该面具是下跌的形象，操纵一个正方形像素的时间。较大的宽度高斯面具，较低的是探测器的敏感性噪音。定位误差检测边缘也略有增加的高斯宽度增加。高斯遮罩使用我在执行下面显示。 第2步 经过平滑的形象，消除噪音，下一步就是要找到优势兵力，采取梯度的形象。的Sobel算子进行二维空间梯度测量的形象。然后，大约绝对梯度幅度（边缘强度）各点可以找到。 Sobel算子的使用对3x3卷积口罩，一个梯度估计在X方向（栏）和其他的梯度估计的Y方向（行） 。它们如下所示： 的规模，或EDGE强度，梯度近似然后使用公式： | G | = | GX的| + |戈瑞| 第3步 寻找边缘方向是小事，一旦梯度在X和Y方向是众所周知的。然而，你会产生错误时sumX等于零。因此，在代码中必须有一个限制规定只要发生。每当梯度在x方向等于零，边缘的方向，必须等于90度或0度，取决于什么的价值梯度的Y方向等于。如果青的值为零，边缘方向将等于0度。否则边缘方向将等于90度。公式为寻找边缘方向是： 论旨= invtan （戈瑞/ GX的） 第4步 一旦边缘方向众所周知，下一步是与边缘方向为方向，可以追溯到在一个图像。因此，如果一个5x5像素图像对齐如下： x x x x x x x x x x x x 1 x x x x x x x x x x x x 然后，可以看到看像素的“ A ” ，只有4个可能的方向时，描述了周围的像素- 0度（水平方向） ， 45度（沿积极对角线） ， 90度（垂直方向） ，或135度（沿负对角线） 。所以，现在的边缘方向已经得到解决纳入其中四个方向取决于哪个方向，它是最接近于（如角被发现有3度，使零摄氏度） 。认为这是采取了半圆形和分裂成5个地区。 因此，任何先进的方向范围内的黄色范围（ 0至5月22日＆ 至180度）设置为0度。任何先进的方向下滑的绿色范围（ 至度）设置为45度。任何先进的方向下滑的蓝色范围（ 至度）设置为90度。最后，任何先进的方向范围内的红色范围（ 到度）设置为135度。 第5步 在被称为边缘方向， nonmaximum制止目前适用。 Nonmaximum抑制是用来追踪沿边缘方向和制止任何像素值（套等于0 ）这是不被认为是优势。这将让细线在输出图像。 第6步 最后，滞后是用来作为一种手段，消除条纹。裸奔是打破的边缘轮廓线的经营者造成的产量波动上面和下面的门槛。如果一个门槛， T1讯号适用于图像，并具有优势的平均强度相等的T1 ，然后由于噪声，将先进的情况下，逢低低于阈值。同样它也将延长超过阈值决策的优势看起来像一个虚线。为了避免这种情况，滞后使用2的门槛，高和低。任何像素的图像，其值大于表＃ t1推定为边缘像素，并标示为这种立即。然后，任何像素连接到这个边缘像素，并有一个值大于时刻还选定为边缘像素。如果您认为以下的优势，您需要一个梯度的时刻开始，但你不停止直到触及梯度低于表＃ t1 。
Canny边缘检测教程 Author: Bill Green (2002) 作者：比尔绿色（ 2002 ） HOME EMAIL 主页 电子邮件 This tutorial assumes the reader: 本教程假定读者： (1) Knows how to develop source code to read raster data （ 1 ）知道如何发展的源代码阅读栅格数据 (2) Has already read my Sobel edge detection tutorial （ 2 ）已经阅读我Sobel边缘检测教程 This tutorial will teach you how to:本教程将教你如何： (1) Implement the Canny edge detection algorithm. （ 1 ）实施Canny边缘检测算法。 INTRODUCTION 导言 Edges characterize boundaries and are therefore a problem of fundamental importance in image processing.边的特点，因此，边界问题，根本的重要性在图像处理中。 Edges in images are areas with strong intensity contrasts – a jump in intensity from one pixel to the next.在图像的边缘地区，强度强的反差-一个跳转的强度从一个像素的下一个。 Edge detecting an image significantly reduces the amount of data and filters out useless information, while preserving the important structural properties in an image. This was also stated in my Sobel and Laplace edge detection tutorial, but I just wanted reemphasize the point of why you would want to detect edges.边缘检测的图像大大减少了大量的数据，并过滤掉无用的信息，同时保持重要的结构性能的形象。这也是我在索贝尔和拉普拉斯边缘检测教程，但我只是想再次强调这一点的，为什么你会要检测的边缘。 The Canny edge detection algorithm is known to many as the optimal edge detector. Canny's intentions were to enhance the many edge detectors already out at the time he started his work.的Canny边缘检测算法是众所周知的许多人视为最佳边缘检测。坎尼的意图是要加强许多先进的探测器已经在的时候，他开始他的工作。 He was very successful in achieving his goal and his ideas and methods can be found in his paper, " A Computational Approach to Edge Detection ".他很成功地实现他的目标和他的思想和方法中可以找到他的论文“ 计算方法的边缘检测 ” 。 In his paper, he followed a list of criteria to improve current methods of edge detection.在他的文件中，他遵循的标准清单，以改善目前的边缘检测方法。 The first and most obvious is low error rate.第一个也是最明显的错误率低。 It is important that edges occuring in images should not be missed and that there be NO responses to non-edges.重要的是，发生在图像边缘不应错过的，没有任何反应，非边缘。 The second criterion is that the edge points be well localized. In other words, the distance between the edge pixels as found by the detector and the actual edge is to be at a minimum.第二个标准是，边缘点很好地本地化。换言之，之间的距离边缘像素作为探测器发现和实际边缘要在最低限度。 A third criterion is to have only one response to a single edge.第三个标准是，只有一个回应单一优势。 This was implemented because the first 2 were not substantial enough to completely eliminate the possibility of multiple responses to an edge.这是第一次实施，因为并没有实质性的2足以完全消除的可能性，多反应的优势。 Based on these criteria, the canny edge detector first smoothes the image to eliminate and noise.根据这些标准， Canny边缘检测器的第一个平滑的图像，以消除和噪音。 It then finds the image gradient to highlight regions with high spatial derivatives.然后认定的形象，以突出地区梯度高空间衍生物。 The algorithm then tracks along these regions and suppresses any pixel that is not at the maximum (nonmaximum suppression).该算法然后轨道沿着这些地区和抑制任何像素这不是在最高（ nonmaximum制止） 。 The gradient array is now further reduced by hysteresis.梯度阵列现在进一步减少滞后。 Hysteresis is used to track along the remaining pixels that have not been suppressed.磁滞用来追踪沿其余像素，但没有压制。 Hysteresis uses two thresholds and if the magnitude is below the first threshold, it is set to zero (made a nonedge).磁滞使用两个阈值，如果规模低于第一道门槛，这是设置为零（发了nonedge ） 。 If the magnitude is above the high threshold, it is made an edge.如果是规模以上的高门槛，这是一个优势。 And if the magnitude is between the 2 thresholds, then it is set to zero unless there is a path from this pixel to a pixel with a gradient above T2.如果震级之间的2阈值，那么它设置为零，除非有一条从这个像素一个像素的梯度上述时刻。 