边缘检测

Press the "Start" button to see a demonstration of denoising tools in the Wavelet Toolbox. This demo uses Wavelet Toolbox functions. % Set signal to noise ratio and set rand seed. sqrt_snr = 3; init = 2055615866; % Generate original signal and a noisy version adding % a standard Gaussian white noise. [xref,x] = wnoise(3,11,sqrt_snr,init); % Denoise noisy signal using soft heuristic SURE thresholding % and scaled noise option, on detail coefficients obtained % from the decomposition of x, at level 5 by sym8 wavelet. % Generate original signal and a noisy version adding % a standard Gaussian white noise. lev = 5; xd = wden(x,"heursure","s","one",lev,"sym8"); % Denoise noisy signal using soft SURE thresholding. xd = wden(x,"rigrsure","s","one",lev,"sym8"); % Denoise noisy signal using fixed form threshold with % a single level estimation of noise standard deviation. xd = wden(x,"sqtwolog","s","sln",lev,"sym8"); % Denoise noisy signal using fixed minimax threshold with % a multiple level estimation of noise standard deviation. xd = wden(x,"minimaxi","s","sln",lev,"sym8"); % If many trials are necessary, it is better to perform % decomposition one time and threshold it many times : % decomposition. [c,l] = wavedec(x,lev,"sym8"); % threshold the decomposition structure [c,l]. xd = wden(c,l,"minimaxi","s","sln",lev,"sym8"); % Load electrical signal and select a part. load leleccum; indx = 2600:3100; x = leleccum(indx); % Use wdencmp for signal de-noising. % find default values (see ddencmp). [thr,sorh,keepapp] = ddencmp("den","wv",x); % denoise signal using global thresholding option. xd = wdencmp("gbl",x,"db3",2,thr,sorh,keepapp); % Some trial examples without commands counterpart. % Rand initialization: init = 2055615866; % Square root of signal to noise ratio: sqrt_snr = 5; % [xref,x] = wnoise(1,11,sqrt_snr,init); % Some trial examples without commands counterpart (more). % Rand initialization: init = 2055615866; % Square root of signal to noise ratio: sqrt_snr = 4; % [xref,x] = wnoise(2,11,sqrt_snr,init); % Some