基于支持向量机的边缘检测算法研究

论文摘要

边缘是图像的重要特征之一,边缘检测技术是图像处理的基础。如何准确、快速地进行边缘检测一直是图像处理领域的热点。一个边缘检测算法的好坏主要体现在能否做到以下两点:一是正确地检测出所有边缘并不出现伪边缘;二是尽可能地抑制噪声对图像的影响,即去噪能力。本文的主要目的就是在原有算法的基础上,改善滤波器的性能,并结合支持向量机（SVM）理论技术,实现对图像边缘的正确检测,提高图像边缘检测的质量。本文首先介绍了经典的边缘检测算子和近代以来一些成熟的边缘检测方法,论述了这些算法的基本原理和实现步骤,并对算法进行了仿真实验,比较和分析了它们的优缺点。然后介绍了多尺度自适应滤波技术,并对其进行了有效的改进。接着引入支持向量机理论,介绍了基于利用高斯径向基核函数的最小二乘支持向量机（LS-SVM）的边缘检测的原理和思想。运用近似支持向量机（PSVM）对图像曲面进行拟合,计算其一、二阶导数,并结合Canny算子的非极值抑制和双阈值技术,取得了好的实验结果。接着再通过合理采样,运用支持向量分类机（SVC）检测技术检测得到的边缘图像也作为最终边缘输出图的一种参考,进一步改善了边缘检测效果。其中对滤波器参数的设置、双阈值的选取、核函数及其参数的选取分别进行了讨论,通过实验的效果图和信噪比（SNR）的对比,说明了滤波器参数和双阈值设置的合理性,并得出了该滤波器对高斯白噪声去除效果较好;借助品质因数（FOM）,选取了由多项式核函数与径向基核函数组合的一种核函数,并获取了相应的参数,在此基础上也得到了最佳的卷积模板大小。最后通过实验,并与传统的边缘检测算子如Sobel算子、Canny算子等作比较,说明了本文算法的优越性。实验表明文中的方法是切实可行的,这也拓展了支持向量机理论的应用空间,为边缘检测提供了一种新的思路。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 图像边缘检测概论
• 1.1.1 图像边缘检测的研究背景及意义
• 1.1.2 图像边缘检测的基本概念
• 1.1.3 图像边缘检测方法的发展过程及研究现状
• 1.1.4 图像边缘检测的一般步骤
• 1.1.5 边缘检测中常出现的问题
• 1.2 实验选用的图像
• 1.3 论文选题的目的和意义
• 1.4 论文的主要研究内容及结构安排
• 1.4.1 主要研究内容
• 1.4.2 论文结构安排
• 2 图像边缘检测基本理论与方法
• 2.1 引言
• 2.2 边缘检测算法经典算子的理论介绍
• 2.2.1 梯度理论
• 2.2.2 卷积运算
• 2.3 传统边缘检测算法
• 2.3.1 基于灰度直方图的阈值法边缘检测
• 2.3.2 基于梯度的边缘检测
• 2.3.3 Laplacian 边缘算子和LOG 边缘算子
• 2.3.4 几种传统的微分算子各自性能特点的比较
• 2.4 沈俊算子
• 2.5 Canny 边缘检测算子
• 2.6 多尺度边缘检测算子
• 2.7 本章小结
• 3 支持向量机理论基础
• 3.1 引言
• 3.2 支持向量机原理
• 3.2.1 线性可分问题
• 3.2.2 线性不可分问题
• 3.2.3 核函数
• 3.3 支持向量机的性质
• 3.4 C-支持向量分类机
• 3.4.1 C-支持向量分类机原理
• 3.4.2 C-支持向量分类机算法
• 3.5 ε－支持向量回归机
• 3.5.1 ε－支持向量回归机原理
• 3.5.2 ε－支持向量回归机算法
• 3.6 最小二乘支持向量机
• 3.6.1 最小二乘支持向量分类机原理及算法
• 3.6.2 最小二乘支持向量回归机原理及算法
• 3.6.3 最小二乘支持向量机的性质
• 3.7 其他类型的支持向量机
• 3.8 本章小结
• 4 多尺度自适应滤波器及双阈值的选取
• 4.1 引言
• 4.2 高斯滤波参数及滤波尺度的设置
• 4.2.1 实验结果
• 4.3 双阈值的选取
• 4.3.1 实验结果
• 4.4 本章小结
• 5 基于支持向量机的图像边缘检测
• 5.1 传统的基于LS-SVM 的图像边缘检测
• 5.1.1 LS-SVM 拟合图像的原理
• 5.1.2 图像的梯度算子与零交叉算子的计算
• 5.2 基于PSVM 的边缘检测算法
• 5.2.1 PSVM 的原理与算法
• 5.2.2 PSVM 在边缘检测中的应用
• 5.3 基于支持向量分类机（SVC）的边缘检测
• 5.4 本文实施方案流程图
• 5.5 算法描述
• 5.6 实验及结果分析
• 5.7 本章小结
• 6 结论
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录