Step 1 第1步 In order to implement the canny edge detector algorithm, a series of steps must be followed.为了落实Canny边缘检测算法，一系列步骤必须遵循。 The first step is to filter out any noise in the original image before trying to locate and detect any edges.第一步是筛选出任何噪音的原始图像在寻找和发现任何边缘。 And because the Gaussian filter can be computed using a simple mask, it is used exclusively in the Canny algorithm.而且因为高斯滤波器可以用一个简单的计算面具，它是专门用于在Canny算法。 Once a suitable mask has been calculated, the Gaussian smoothing can be performed using standard convolution methods.一旦合适的面罩已计算，高斯平滑可以用标准的卷积方法。 A convolution mask is usually much smaller than the actual image.阿卷积掩模通常远远小于实际的形象。 As a result, the mask is slid over the image, manipulating a square of pixels at a time. The larger the width of the Gaussian mask, the lower is the detector's sensitivity to noise .因此，该面具是下跌的形象，操纵一个正方形的像素上。 较大的宽度高斯面具，较低的是探测器的敏感性噪音 。 The localization error in the detected edges also increases slightly as the Gaussian width is increased.定位误差检测边缘也略有增加的高斯宽度增加。 The Gaussian mask used in my implementation is shown below.高斯遮罩使用我在执行下面显示。 Step 2 第2步 After smoothing the image and eliminating the noise, the next step is to find the edge strength by taking the gradient of the image.经过平滑的形象，消除噪音，下一步就是要找到优势兵力，采取梯度的形象。 The Sobel operator performs a 2-D spatial gradient measurement on an image.的Sobel算子进行二维空间梯度测量的形象。 Then, the approximate absolute gradient magnitude (edge strength) at each point can be found.然后，大约绝对梯度幅度（边缘强度）各点可以找到。 The Sobel operator uses a pair of 3x3 convolution masks, one estimating the gradient in the x-direction (columns) and the other estimating the gradient in the y-direction (rows). Sobel算子的使用对3x3卷积口罩，一个梯度估计在X方向（栏）和其他的梯度估计的Y方向（行） 。 They are shown below:它们如下所示： The magnitude, or EDGE STRENGTH, of the gradient is then approximated using the formula:的规模，或EDGE强度，梯度近似然后使用公式： |G| = |Gx| + |Gy| | G | = | GX的| + |戈瑞| Step 3 第3步 Finding the edge direction is trivial once the gradient in the x and y directions are known.寻找边缘方向是小事，一旦梯度在X和Y方向是众所周知的。 However, you will generate an error whenever sumX is equal to zero.然而，你会产生错误时sumX等于零。 So in the code there has to be a restriction set whenever this takes place.因此，在代码中必须有一个限制规定只要发生。 Whenever the gradient in the x direction is equal to zero, the edge direction has to be equal to 90 degrees or 0 degrees, depending on what the value of the gradient in the y-direction is equal to.每当梯度在x方向等于零，边缘的方向，必须等于90度或0度，取决于什么的价值梯度的Y方向等于。 If GY has a value of zero, the edge direction will equal 0 degrees.如果青的值为零，边缘方向将等于0度。 Otherwise the edge direction will equal 90 degrees.否则边缘方向将等于90度。 The formula for finding the edge direction is just:公式为寻找边缘方向是： theta = invtan (Gy / Gx)论旨= invtan （戈瑞/ GX的） Step 4 第4步 Once the edge direction is known, the next step is to relate the edge direction to a direction that can be traced in an image.一旦边缘方向众所周知，下一步是与边缘方向为方向，可以追溯到在一个图像。 So if the pixels of a 5x5 image are aligned as follows:因此，如果一个5x5像素图像对齐如下： x x x x x x x x x x x x x x x x x x x x x x a x x x x 1 x x x x x x x x x x x x x x x x x x x x x x Then, it can be seen by looking at pixel " a ", there are only four possible directions when describing the surrounding pixels - 0 degrees (in the horizontal direction), 45 degrees (along the positive diagonal), 90 degrees (in the vertical direction), or 135 degrees (along the negative diagonal).然后，可以看到看像素的“ A ” ，只有4个可能的方向时，描述了周围的像素- 0度 （水平方向） ， 45度 （沿积极对角线） ， 90度 （垂直方向） ，或135度 （沿负对角线） 。 So now the edge orientation has to be resolved into one of these four directions depending on which direction it is closest to (eg if the orientation angle is found to be 3 degrees, make it zero degrees).所以，现在的边缘方向已经得到解决纳入其中四个方向取决于哪个方向，它是最接近于（如角被发现有3度，使零摄氏度） 。 Think of this as taking a semicircle and dividing it into 5 regions.认为这是采取了半圆形和分裂成5个地区。 Therefore, any edge direction falling within the yellow range (0 to & to 180 degrees) is set to 0 degrees.因此，任何先进的方向范围内的黄色范围 （ 0至5月22日＆ 至180度）设置为0度。 Any edge direction falling in the green range ( to degrees) is set to 45 degrees. Any edge direction falling in the blue range ( to degrees) is set to 90 degrees.任何先进的方向下滑的绿色范围 （ 至度）设置为45度。任何优势的方向下滑的蓝色范围 （ 至度）设置为90度。 And finally, any edge direction falling within the red range ( to degrees) is set to 135 degrees.最后，任何先进的方向范围内的红色范围 （ 到度）设置为135度。 Step 5 第5步 After the edge directions are known, nonmaximum suppression now has to be applied. Nonmaximum suppression is used to trace along the edge in the edge direction and suppress any pixel value (sets it equal to 0) that is not considered to be an edge. This will give a thin line in the output image.