trial examples without commands counterpart (more). % Rand initialization: init = 2055615866; % Square root of signal to noise ratio: sqrt_snr = 3; % [xref,x] = wnoise(3,11,sqrt_snr,init); % Some trial examples without commands counterpart (more). % Rand initialization: init = 2055615866; % Square root of signal to noise ratio: sqrt_snr = 3; % [xref,x] = wnoise(3,11,sqrt_snr,init); % Some trial examples without commands counterpart (more). % Rand initialization: init = 2055615866; % Square root of signal to noise ratio: sqrt_snr = 3; % [xref,x] = wnoise(3,11,sqrt_snr,init); % Some trial examples without commands counterpart (more). % Rand initialization: init = 2055615866; % Square root of signal to noise ratio: sqrt_snr = 3; % [xref,x] = wnoise(3,11,sqrt_snr,init);

　　摘 要： 为准确地提取出SAR图像中溢油区域边缘轮廓信息，提出一种融合分水岭及canny算子的SAR图像边缘检测算法。该算法首先使用形态学重建技术对前景图象进行标记，并进行开关操作，去除边缘无关信息，然后对前景进行区分操作。利用分水岭算法及canny算子较为精确地提取出溢油区域边缘轮廓信息并用MATALAB仿真实验，结果表明，与经典的边缘检测方法相比，该方法在精确定位图像边缘的同时能更精确、更完整地检测出目标的边缘特征。 　　关键词： SAR图像；分水岭算法；溢油；MATALAB；边缘轮廓检测 　　0 前言 　　海上溢油现象严重影响海洋生态环境，因此对海洋表面进行实时动态监测成为必要。合成孔径雷达（SAR）具有高分辨率、大面积数据获取能力，全天候、全天时数据获取能力和一定的穿透植被、遮盖物的能力[1]。因此被应用于海洋表面的溢油监测，本文则选取合成孔径雷达所监测到的墨西哥湾溢油图像进行边缘检测处理，得到了良好的溢油区域的边缘轮廓信息，为以后SAR图像特征的提取及计算机自动识别SAR图像目标区域奠定了基础。目前已有许多边缘检测算子，如Sobel算子、Prewitt算子、Robert算子、Log算子、Canny算子等[1]。这些传统的算子对SAR图像进行检测往往会使得目标的边缘改变，不能够获得连续的边缘轮廓信息，给后续处理带来困难。而融合其中的Canny算子和标记分水岭分割算法能够较好的获得准确连续的边缘轮廓信息。 　　1 SAR图像预处理 　　由于在获取溢油区域的SAR图像的过程中存在各种干扰，所获得的SAR原始图像当中存在相干斑噪声及几何失真和辐射失真，因此必须对其进行一系列滤波及矫正预处理。本文则采用NEST 3C软件对原始SAR图像进行几何矫正、辐射矫正及斑点滤波，其中斑点滤波采用3*3均值滤波和7*7gamma滤波。对预处理完的图像则使用ENVI 4.7软件对其进行数据重采样获得本文所要处理的SAR图像。 　　2 基于Canny算子的SAR图像边缘检测 　　Canny边缘检测算子是一类最优边缘检测算子，他在许多图像处理领域得到了广泛的应用[2]。Canny算子具有定位能力强、低误判率、抑制虚假边缘等优点[3]。但是Canny算子是针对加性噪声模型的，因此在SAR图像的边缘检测时容易使边缘产生不连续性。 　　3 基于标记分水岭算法的SAR图像边缘检测 　　分水岭边缘检测方法，是一种基于拓扑理论的数学形态学的检测方法，其基本思想是把图像看作是测地学上的拓扑地貌，其中灰度值对应着地形高度值[2]。每一个小的局部区域及其影响区域称为集水盆地，集水盆地的边界则形成分水岭。分水岭算法就是向集水盆地不断灌入水的过程，在两个集水盆地汇合处形成山脊，即形成分水岭。 找出分水岭便找出边缘信息。 　　标记分水岭图像分割算法[4]能够将图像中的目标区域与非目标区域紧密连接的目标区域分割出来，能够分离出弱边缘，且分水岭变换产生完整的边界，这样就避免了边界连接的后处理。但是由于噪声和纹理细节会带来过分割问题，另外，在分割过程中较少用到边界特征信息，使得图像的过分割问题比较突出，容易产生虚假边缘。 　　4 组合两种算法的边缘检测算子及其MATALAB实现 　　为了使标记分水岭分割算法能够用于SAR图像边缘检测并使其具有连续性且边缘定位准确，又能抑制虚假边缘。可在标记分水岭算法的基础上融合canny算子，形成一种良好地描述溢油区域边界信息的算子。 　　其实现过程为：通过标记分水岭分割算法标记非溢油区和边界区为前景区，溢油区为背景区，再使用canny边缘检测算子进行边缘检测分离出非溢油区和边界区，从而得到较为完整的溢油区域边缘轮廓信息。 　　其MATALAB处理结果及具体程序代码： 　　MATALAB程序代码为： 　　clear ; 　　[I,p,t]=freadenvi_image("F:ENVISAT-ASA_IMP_1PNCUH20060524_141948_000000162048_00025_22123_0430.N1_Calib_Spk_Spk_reprojected.dataSigma0_VV(4122-4653)(5898-6500)"); %读取envi图像 　　subplot(2,2,1) 　　imshow(I),title("预处理完图像") 　　hy = fspecial("log");%log算子 　　hx = hy"; 　　Iy = imfilter(double(I), hy, "replicate"); 　　Ix = imfilter(double(I), hx, "replicate"); 　　gradmag = sqrt(Ix.^2 + Iy.^2); 　　L = watershed(gradmag); 　　se = strel("disk", 45); 　　Io = imopen(I, se); 　　Ie = imerode(I, se); 　　Iobr = imreconstruct(Ie, I); 　　Ioc = imclose(Io, se); 　　Iobrd = imdilate(Iobr, se); 　　Iobrcbr = imreconstruct(imcomplement(Iobrd),... 　　imcomplement(Iobr)); 　　Iobrcbr = imcomplement(Iobrcbr); 　　fgm = imregionalmax(Iobrcbr); 　　I2 = I; 　　I2(fgm) = 255; 　　se2 = strel(ones(1,1)); 　　fgm2 = imclose(fgm, se2); 　　fgm3 = imerode(fgm2, se2); 　　fgm4 = bwareaopen(fgm3, 20); 　　I3 = I; 　　I3(fgm4) = 255; 　　bw = im2bw(Iobrcbr, graythresh(Iobrcbr)); 　　D = bwdist(bw); 　　DL = watershed(D); 　　bgm = DL == 0; 　　gradmag2 = imimposemin(gradmag, bgm | fgm4); 　　L = watershed(gradmag2); 　　I4 = I; 　　I4(imdilate(L == 0, ones(3, 3)) | bgm | fgm4) = 255; 　　subplot(2,2,2) 　　imshow(I4)%突出前景及边界 　　title("分水岭算法边缘检测") 　　subplot(2,2,3) 　　Y = edge(I,"canny"); 　　imshow(Y),title("canny边缘检测"); 　　subplot(2,2,4) 　　Z = edge(I4,"canny"); 　　imshow(Z),title("融合边缘检测"); 　　5 结论 　　1）传统的边缘检测方法能够获取目标的一些边缘特征，但提取出的目标边缘特征存在断裂及目标定位不准确的情况。此外，原始方法提取的边缘特征在细化描述边缘轮廓时不能实现有效检测。 　　2）利用本文方法提取的边缘特征清晰、连续，能够较好的描述原始SAR图像中溢油区与非溢油区分界处边缘轮廓信息。 　　参考文献： 　　[1]张静、王国宏、刘福太，基于正则化方法的SAR图像分割及目标边缘检测算法，吉林大学学报（工学版），2008年1月第38卷第1期. 　　[2]张德丰，详解MATALAB数字图像处理，电子工业出版社，2010年. 　　[3]安成锦、杜琳琳、王卫华、陈曾平，基于融合边缘检测的SAR图像线性特征提取算法，电子与信息学报，第31卷第6期. 　　[4]高丽、杨树元、李海强，一种基于标记的分水岭图像分割新算法，中国图象图形学报，2007年6月第12卷第6期.