在被称为边缘方向， nonmaximum抑制现在必须适用。 Nonmaximum抑制是用来追踪沿边缘方向和制止任何像素值（套等于0 ）这是不被认为是优势。这将给细线的输出图像。 Step 6 第6步 Finally, hysteresis is used as a means of eliminating streaking.最后，滞后是用来作为一种手段，消除条纹。 Streaking is the breaking up of an edge contour caused by the operator output fluctuating above and below the threshold.裸奔是打破的边缘轮廓线的经营者造成的产量波动上面和下面的门槛。 If a single threshold, T1 is applied to an image, and an edge has an average strength equal to T1, then due to noise, there will be instances where the edge dips below the threshold.如果一个门槛， T1讯号适用于图像，并具有优势的平均强度相等的T1 ，然后由于噪声，将有情况下，边逢低低于阈值。 Equally it will also extend above the threshold making an edge look like a dashed line.同样它也将延长超过阈值决策的优势看起来像一个虚线。 To avoid this, hysteresis uses 2 thresholds, a high and a low.为了避免这种情况，滞后使用2的门槛，高和低。 Any pixel in the image that has a value greater than T1 is presumed to be an edge pixel, and is marked as such immediately.任何像素的图像，其值大于表＃ t1推定为边缘像素，并标示为这种立即。 Then, any pixels that are connected to this edge pixel and that have a value greater than T2 are also selected as edge pixels.然后，任何像素连接到这个边缘像素，并有一个值大于时刻还选定为边缘像素。 If you think of following an edge, you need a gradient of T2 to start but you don't stop till you hit a gradient below T1.如果您认为以下的优势，您需要一个梯度的时刻开始，但你不停止直到触及梯度低于表＃ t1 。 You are visitor number: 你是第位访客人数：
Robert算子是第一个边缘检测算子，提出者Lawrence Roberts in 边缘算子，当年作者并没有公开发表过论文，仅仅是在一次博士生课题讨论会(1968)上提出("A 3x3 Isotropic Gradient Operator for Image Processing")，后在1973年出版的一本专著（"Pattern Classification and Scene Analysis"）的脚注里作为注释出现和公开的。Prewitt算子来自. Prewitt "Object Enhancement and Extraction" in "Picture processing and Psychopictorics", Academic Press,1970
我的也是这个题目 还没开始做呢 主要是对算法的介绍与比较，然后用其中某两种算法进行编程用软件处理出结果 在对结果进行分析 大概流程就是这样
I = imread('');%读取图片imshow(edge(I,'sobel'));%直接显示系统边缘检测的结果title('Matlab sobel processed ');%给边缘图像命名
摘 要 针对基于PC实现的图像边缘检测普遍存在的执行速度慢、不能满足实时应用需求等缺点，本文借助于TI公司的TMS320DM642图像处理芯片作为数字图像处理硬件平台，DSP/BIOS为实时操作系统，利用CCS开发环境来构建应用程序；并通过摄像头提取视频序列，实现对边缘检测Sobel算子改进[1]。 关键词 DM642；Sobel算子；程序优化；图像边缘检测 1 引言 边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。图像的大部分主要信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，是图像中灰度变化比较强烈的地方，也即通常所说的信号发生奇异变化的地方。经典的边缘检测算法是利用边缘处的一阶导数取极值、二阶导数在阶梯状边缘处呈零交叉或在屋顶状边缘处取极值的微分算法。图像边缘检测一直是图像处理中的热点和难点。 近年来，随着数学和人工智能技术的发展，各种类型的边缘检测算法不断涌现，如神经网络、遗传算法、数学形态学等理论运用到图像的边缘检测中。但由于边缘检测存在着检测精度、边缘定位精度和抗噪声等方面的矛盾及对于不同的算法边缘检测结果的精度却没有统一的衡量标准，所以至今都还不能取得令人满意的效果。另外随着网络和多媒体技术的发展，图像库逐渐变得非常庞大；而又由于实时图像的目标和背景间的变化都不尽相同，如何实现实时图像边缘的精确定位和提取成为人们必须面对的问题。随着DSP芯片处理技术的发展，尤其是在图像处理方面的提高如TMS320C6000系列，为实现高效的、实时的边缘检测提供了可能性[5]。在经典的边缘检测算法中，Sobel边缘检测算法因其计算量小、实现简单、处理速度快，并且所得的边缘光滑、连续等优点而得到广泛的应用。本文针对Sobel算法的性能，并借助于TMS320DM642处理芯片[3]，对该边缘检测算法进行了改进和对程序的优化，满足实时性需求。2 Sobel边缘检测算法的改进 经典的Sobel图像边缘检测算法，是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个是检测垂直边缘，一个是检测水平边缘。算法的基本原理：由于图像边缘附近的亮度变化较大，所以可以把那些在邻域内，灰度变化超过某个适当阈值TH的像素点当作边缘点。Sobel算法的优点是计算简单，速度快。但由于只采用了两个方向模板，只能检测水平方向和垂直方向的边缘，因此，这种算法对于纹理较复杂的图像，其边缘检测效果欠佳；同时，经典Sobel算法认为，凡灰度新值大于或等于阈值的像素点都是边缘点。这种判定依据是欠合理的，会造成边缘点的误判，因为多噪声点的灰度新值也很大。 图像加权中值滤波 由于图像中的边缘和噪声在频域中均表现为高频成分，所以在边缘检测之前有必要先对图像进行一次滤波处理，减少噪声对边缘检测的影响。中值滤波是一种非线性信号的处理方法[2]，在图像处理中，常用来保护边缘信息；保证滤波的效果。加权中值滤波，首先对每个窗口进行排序，取适当的比例，进行曲线拟合，拟合后的曲线斜率表征了此窗口的图像特征，再根据图像各部分特性适当的选择权重进行加权。 增加方向模板 除了水平和垂直两方向外，图像的边缘还有其它的方向，如135o和45o等，为了增加算子在某一像素点检测边缘的精度，可将方向模板由2个增加为8个即再在经典的方向模板的基础上增加6个方向模板，如图1所示。 边缘的定位及噪声的去除 通常物体的边缘是连续而光滑的，且边缘具有方向和幅度两个特征，而噪声是随机的。沿任一边缘点走向总能找到另一个边缘点，且这两个边缘点之间的灰度差和方向差相近。而噪声却不同，在一般情况下，沿任一噪声点很难找到与其灰度值和方差相似的噪声点[4]。基于这一思想，可以将噪声点和边缘点区分开来。对于一幅数字图像f(x，y)，利用上述的8个方向模板Sobel算子对图像中的每个像素计算，取得其中的最大值作为该点的新值，而该最大值对应的模板所表示的方向为该像素点的方向。若｜f(x，y)－f(x+i，y+j)｜＞TH2，对于任意i=0，1，-1；j=0，1，-1均成立，则可判断点(x，y)为噪声点。图2给出了图像边缘检测系统改进算法的软件流程图。图1 边缘检测8个方向模板图2 系统结构图3 基于TMS320DM642的图像处理的设计及算法优化 TMS320DM642功能模块及图像处理系统的硬件结构 DSP以高速数字信号处理为目标进行芯片设计，采用改进的哈佛结构(程序总线和数据总线分开)、内部具有硬件乘法器、应用流水线技术、具有良好的并行性和专门用于数字信号处理的指令及超长指令字结构(VLIW)等特点；能完成运算量大的实时数字图像处理工作。 TMS320DM642是TI公式最近推出的功能比较强大的TMS320C6x系列之一，是目前定点DSP领域里性能较高的一款[6]。其主频是600MHz，8个并行运算单元、专用硬件逻辑、片内存储器和片内外设电路等硬件，处理能力可达4800MIPS。DM642基于C64x内核，并在其基础上增加了很多外围设备和接口，因而在实际工程中的应用更为广泛和简便。本系统使用50 MHz晶体震荡器作为DSP的外部时钟输入，经过内部锁相环12倍频后产生600 MHz的工作频率。DM642采用了2级缓存结构(L1和L2)，大幅度提高了程序的运行性能。片内64位的EMIF(External Memory Interface)接口可以与SDRAM、Flash等存储器件无缝连接，极大地方便了大量数据的搬移。更重要的是，作为一款专用视频处理芯片，DM642包括了3个专用的视频端口(VP0～VP2)，用于接收和处理视频，提高了整个系统的性能。此外，DM642自带的EMAC口以及从EMIF 口扩展出来的ATA口，还为处理完成后产生的海量数据提供了存储通道。本系统是采用瑞泰公司开发的基于TI TMS320DM642 DSP芯片的评估开发板——ICETEK DM642 PCI。在ICETEK DM642 PCI评估板中将硬件平台分为五个部分，分别是视频采集、数据存储、图像处理、结果显示和电源管理。视频采集部分采用模拟PAL制摄像头，配合高精度视频A/D转换器得到数字图像。基于DSP的视频采集要求对视频信号具备采集，实时显示、对图像的处理和分析能力。视频A/D采样电路—SAA7115与视频端口0或1相连，实现视频的实时采集功能。视频D/A电路—SAA7105与视频口2相连，视频输出信号支持RGB、HD合成视频、PAL/NTSC复合视频和S端子视频信号。通过I2C总线对SAA7105的内部寄存器编程实现不同输出。 整个系统过程由三个部分组成：图像采集—边缘处理—输出显示，如图2所示。摄像头采集的视频信号经视频编码器SAA7115数字化，DM642通过I2C总线对SAA7115进行参数配置。在SAA7115内部进行一系列的处理和变换后形成的数字视频数据流，输入到核心处理单元DM642。经过DSP处理后的数字视频再经过SAA7105视频编码器进行D/A转换后在显示器上显示最终处理结果。 图像处理的软件设计和算法优化的实现 由于在改进Sobel边缘检测算子性能的同时，也相对增加了计算量，尤其是方向模板的增加，每个像素点均由原来的2次卷积运算增加为8次卷积运算，其实时性大大减弱。为了改进上述的不足，在深入研究处理系统和算法后，针对TMS320DM642的硬件结构特点，研究适合在TMS320DM642中高效运行的Sobel改进算法，满足实时处理的要求。整个程序的编写和调试按照C6000软件开发流程进行，流程分为：产生C代码、优化C代码和编写线性汇编程序3个阶段。使用的工具是TI的集成开发环境CCS。在CCS下，可对软件进行编辑、编译、调试、代码性能测试等工作。在使用C6000编译器开发和优化C代码时[7-8]，对C代码中低效率和需要反复调用的函数需用线性汇编重新编写，再用汇编优化器优化。整个系统的控制以及数字图像处理是用C程序实现，大部分软件设计采用C程序实现，这无疑提高了程序的可读性和可移植性，而汇编程序主要是实现DM642的各部分初始化。其边缘检测优化算法在DM642中的实现步骤具体如下： S1：根据DM642的硬件结构要求和控制寄存器设置，初始化系统并编写实现边缘检测算法的C程序。 S2：借助CCS开发环境的优化工具如Profiler等产生.OUT文件。 S3：根据产生的附件文件如.MAP文件，分析优化结果及源程序结构，进一步改进源程序和优化方法。 S4：使用CCS中调试、链接、运行等工具，再生成.OUT可执行文件。 S5：运行程序，如果满足要求则停止；否则重复步骤S2～S4直至满足使用要求。4 实验结果 本文以Lena图像为例根据上述的硬件环境和算法实现的原理和方法，图4～图6分别给出了在该系统下采集的视频Lena图像及使用边缘检测算子和改进后处理的结果。由实验结果可以看出，在该系统下能实时完成视频图像的处理，并且给出的边缘检测算子能较好的消除噪声的影响，边缘轮廓清晰。该算法不仅能抑制图像中大部分噪声和虚假边缘，还保证了较高的边缘点位精度。图4 Lena原始图像 图5 传统Sobel算子 图6 改进Sobel算子5 总结 本文实现了在TMS320DM642评估板上用改进的Sobel算子对实时图像进行边缘检测，无延迟地得到边缘图像。边缘检测效果较好，既提高了图像检测的精度又满足了实时性的要求。从检测结果看，利用该改进后的算子在边缘精确定位、边缘提取都达到了很好的效果，且抗噪声能力强，并为目标跟踪、无接触式检测、自动驾驶、视频监控等领域的应用提供了坚实的基础。参考文献[1] 王磊等. 基于Sobel理论的边缘提取改善方法[J]．中国图像图形学报，[2] 陈宏席. 基于保持平滑滤波的Sobel算子边缘检测.兰州交通大学学报，2006，25(1)：86—90[3] 熊伟. 基于TMS320DM642的多路视频采集处理板卡硬件设计与实现[ M]. 国外电子元器件，2006[4] 朱立.一种具有抗噪声干扰的图像边缘提取算法的研究[J]．电子技术应用.2004，25(1)[5] 刘松涛，周晓东.基于TMS320C6201的实时图像处理系统[J].计算机工程，2005(7)：17—23[6] TI TMS320DM642 video/imaging fixed-point digital signal processor data manual，2003[7] TMS320C6x Optimizing C Compiler User’s Guide’ TEXAS INSTRUMENTS”，2002[8] TMS320C32x Optimizing C/C++ Compiler User's Guide，Texas Instruments Incorporated，2001
clear all;I=imread('**.***');%自己输入图片路径GryIm=rgb2gray(I);%变灰度，如果是灰度图，直接删掉它BW=edge(GryIm,'sobel');%后边的参数‘sobel’或'roberts'自己改subplot(2,2，1);imshow(I);title('Oringal Image');subplot(2,2，2);imshow(BW);title('Edge detect of sobel');
Canny边缘检测是一种使用多种边缘检测算法检测边缘的方法。由John 于1986年提出，并在论文中有详尽的描述。 1）去噪。噪声会影响边缘检测的准确度。通常采用高斯滤波去除图像中的噪声。滤波器的核越大，边缘信息对噪声的敏感度就越低。不过，核越大，边缘检测的定位错误也会随之增加。通常一个5 X 5的核能满足大多数情况。 2）计算梯度的幅度与方向。梯度的方向与边缘的方向是垂直的，通常就取近似值为·水平、垂直、对角线等八个不同的方向。 3）非极大值抑制，即适当地让边缘变瘦。在获得了梯度的幅度和方向后，遍历图像中的像素点，去除所有非边缘的点。具体实现上，判断当前像素点是否是周围像素点中具有相同梯度方向的最大值，如果是，则保留该点；如果不是则抑制（归零）。 4）确定边缘。用双阈值算法确定最终的边缘信息。完成之前三步骤后，图像的强边缘已经在当前获取的边缘图像内。但一些虚边缘可能也在边缘图像内，这些虚边缘可能是真实的图像产生的，也可能是由于噪声产生的（必须将其剔除）。 设置两个阈值，其中一个为高阈值maxVal，另一个为低阈值minVal。根据当前边缘像素的梯度值与这两个阈值之间的关系，判断边缘的属性。如果当前边缘像素的梯度值不小于maxVal，则将当前边缘像素标记为强边缘；如果介于maxVal与minVal之间，则标记为弱边缘(先保留)；如果小于minVal，则抑制当前边缘像素。之后再判断虚边缘是否与强边缘有连接，有连接，则处理为边缘；无连接则抑制。 OpenCV提供了()来实现边缘检测：dst ： 为计算得到的边缘图像 image： 为8位输入图像 threshold1： 表示处理过程中的的第一个阈值 threshold2： 表示处理过程中的的第二个阈值 apertureSize： 表示Sobel算子的孔径大小。 L2gradient： 为计算图像梯度幅度的标识。其默认值是False。如果为True，则使用更精确的L2范数进行计算，否则使用L1范数。 例如：
目标检测（object detection）是计算机视觉中非常重要的一个领域。在卷积神经网络出现之前，都利用一些传统方法手动提取图像特征进行目标检测及定位，这些方法不仅耗时而且性能较低。而在卷积神经网络出现之后，目标检测领域发生了翻天覆地的变化。最著名的目标检测系统有RCNN系列、YOLO和SSD，本文将介绍RCNN系列的开篇作RCNN。 RCNN系列的技术演进过程可参见 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN 。 目标检测分为两步：第一步是对图像进行分类，即图像中的内容是什么；第二步则是对图像进行定位，找出图像中物体的具体位置。简单来说就是图像里面有什么，位置在哪。 然而，由于不同图片中物体出现的大小可能不同（多尺度），位置也可能不同，而且摆放角度，姿态等都可以不同，同时一张图片中还可以出现多个类别。这使得目标检测任务异常艰难。上面任务用专业的说法就是：图像识别+定位两个不同的分支分别完成不同的功能，分类和定位。回归（regression）分支与分类分支（classification）共享网络卷积部分的参数值。 还是刚才的分类识别+回归定位思路。只是现在我们提前先取好不同位置的框，然后将这个框输入到网络中而不是像思路一将原始图像直接输入到网络中。然后计算出这个框的得分，取得分最高的框。 如上，对于同一个图像中猫的识别定位。分别取了四个角四个框进行分类和回归。其得分分别为，因此右下角得分最高，选择右下角的黑框作为目标位置的预测（这里即完成了定位任务）。 这里还有一个问题——检测位置时的框要怎么取，取多大？在上面我们是在257x257的图像中取了221x221的4个角。以不同大小的窗口从左上角到右下角依次扫描的话，数据量会非常大。而且，如果考虑多尺度问题的话，还需要在将图像放缩到不同水平的大小来进行计算，这样又大大增加了计算量。如何取框这个问题可以说是目标检测的核心问题之一了，RCNN，fast RCNN以及faster RCNN对于这个问题的解决办法不断地进行优化，这个到了后面再讲。 总结一下思路： 对于一张图片，用各种大小的框将图片截取出来，输入到CNN，然后CNN会输出这个框的类别以及其位置得分。 对于检测框的选取，一般是采用某种方法先找出可能含有物体的框（也就是候选框，比如1000个候选框），这些框是可以互相重叠互相包含的，这样我们就可以避免暴力枚举所有框了。讲完了思路，我们下面具体仔细来看看RCNN系列的实现，本篇先介绍RCNN的方法。 R-CNN相比于之前的各种目标检测算法，不仅在准确率上有了很大的提升，在运行效率上同样提升很大。R-CNN的过程分为4个阶段： 在前面我们已经简单介绍了selective search方法，通过这个方法我们筛选出了2k左右的候选框。然而搜索出的矩形框大小是不同的。而在AlexNet中由于最后全连接层的存在，对于图像尺寸有固定的要求，因此在将候选框输入之前，作者对这些候选框的大小进行了统一处理——放缩到了统一大小。文章中作者使用的处理方法有两种： （1）各向异性缩放因为图片扭曲可能会对后续CNN模型训练产生影响，于是作者也测试了各向同性缩放的方法。有两种方法： 此外，作者对于bounding box还尝试了padding处理，上面的示意图中第1、3行就是结合了padding=0，第2、4行结果采用padding=16的结果。经过最后的试验，作者发现采用各向异性缩放、padding=16的精度最高。 卷积神经网络训练分为两步：（1）预训练；（2）fine-tune。 先在一个大的数据集上面训练模型（R-CNN中的卷机模型使用的是AlexNet），然后利用这个训练好的模型进行fine-tune（或称为迁移学习），即使用这个预训练好的模型参数初始化模型参数，然后在目标数据集上面进行训练。 