matlab有很多函数都做好了，拿来用就行了，不是要站在巨人肩膀上吗。。。regionpropsbwperimbwarea没事多翻翻 数字图像处理 Matlab版 的附录，里面把常用的都列出来了，多看看，能节省你很多时间

f就是你导入的rgb图片。首先按照上面的代码建立一个.m文件，将文件存盘，命名为 colorgrad.m然后在matlab命令窗口输入如下命令：>>f=imread("test.jpg") %这里的test.jpg是图片文件名>> [VG,A,PPT]=colorgrad(f,0)>>figure; imshow(PPT);

% rgb=imread("source1.bmp");% I=rgb2gray(rgb); % 色彩转换成灰度I=imread("source3.bmp");level= graythresh(I); %得到合适的阈值 得到合适的阈值bw= im2bw(I,level); %二值化 SE= strel("square",3); %设置膨胀结构元素BW1= imdilate(bw,SE); % 膨胀SE1= strel("arbitrary",eye(5)); %设置腐蚀结构元素 BW2= imerode(bw,SE1); %腐蚀BW3= bwmorph(bw,"open"); %开运算BW4= bwmorph(bw,"close"); %闭运算figure(1),subplot(2,3,1),imshow(I);title("原图");subplot(2,3,2),imshow(bw);title("二值图");subplot(2,3,3),imshow(BW1);title("膨胀");subplot(2,3,4),imshow(BW2);title("腐蚀");subplot(2,3,5),imshow(BW3);title("开运算");subplot(2,3,6),imshow(BW4);title("闭运算");%figure(2)BW5 = imfill(bw,"holes");subplot(121), imshow(bw), title("源图像二值化")subplot(122), imshow(BW5), title("填充后的图像")%轮廓提取 figure(3)contour = bwperim(bw); imshow(contour);title("轮廓")

超表面的原理图使量子边缘检测成为可能。(A)超表面设计用于对首选线偏振进行边缘检测。|V >，即极化态与分析仪正交。虚线表示电路径。这个问号意味着预告臂的闲散光子的极化选择是未知的。如果薛定谔的猫被来自偏振纠缠源的未知线性偏振光子照亮，图像将是规则的“固体猫”和边缘增强的“轮廓猫”的叠加。“(B)指示臂的开关状态为打开或关闭。当预告臂的空闲光子被投射到|H >，它指示开关状态，并导致一个坚实的猫捕获。当预告光子被投射到|V >时，在开关状态下获得了一个边缘增强的轮廓cat。(C和D)固体猫的计算结果和实验结果。(E和F)分别为边缘增强轮廓cat的计算结果和实验结果。来源: 科学的进步 , doi: 10.1126 / sciadv.abc4385 超表面提供独特的平台来实现奇异的现象，包括负折射，消色差聚焦，以及由于工程介质或金属结构的电磁隐身。超表面和量子光学的交集可能会带来有待 探索 的重大机遇。在最近发表在《科学进展》杂志上的一篇报告中，周俊晓、刘世凯和一个中美两国的量子信息、纳米光电子器件和计算机工程研究团队提出并演示了偏振纠缠光子源。他们利用该光源在成像系统中根据高介电超表面将光学边缘模式切换到开或关状态。该实验丰富了量子光学和超材料的研究领域，为实现具有显著信噪比的量子边缘检测和图像处理提供了广阔的前景。 将量子纠缠和边缘检测相结合 光子超表面是由设计的金属或介质结构组成的二维超薄阵列，可以促进电磁场对局部相位、振幅和极化的操纵。研究人员通常为经典光学的各种应用开发这种能力。量子纠缠在量子光学中有着重要的应用，包括量子密码学、隐形传态、超分辨计量学和量子成像。最近的努力显示了一种趋势，将超表面与纠缠光子结合起来，在量子光学中有潜在的应用。边缘检测是图像处理中定义图像区域之间边界的另一个因素。它是计算机视觉中的一个基本工具，用于预处理自动化的医学成像，并构成自动驾驶 汽车 的关键组成部分。