此外，在训练时，作者还尝试采用不同层数的全连接层，发现一个全连接层比两个全连接层效果要好，这可能是因为使用两个全连接层后过拟合导致的。 另一个比较有意思的地方是：对于CNN模型，卷积层学到的特征其实就是基础的共享特征提取层，类似于传统的图像特征提取算法。而最后的全连接层学到的则是针对特定任务的特征。譬如对于人脸性别识别来说，一个CNN模型前面的卷积层所学习到的特征就类似于学习人脸共性特征，然后全连接层所学习的特征就是针对性别分类的特征了。 最后，利用训练好的模型对候选框提取特征。 关于正负样本的问题：由于选取的bounding box不可能与人工label的完全相同，因此在CNN训练阶段需要设置IOU阈值来为bounding box打标签。在文章中作者将阈值设置为，即如果候选框bounding box与人工label的区域重叠面积大于，则将其标注为物体类别（正样本），否则我们就把他当做背景类别（负样本）。 作者针对每一个类别都训练了一个二分类的SVM。这里定义正负样本的方法与上面卷积网络训练的定义方法又不相同。作者在文章中尝试了多种IoU阈值（）。最后通过训练发现，IoU阈值为的时候效果最好（选择为0精度下降了4个百分点，选择精度下降了5个百分点）。即当IoU小于的时候我们将其视为负样本，否则为正样本。 目标检测问题的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确，重叠面积很小。故需要一个位置精修步骤。在实现边界回归的过程中发现了两个微妙的问题。第一是正则化是重要的：我们基于验证集，设置λ=1000。第二个问题是，选择使用哪些训练对(P,G)时必须小心。直观地说，如果P远离所有的检测框真值，那么将P转换为检测框真值G的任务就没有意义。使用像P这样的例子会导致一个无望的学习问题。因此，只有当提案P至少在一个检测框真值附近时，我们才执行学习任务。“附近”即，将P分配给具有最大IoU的检测框真值G（在重叠多于一个的情况下），并且仅当重叠大于阈值（基于验证集，我们使用的阈值为）。所有未分配的提案都被丢弃。我们为每个目标类别执行一次，以便学习一组特定于类别的检测框回归器。 在测试时，我们对每个提案进行评分，并预测其新的检测框一次。原则上，我们可以迭代这个过程（即重新评估新预测的检测框，然后从它预测一个新的检测框，等等）。但是，我们发现迭代不会改进结果。 使用selective search的方法在测试图片上提取2000个region propasals ，将每个region proposals归一化到227x227，然后再CNN中正向传播，将最后一层得到的特征提取出来。然后对于每一个类别，使用为这一类训练的SVM分类器对提取的特征向量进行打分，得到测试图片中对于所有region proposals的对于这一类的分数，再使用贪心的非极大值抑制（NMS）去除相交的多余的框。再对这些框进行canny边缘检测，就可以得到bounding-box(then B-BoxRegression)。 参考： Rich feature hierarchies for accurate object detection and semantic segmentation. RCNN-将CNN引入目标检测的开山之作-晓雷的文章 基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN R-CNN 论文翻译
边缘检测是图像处理的重要基础算法。它是许多高阶的图像算法（例如轮廓检测，目标检测）的基础。Canny边缘检测算法是OpenCV中使用的边缘检测算法，由John F. Canny在1986年提出。由于它出色的检测和容错能力，至今一直被广泛使用。Canny边缘检测具有以下特点： 那么Canny边缘检测为什么会有出色的性能？这和它的实现有着很大关系，Canny边缘检测主要分为以下几个步骤： 因为边缘检测容易受到图像中的噪点影响，所以在边缘检测之前通常需要对图像进行降噪处理。这里我们使用高斯滤波进行降噪。关于高斯滤波可以参考 这里 。 如何确定图像的边缘？图像的边缘像素的灰度值通常会有剧烈变化。而梯度可以用来衡量灰度值变化的大小和方向。图像在x, y方向的梯度值可以通过点乘下面的Sobel算子得到： 在得到x, y方向的梯度值以后，通过以下公式计算出方向梯度值： 高斯滤波在降噪的同时，边缘也有可能被放大。引入非最大值抑制就是为了解决这个问题，使得检测出的边缘更细(窄)。 即：如果一个像素点属于边缘，那么这个像素点在梯度方向上的梯度值是必须是最大的。 如下图所示，A是在图像的边缘上的点，计算出的梯度方向垂直于边缘。B和C在梯度方向上，这时我们比较A和B,C的灰度值，如果A比B和C都大，则选取A作为结果。如果A比B或者C小，则将A的值设为0。 为了确定最终的边缘，我们需要设定一个阈值来挑选出足够“像”边缘的点，即它的梯度值要足够大。但如果设定单一阈值，最终的检测精度就非常依赖于阈值设定，过大或者过小的阈值都会让结果偏离预期。而Canny边缘检测算法设置两个阀值，分别为maxVal和minVal。其中大于maxVal的都被检测为边缘，而低于minval的都被检测为非边缘。对于中间的像素点，如果与确定为边缘的像素点邻接，则判定为边缘；否则为非边缘。这样有效地提高了检测精度。 OpenCV中提供了Canny边缘检测的实现。我们直接调用 Canny() 函数即可
Canny边缘检测教程 Author: Bill Green (2002) 作者：比尔绿色（ 2002 ） HOME EMAIL 主页 电子邮件 This tutorial assumes the reader: 本教程假定读者： (1) Knows how to develop source code to read raster data （ 1 ）知道如何发展的源代码阅读栅格数据 (2) Has already read my Sobel edge detection tutorial （ 2 ）已经阅读我Sobel边缘检测教程 This tutorial will teach you how to:本教程将教你如何： (1) Implement the Canny edge detection algorithm. （ 1 ）实施Canny边缘检测算法。 INTRODUCTION 导言 Edges characterize boundaries and are therefore a problem of fundamental importance in image processing.边的特点，因此，边界问题，根本的重要性在图像处理中。 Edges in images are areas with strong intensity contrasts – a jump in intensity from one pixel to the next.在图像的边缘地区，强度强的反差-一个跳转的强度从一个像素的下一个。 Edge detecting an image significantly reduces the amount of data and filters out useless information, while preserving the important structural properties in an image. This was also stated in my Sobel and Laplace edge detection tutorial, but I just wanted reemphasize the point of why you would want to detect edges.边缘检测的图像大大减少了大量的数据，并过滤掉无用的信息，同时保持重要的结构性能的形象。这也是我在索贝尔和拉普拉斯边缘检测教程，但我只是想再次强调这一点的，为什么你会要检测的边缘。 The Canny edge detection algorithm is known to many as the optimal edge detector. Canny's intentions were to enhance the many edge detectors already out at the time he started his work.的Canny边缘检测算法是众所周知的许多人视为最佳边缘检测。坎尼的意图是要加强许多先进的探测器已经在的时候，他开始他的工作。 He was very successful in achieving his goal and his ideas and methods can be found in his paper, " A Computational Approach to Edge Detection ".他很成功地实现他的目标和他的思想和方法中可以找到他的论文“ 计算方法的边缘检测 ” 。 In his paper, he followed a list of criteria to improve current methods of edge detection.在他的文件中，他遵循的标准清单，以改善目前的边缘检测方法。 The first and most obvious is low error rate.第一个也是最明显的错误率低。 It is important that edges occuring in images should not be missed and that there be NO responses to non-edges.重要的是，发生在图像边缘不应错过的，没有任何反应，非边缘。 The second criterion is that the edge points be well localized. In other words, the distance between the edge pixels as found by the detector and the actual edge is to be at a minimum.第二个标准是，边缘点很好地本地化。换言之，之间的距离边缘像素作为探测器发现和实际边缘要在最低限度。 A third criterion is to have only one response to a single edge.第三个标准是，只有一个回应单一优势。 This was implemented because the first 2 were not substantial enough to completely eliminate the possibility of multiple responses to an edge.