超表面边缘检测可用于量子光学，为远程控制图像处理和密码学提供可能性。在本研究中，Zhou等人实现了一种偏振纠缠光子源和高效超表面激活的可切换光学边缘检测方法。该组合策略在相同的光子通量水平(单位面积每秒的光子数)下显示了高信噪比。 用“薛定谔的猫”的概念 Zhou等人利用薛定谔的猫的概念来说明可切换量子边缘检测方案的预期性能。综述了基于经典连续波(CW)光照明的边缘检测的基本原理。在实验装置中，边缘检测成像臂独立于纠缠源和预告臂，以及重合测量组件。当入射光子达到水平偏振状态时，被照亮的光束通过一个猫形的孔和一个工程超表面，随着水平位移分离成一个左、右撇子重叠偏振图像。重叠的组件通过水平方向的分析器，形成“实猫”图像。然而，如果入射光子垂直偏振，重叠的组件重新组合成一个线性偏振组件，这个组件完全被分析仪遮挡，只形成猫的轮廓。因此，研究人员利用偏振纠缠光子作为照明源，以这种方式开发了量子可切换边缘检测。 实验设置和偏振纠缠光子对 纠缠源的特性。(A)在2秒内，符合度计算为一个输出端口的HWP角θ2的函数。计数数据和干涉的红色(蓝色)对应于水平(对角)投影基底。实线对数据是正弦拟合的，误差条是通过在光子计数中假设泊松光子统计来估计的。误差条是通过多次测量得到的。(B和C)重构的双光子态的密度矩阵ρ的实部和虚部。来源: 科学的进步 , doi: 10.1126 / sciadv.abc4385 研究人员在嵌入Sagnac干涉仪的20毫米长的II型相位匹配周期性极化磷酸钛酸钾(KTiOPO4/PPKTP)晶体中使用自发参量下转换过程产生偏振纠缠光子。他们将晶体的温度设置为17摄氏度，并使用两个宽带介质镜和一个双波长偏振分束器形成自稳定的Sagnac干涉仪。然后，他们使用了405nm的连续波单频二极管激光器，通过一对优化焦距的透镜聚焦泵浦光，使晶体中心的束腰接近40微米。为了平衡顺时针和逆时针方向的功率，Zhou等人在Sagnac环前面使用了1 / 4波片(QWP)和半波片(HWP)。 利用双波长偏振分束器，他们分离了由两个反向传播光束泵浦的下转换光子对，分别送进成像臂和传兆臂。Zhou等人还利用Pancharatnam-Berry相设计了该装置中使用的超表面，并通过在硅片内扫描飞秒脉冲激光器来制备它。然后利用扫描电子显微镜观察硅板中自组装的纳米结构，并在强激光照射下显示其来源，以产生超表面。该团队简要介绍了从Signac环产生的偏振纠缠简并光子对的量子态制备。他们利用贝尔态(不可分量子纠缠最简单的例子)通过调整实验装置来完成这项工作。Zhou等人利用量子层析成像和重建双光子密度矩阵测量量化了双光子态的纠缠质量。 基于纠缠态的量子边缘检测具有较高的信噪比。(A和C)边缘检测图像由预告检测器触发。(B和D) ICCD内部触发的直接图像。(C)和(D)分别沿(A)和(B)中的白虚线计算。来源: 科学的进步 , doi: 10.1126 / sciadv.abc4385 量子纠缠使量子边缘检测成为可能 在确认了产生的偏振纠缠光子对的质量后，他们演示了可切换的量子边缘检测。为了实现这一点，他们准备了光子水平或垂直的线性偏振状态使用设置，并将光子耦合到光纤，并将它们发送到边缘检测图像系统，以捕获最终的可选图像，通过强化电荷耦合设备相机(ICCD)。例如，Zhou等人获得了两幅有微小位移的重叠图像，位移方向与超表面的相位梯度方向一致。当他们增加超表面结构的周期时，他们减少了两个重叠图像之间的偏移，以实现高分辨率的边缘检测。量子边缘检测方案的另一个优点是其高信噪比(SNR)，该团队可以在设置过程中显著降低环境噪声，而噪声只会在很短的时间内累积。相比之下，在经典光学中，噪声会持续累积。作为概念的证明，他们获得了一幅具有显著信噪比的边缘图像，用于改进基于纠缠的实验性量子边缘检测。 前景 通过这种方式，周俊晓、刘世凯及其同事利用超表面滤波器和偏振纠缠源结合，实现了量子纠缠的量子边缘检测。超表面提供了超薄和轻量化的光学元件，具有精确设计的相位剖面，以获得各种功能，形成一个更紧凑和集成的系统。该设置将有助于安全应用程序的概念，包括图像加密和隐写。该方法还提供了一个吸引人的信噪比(SNR)，适合于生物医学中各种需要光子的成像和传感应用，包括跟踪酶反应和观察活的有机体或光敏细胞。