这是第一次实施，因为并没有实质性的2足以完全消除的可能性，多反应的优势。 Based on these criteria, the canny edge detector first smoothes the image to eliminate and noise.根据这些标准， Canny边缘检测器的第一个平滑的图像，以消除和噪音。 It then finds the image gradient to highlight regions with high spatial derivatives.然后认定的形象，以突出地区梯度高空间衍生物。 The algorithm then tracks along these regions and suppresses any pixel that is not at the maximum (nonmaximum suppression).该算法然后轨道沿着这些地区和抑制任何像素这不是在最高（ nonmaximum制止） 。 The gradient array is now further reduced by hysteresis.梯度阵列现在进一步减少滞后。 Hysteresis is used to track along the remaining pixels that have not been suppressed.磁滞用来追踪沿其余像素，但没有压制。 Hysteresis uses two thresholds and if the magnitude is below the first threshold, it is set to zero (made a nonedge).磁滞使用两个阈值，如果规模低于第一道门槛，这是设置为零（发了nonedge ） 。 If the magnitude is above the high threshold, it is made an edge.如果是规模以上的高门槛，这是一个优势。 And if the magnitude is between the 2 thresholds, then it is set to zero unless there is a path from this pixel to a pixel with a gradient above T2.如果震级之间的2阈值，那么它设置为零，除非有一条从这个像素一个像素的梯度上述时刻。 Step 1 第1步 In order to implement the canny edge detector algorithm, a series of steps must be followed.为了落实Canny边缘检测算法，一系列步骤必须遵循。 The first step is to filter out any noise in the original image before trying to locate and detect any edges.第一步是筛选出任何噪音的原始图像在寻找和发现任何边缘。 And because the Gaussian filter can be computed using a simple mask, it is used exclusively in the Canny algorithm.而且因为高斯滤波器可以用一个简单的计算面具，它是专门用于在Canny算法。 Once a suitable mask has been calculated, the Gaussian smoothing can be performed using standard convolution methods.一旦合适的面罩已计算，高斯平滑可以用标准的卷积方法。 A convolution mask is usually much smaller than the actual image.阿卷积掩模通常远远小于实际的形象。 As a result, the mask is slid over the image, manipulating a square of pixels at a time. The larger the width of the Gaussian mask, the lower is the detector's sensitivity to noise .因此，该面具是下跌的形象，操纵一个正方形的像素上。 较大的宽度高斯面具，较低的是探测器的敏感性噪音 。 The localization error in the detected edges also increases slightly as the Gaussian width is increased.定位误差检测边缘也略有增加的高斯宽度增加。 The Gaussian mask used in my implementation is shown below.高斯遮罩使用我在执行下面显示。 Step 2 第2步 After smoothing the image and eliminating the noise, the next step is to find the edge strength by taking the gradient of the image.经过平滑的形象，消除噪音，下一步就是要找到优势兵力，采取梯度的形象。 The Sobel operator performs a 2-D spatial gradient measurement on an image.的Sobel算子进行二维空间梯度测量的形象。 Then, the approximate absolute gradient magnitude (edge strength) at each point can be found.然后，大约绝对梯度幅度（边缘强度）各点可以找到。 The Sobel operator uses a pair of 3x3 convolution masks, one estimating the gradient in the x-direction (columns) and the other estimating the gradient in the y-direction (rows). Sobel算子的使用对3x3卷积口罩，一个梯度估计在X方向（栏）和其他的梯度估计的Y方向（行） 。 They are shown below:它们如下所示： The magnitude, or EDGE STRENGTH, of the gradient is then approximated using the formula:的规模，或EDGE强度，梯度近似然后使用公式： |G| = |Gx| + |Gy| | G | = | GX的| + |戈瑞| Step 3 第3步 Finding the edge direction is trivial once the gradient in the x and y directions are known.寻找边缘方向是小事，一旦梯度在X和Y方向是众所周知的。 However, you will generate an error whenever sumX is equal to zero.然而，你会产生错误时sumX等于零。 So in the code there has to be a restriction set whenever this takes place.因此，在代码中必须有一个限制规定只要发生。 Whenever the gradient in the x direction is equal to zero, the edge direction has to be equal to 90 degrees or 0 degrees, depending on what the value of the gradient in the y-direction is equal to.每当梯度在x方向等于零，边缘的方向，必须等于90度或0度，取决于什么的价值梯度的Y方向等于。 If GY has a value of zero, the edge direction will equal 0 degrees.如果青的值为零，边缘方向将等于0度。 Otherwise the edge direction will equal 90 degrees.否则边缘方向将等于90度。 The formula for finding the edge direction is just:公式为寻找边缘方向是： theta = invtan (Gy / Gx)论旨= invtan （戈瑞/ GX的） Step 4 第4步 Once the edge direction is known, the next step is to relate the edge direction to a direction that can be traced in an image.一旦边缘方向众所周知，下一步是与边缘方向为方向，可以追溯到在一个图像。 So if the pixels of a 5x5 image are aligned as follows:因此，如果一个5x5像素图像对齐如下： x x x x x x x x x x x x x x x x x x x x x x a x x x x 1 x x x x x x x x x x x x x x x x x x x x x x Then, it can be seen by looking at pixel " a ", there are only four possible directions when describing the surrounding pixels - 0 degrees (in the horizontal direction), 45 degrees (along the positive diagonal), 90 degrees (in the vertical direction), or 135 degrees (along the negative diagonal).然后，可以看到看像素的“ A ” ，只有4个可能的方向时，描述了周围的像素- 0度 （水平方向） ， 45度 （沿积极对角线） ， 90度 （垂直方向） ，或135度 （沿负对角线） 。 So now the edge orientation has to be resolved into one of these four directions depending on which direction it is closest to (eg if the orientation angle is found to be 3 degrees, make it zero degrees).所以，现在的边缘方向已经得到解决纳入其中四个方向取决于哪个方向，它是最接近于（如角被发现有3度，使零摄氏度） 。 Think of this as taking a semicircle and dividing it into 5 regions.认为这是采取了半圆形和分裂成5个地区。 Therefore, any edge direction falling within the yellow range (0 to & to 180 degrees) is set to 0 degrees.因此，任何先进的方向范围内的黄色范围 （ 0至5月22日＆ 至180度）设置为0度。 Any edge direction falling in the green range ( to degrees) is set to 45 degrees. Any edge direction falling in the blue range ( to degrees) is set to 90 degrees.任何先进的方向下滑的绿色范围 （ 至度）设置为45度。任何优势的方向下滑的蓝色范围 （ 至度）设置为90度。 And finally, any edge direction falling within the red range ( to degrees) is set to 135 degrees.最后，任何先进的方向范围内的红色范围 （ 到度）设置为135度。 Step 5 第5步 After the edge directions are known, nonmaximum suppression now has to be applied. Nonmaximum suppression is used to trace along the edge in the edge direction and suppress any pixel value (sets it equal to 0) that is not considered to be an edge. This will give a thin line in the output image.在被称为边缘方向， nonmaximum抑制现在必须适用。 Nonmaximum抑制是用来追踪沿边缘方向和制止任何像素值（套等于0 ）这是不被认为是优势。这将给细线的输出图像。 Step 6 第6步 Finally, hysteresis is used as a means of eliminating streaking.最后，滞后是用来作为一种手段，消除条纹。 Streaking is the breaking up of an edge contour caused by the operator output fluctuating above and below the threshold.裸奔是打破的边缘轮廓线的经营者造成的产量波动上面和下面的门槛。 If a single threshold, T1 is applied to an image, and an edge has an average strength equal to T1, then due to noise, there will be instances where the edge dips below the threshold.如果一个门槛， T1讯号适用于图像，并具有优势的平均强度相等的T1 ，然后由于噪声，将有情况下，边逢低低于阈值。 Equally it will also extend above the threshold making an edge look like a dashed line.同样它也将延长超过阈值决策的优势看起来像一个虚线。 To avoid this, hysteresis uses 2 thresholds, a high and a low.为了避免这种情况，滞后使用2的门槛，高和低。 Any pixel in the image that has a value greater than T1 is presumed to be an edge pixel, and is marked as such immediately.任何像素的图像，其值大于表＃ t1推定为边缘像素，并标示为这种立即。 Then, any pixels that are connected to this edge pixel and that have a value greater than T2 are also selected as edge pixels.然后，任何像素连接到这个边缘像素，并有一个值大于时刻还选定为边缘像素。 If you think of following an edge, you need a gradient of T2 to start but you don't stop till you hit a gradient below T1.如果您认为以下的优势，您需要一个梯度的时刻开始，但你不停止直到触及梯度低于表＃ t1 。 You are visitor number: 你是第位访客人数：
测绘工程论文题目
测绘工程在整个工程建设过程中所起的作用很大，测绘工程论文题目大家想好了吗？下面是我整理的测绘工程论文题目，欢迎阅读参考！
1、改善GIS数字底图的质量
2、教学实习在土地资源管理专业中的应用
3、数字化土地利用现状调查的数据采编
4、数字化地形测量的几个问题探讨
5、数字化地籍测量在城镇地籍调查中的应用探讨
6、数字化成图几种作业模式的分析比较
7、数字化测图与地籍信息系统研究
8、数字化测图在地籍补测中的两种应用技巧
9、数字化测图技术在郑州高新区房地产测量中的应用
10、数字化测图教学方法探讨
11、数字化测绘技术在地籍图测绘中的应用与建议
12、数字化测绘技术在地籍测量中的应用与实施
13、数字化测绘技术在地籍测量中的应用初探
14、数字化测绘技术在城镇地籍测量中的应用
15、数字化测绘技术在源影寺古砖塔测绘中的应用
16、数字图像边缘检测方法的探讨
17、数字土地利用现状图的制图概括
18、数字土地利用现状图的制图综合
19、数字地图系统设计
20、数字地形图测绘中的几个问题探析
21、数字地籍测绘实施中的技术问题
22、数字地籍测量中GPS控制网的建立
23、数字地籍测量主要误差来源探讨
24、数字地籍测量作业探讨
25、数字地籍测量应用分析
26、数字地籍测量控制网的建立及精度分析
27、数字地籍测量有关作业流程及精度控制的探讨
28、数字地籍测量精度的讨论及控制方法
29、数字平顶山空间数据基础设施建设的初步研究
30、数字摄影测量生产的质量控制
31、数字水准仪SPRINTERM的试验与评述
32、数字水准仪及其在机场跑道板块高程测量中的应用
33、数字水准仪及水准尺的检定与精度分析
34、数字水准仪的测量算法概述
35、数字水准仪自动读数方法研究
36、数字水准仪观测模式及其应用实践
37、数字水准测量外业数据格式的转换与统一的实践
38、数字水果湖水下地形和淤泥厚度测量
39、数字测图中的坐标变换方法
40、数字测图中设站错误的内业改正
41、数字测图技术在罗营口水电站坝址地形测量中的应用
42、数字测绘产品的质量检查与质量控
43、数字综合法用于平坦地区地形图修测
44、数字高程模型与等高线质量相关性研究
45、数字高程模型及其数据结构
46、数字高程模型在农地整理排水渠道规划设计中的应用
47、数字高程模型地形描述精度的研究
48、数字高程模型的生产及更新
49、数字高程模型的裁剪与拼接技术
50、数学形态学在遥感图像处理中的应用
51、数据化测量在河道治理工程中的应用
52、数码相机可量测化的研制
53、斜拉桥变形观测方法及精度分析
54、斜距法在工程中的应用
55、断面测量内外业一体化系统研究
56、断高法在高等级公路测设中的应用
57、新州公路平面控制测量问题研究与施测
58、方位交会法在城区测量中的'应用
59、方向交会法坐标计算之初探——待定点坐标的计算
60、方向后交最佳点位分析
61、施工测量中快速设站方法
62、无像控基础地理空间数据更新方法
63、无反射棱镜全站仪测距性能测试
64、无反射镜测距的目标特性研究
65、无定向导线环在城市地籍测量中的应用
66、无控制DEM表面差异探测研究
67、既有铁路航测数字化测图的特点与质量控制
68、时态地籍数据库设计与宗地历史查询的实现方法
69、明暗等高线自动绘制方法
70、智能全站仪ATR实测三维精度分析
71、智能全站仪快速测量处理系统
72、曲线拟合高程在公路测量中的应用研究
73、曲线放样中的坐标转换及转换精度分析
74、曲线矢量数据压缩算法实现及评析
75、最小二乘平差理论在制图自动综合中的应用
76、最小二乘法在土地复垦场平整中的应用
77、最小二乘法对多周期函数的周期筛选优化
78、有关地籍调查的几个问题探讨
79、有限条件下坐标转换矩阵的确定与精化
80、有非对称缓和曲线的曲线主点测设方法
81、服务城市化的测绘工程专业培养计划探讨
82、村庄地籍测量之初探
83、条码信号复原技术在数字水准仪中的应用
84、条码因瓦水准标尺校准方法的探讨
85、极坐标法测设平面位置的精度分析
86、构建城镇地籍管理系统的研究
87、栅格数据矢量化及其存在问题的解决
88、标准化大比例尺数字测图的实践与体会
89、树状河系自动绘制的结构化实现
90、根据三斜距确定点的三维坐标及精度
91、桥梁墩_台的沉降观测和沉降值的预测
92、模拟GPS控制网精度估算方法研究
93、模糊数学在土地利用更新调查质量评定中的应用探讨
94、模糊综合评判及其在测绘中的应用
95、气象因素对全站仪测量的影响
96、水下地形分析中空间数据存储与管理方法的研究
97、水下地形测量误差分析及对策
98、水下地形测量误差来源及处理方法探讨
99、水下地形测量高程异常点剔除方法研究
100、水位改正中虚拟验潮站的快速内插
视觉传达毕业论文题目
视觉传达毕业论文题目具体有哪些呢，大家有了解过吗?下面是我为大家介绍的视觉传达毕业论文题目，欢迎参考和阅读，希望能帮到大家!
视觉传达毕业论文题目
1.浅谈计算机图形图像设计与视觉传达设计
2.基于视觉传达设计中视觉思维模式创新的研究
3.新媒体艺术语言在视觉传达中的应用
4.基于视觉传达艺术发展的民族传统设计创新探讨
5.数字广告中数字媒体的视觉传达设计
6.视觉传达设计视角下的科技图像创作研究
7.动态构成在视觉传达设计中的运用与研究
8.跨界与融合--数字信息时代背景下视觉传达设计的新思考
9.色彩符号与企业形象的视觉传达
10.汉字象形造字法在视觉传达中的设计应用
11.中国传统元素在视觉传达设计中的应用研究
12.“视觉传达设计专业”在现实中的应用探究
13.新媒体语境下的视觉传达设计探讨
14.移动互联网背景下视觉传达设计专业人才培养模式研究
15.视觉传达设计中的图形创意表现研究
16.从空无、自然、融合三个角度谈视觉传达设计中的艺术美
17.“私人定制”视觉传达中的定制式设计理念
18.数码技术在视觉传达设计中的应用研究
19.基于视觉传达要素的制造装备人机优化设计方法研究
20.敦煌联珠纹的形态特征与其在视觉传达设计中的应用
21.基于可持续发展理论下的视觉传达设计
22.浅析视觉传达设计与品牌形象的有效整合
23.现代视觉传达的多维感官设计运用探析
24.探究UI设计的视觉传达艺术
25.旅游纪念品视觉传达设计与开发
26.色彩的视觉传达在广告设计中的运用
27.基于视觉传达设计领域的互补设计方法研究
28.信息时代的视觉传达设计特征与发展研究综述
29.动态视觉传达设计在数字媒体中的应用及发展方向
30.视觉传达的灵境语言
31.本土文化视域下的视觉传达设计及拓展重构
32.探讨视觉传达设计发展趋势的分析
33.独特的视觉传达系统研究
34.订制婚礼中视觉传达设计的应用研究
35.视觉传达设计中图形创意的应用与商业价值研究
36.基于观者位移产生的动态错觉在视觉传达设计中的应用
37.关于多媒体设计与视觉传达的完美结合研究
38.视觉传达设计中民族文化符号的应用
39.浅谈视觉传达设计中图形创意的表现
40.视觉传达设计专业学生的实践能力培养探析
41.视觉传达设计中的色彩应用分析
42.视觉传达设计在空间设计中的新发展
43.视觉传达设计中的视觉疲劳现象研究
44.基于信息设计的视觉传达领域新应用
45.文化产业背景下视觉传达设计的转型
46.江汉大学视觉传达设计专业创新型人才培养探析
47.视觉传达设计创新性思维模式初探
48.浅析视觉传达设计创新思维的内涵及原则
49.展示空间中的视觉传达设计元素分析
50.女性身体元素在竞技体育中的视觉传达
51.谈信息时代下视觉传达设计的发展
52.视觉传达设计中笔墨艺术元素的应用
数字化广告的视觉传达效应探析
54.论包装色彩视觉传达的话语意义
55.浅析现代婚庆视觉传达设计
56.数字时代的视觉传达专业的内涵与外延
57.视觉传达设计中抽象图形的针对性提炼与表现
58.探讨视觉传达艺术设计的创新设计理念
59.数字媒体对视觉传达设计的影响分析
60.浅谈视觉传达设计的多元化发展
61.对视觉传达设计中情感理念的表现研究
62.视觉传达设计中视觉思维模式的创新
63.网页设计之视觉传达研究
64.虚拟现实环境下计算机图形图像设计与视觉传达设计
65.数字媒体时代视觉传达专业图形创意课程改革研究
66.景颇族服饰视觉呈现中的社会情境表述
67.视觉传达技术在茶叶包装设计上的运用
68.从视觉心理角度解读自由版式中的视觉游戏
69.基于视觉信息传达的网页界面设计研究
70.“东方葵”的图像叙事与视觉传达
71.网络广告中的视觉传达设计艺术探究
72.浅析视觉营销在商品E化过程中的应用
73.广告视觉传达设计的研究与探讨
74.从标志设计的演变谈视觉简化心理
75.视觉传达设计中传统装饰艺术符号的融入
76.节约型包装视觉传达设计研究
77.数字时代视觉传达设计的新观念探索
78.图表设计与可视化分析
79.技术推动观念 VR技术引发的视觉传达新观念
80.视觉传达设计中的多媒体艺术的表现形式
81.基于数字媒体语境下的视觉传达设计
82.虚拟现实环境下计算机图形图像设计与视觉传达设计
83.视错觉表现在视觉传达设计中的应用
84.论互联网时代视觉传达设计的方法和表现特性
85.视觉传达设计中的多媒体艺术表现形式研究
86.考虑视觉传达效果的夜视环境视觉定位方法研究
87.当代中国设计活动中审美形态的来源--以视觉传达设计为例
88.中国传统文化元素在视觉传达设计中的应用
89.数字时代视觉传达设计的新观念
90.交通标示颜色的视觉传达作用仿真分析
91.视觉传达设计中的传统文化符号探究
92.中国传统家具元素在视觉传达设计中的应用探析
93.视觉传达设计对地方经济发展的实效性研究
94.当代视觉传达设计中的适老性问题研究
95.黑暗中颜色刺激作用的视觉传达分析研究
96.视觉传达设计的交互动画特效制作手法探析
97.学习类网页设计中视觉传达理论的应用研究
98.字体创意设计是加深视觉传达记忆的根蒂
99.对中国甲骨文文字符号视觉传达的属性研究
100.广告视觉传达设计艺术在信息网络时代的传播研究
101.中国禅道文化中的神、意、形、色在视觉传达设计中的应用研究
102.视觉传达设计中的多媒体艺术表现形式分析
103.公共艺术形态下的视觉传达设计研究
104.浅谈数字图像时代视觉传达设计的几个要素
105.浅析视觉传达设计的情感效应
106.如何做到视觉传达艺术设计的与时俱进
107.试论传播学在视觉传达设计中的应用
108.隐喻图形在视觉传达设计中的应用研究
109.视觉传达设计中视觉思维模式的创新
Graphic在视觉传达中的应用研究
111.数字媒体时代视觉传达设计的特征与发展
112.当代视觉传达下汉字图形化设汁的形、意研究
113.网络媒体的视觉艺术传达设计研究
114.数字时代视觉传达设计的新思维探讨
115.中国传统元素在视觉传达设计中的应用
116.浅析视觉传达在室内设计中的应用
117.“新古琴双行谱”中的视觉传达设计
118.视觉传达图形创意在服装设计中的应用
119.从视觉传达的角度对新媒体时代地产广告的探究
120.分析创新设计理念在视觉传达艺术设计中的具体实施
121.视觉传达设计专业的基础课程改革探索
拓展：测绘工程论文题目
1、改善GIS数字底图的质量
2、教学实习在土地资源管理专业中的应用
3、数字化土地利用现状调查的数据采编
4、数字化地形测量的几个问题探讨
5、数字化地籍测量在城镇地籍调查中的应用探讨
6、数字化成图几种作业模式的分析比较
7、数字化测图与地籍信息系统研究
8、数字化测图在地籍补测中的两种应用技巧
9、数字化测图技术在郑州高新区房地产测量中的应用
10、数字化测图教学方法探讨
11、数字化测绘技术在地籍图测绘中的应用与建议
12、数字化测绘技术在地籍测量中的应用与实施
13、数字化测绘技术在地籍测量中的应用初探
14、数字化测绘技术在城镇地籍测量中的应用
15、数字化测绘技术在源影寺古砖塔测绘中的应用
16、数字图像边缘检测方法的探讨
17、数字土地利用现状图的制图概括
18、数字土地利用现状图的制图综合
19、数字地图系统设计
20、数字地形图测绘中的几个问题探析
21、数字地籍测绘实施中的技术问题
22、数字地籍测量中GPS控制网的建立
23、数字地籍测量主要误差来源探讨
24、数字地籍测量作业探讨
25、数字地籍测量应用分析
26、数字地籍测量控制网的建立及精度分析
27、数字地籍测量有关作业流程及精度控制的探讨
28、数字地籍测量精度的讨论及控制方法
29、数字平顶山空间数据基础设施建设的初步研究
30、数字摄影测量生产的质量控制
31、数字水准仪SPRINTERM的试验与评述
32、数字水准仪及其在机场跑道板块高程测量中的应用
33、数字水准仪及水准尺的'检定与精度分析
34、数字水准仪的测量算法概述
35、数字水准仪自动读数方法研究
36、数字水准仪观测模式及其应用实践
37、数字水准测量外业数据格式的转换与统一的实践
38、数字水果湖水下地形和淤泥厚度测量
39、数字测图中的坐标变换方法
40、数字测图中设站错误的内业改正
41、数字测图技术在罗营口水电站坝址地形测量中的应用
42、数字测绘产品的质量检查与质量控
43、数字综合法用于平坦地区地形图修测
44、数字高程模型与等高线质量相关性研究
45、数字高程模型及其数据结构
46、数字高程模型在农地整理排水渠道规划设计中的应用
47、数字高程模型地形描述精度的研究
48、数字高程模型的生产及更新
49、数字高程模型的裁剪与拼接技术
50、数学形态学在遥感图像处理中的应用
51、数据化测量在河道治理工程中的应用
52、数码相机可量测化的研制
53、斜拉桥变形观测方法及精度分析
54、斜距法在工程中的应用
55、断面测量内外业一体化系统研究
56、断高法在高等级公路测设中的应用
57、新州公路平面控制测量问题研究与施测
58、方位交会法在城区测量中的应用
59、方向交会法坐标计算之初探——待定点坐标的计算
60、方向后交最佳点位分析
61、施工测量中快速设站方法
62、无像控基础地理空间数据更新方法
63、无反射棱镜全站仪测距性能测试
64、无反射镜测距的目标特性研究
65、无定向导线环在城市地籍测量中的应用
66、无控制DEM表面差异探测研究
67、既有铁路航测数字化测图的特点与质量控制
68、时态地籍数据库设计与宗地历史查询的实现方法
69、明暗等高线自动绘制方法
70、智能全站仪ATR实测三维精度分析
71、智能全站仪快速测量处理系统
72、曲线拟合高程在公路测量中的应用研究
73、曲线放样中的坐标转换及转换精度分析
74、曲线矢量数据压缩算法实现及评析
75、最小二乘平差理论在制图自动综合中的应用
76、最小二乘法在土地复垦场平整中的应用
77、最小二乘法对多周期函数的周期筛选优化
78、有关地籍调查的几个问题探讨
79、有限条件下坐标转换矩阵的确定与精化
80、有非对称缓和曲线的曲线主点测设方法
81、服务城市化的测绘工程专业培养计划探讨
82、村庄地籍测量之初探
83、条码信号复原技术在数字水准仪中的应用
84、条码因瓦水准标尺校准方法的探讨
85、极坐标法测设平面位置的精度分析
86、构建城镇地籍管理系统的研究
87、栅格数据矢量化及其存在问题的解决
88、标准化大比例尺数字测图的实践与体会
89、树状河系自动绘制的结构化实现
90、根据三斜距确定点的三维坐标及精度
91、桥梁墩_台的沉降观测和沉降值的预测
92、模拟GPS控制网精度估算方法研究
93、模糊数学在土地利用更新调查质量评定中的应用探讨
94、模糊综合评判及其在测绘中的应用
95、气象因素对全站仪测量的影响
96、水下地形分析中空间数据存储与管理方法的研究
97、水下地形测量误差分析及对策
98、水下地形测量误差来源及处理方法探讨
99、水下地形测量高程异常点剔除方法研究
100、水位改正中虚拟验潮站的快速内插