外文文獻翻譯數(shù)字圖像增強數(shù)字圖像處理與邊緣檢測中英文對照(完整版)

　　

【正文】 rply or more formally has point and line detection certainly are important in any discussion on segmentation,edge dectection is by far the most mon approach for detecting meaningful discounties in gray level. Although certain literature has considered the detection of ideal step edges, the edges obtained from natural images are usually not at all ideal step edges. Instead they are normally affected by one or several of the following effects: blur caused by a finite depthoffield and finite point spread function。 視覺是人類最高級的感知器官，所以，毫無疑問圖像在人類感知中扮演著最重要的角色。另一方面，有些領(lǐng)域（如計算機 視覺）研究的最高目標是用計算機去模擬人類視覺，包括理解和推理并根據(jù)視覺輸入采取行動等。中級圖像處理是以輸入為圖像，但輸出是從這些圖像中提取的特征（如邊緣、輪廓及不同物體的標識等）為特點的。 數(shù)字圖像處理的應用領(lǐng)域多種多樣，所以文本在內(nèi)容 組織上盡量達到該技術(shù)應用領(lǐng)域的廣度。 圖像獲取是第一步處理。然而，不像增強，圖像增強是主觀的，而圖像復原是客觀的。在這里，圖像被成功地細分為較小的區(qū)域。復雜的分割過程導致成功解決要求物體被分別識別出來的成像問題需要大量處理工作。則某些應用中，這些表示方法是互補的。這一知識可能如圖像細節(jié)區(qū)域那樣簡單，在這里，感興趣的信息被定位，這樣，限制性的搜索就被引導到尋找的信息處。相反，它們通常受到一個或多個下面所列因素的影響： 場景深度 帶來的聚焦模糊； 半影模糊 ； 陰影 ； 邊緣附近的局部 鏡面反射 或者 漫反射 。而且，甚至可以認為這個例子中存在多個邊緣。與此相反，一個高的閾值將會遺失細的或者短的線段。這種方法假設邊緣是連續(xù)的界線，并且我們能夠跟蹤前面所看到的邊緣的模糊部分，而不會將圖像中的噪聲點標記為邊緣。為了找到這些邊線，我們可以在圖像亮度梯度 的二階導數(shù)中尋找過零點。應注意，這些定義并不能保證在一幅圖像中成功地找到邊緣，它們只是給了我們一個尋找邊緣的形式體系。術(shù)語“邊緣線段”一般在邊緣與圖像的尺寸比起來很短時才使用。在理想的連續(xù)變化情況下，在二階導數(shù)中檢測過零點將得到梯度中的局部最大值。 一個常用的這種方法是帶有 滯后作用 的 閾值選擇 。基于零交叉的方法找到由圖像得到的二階導數(shù)的零交叉點來定位邊緣。如果將邊緣認為是一定數(shù)量點亮度發(fā)生變化的地方，那么邊緣檢測大體上就是計算這個亮度變化的導數(shù)。相反單頭箭頭連接處理模塊。 識別是基于目標的描述給目標賦以符號的過程。無論哪種情況，把數(shù)據(jù)轉(zhuǎn)換成適合計算機處理的形式都是必要的。 形態(tài)學處理設計提取圖像元素的工具，它在表現(xiàn)和描述形狀方面非常有用。就使得在彩色模型、數(shù)字域的彩色處理方面涵蓋了大量基本概念。基本上，增強技術(shù)后面的思路是顯現(xiàn)那些被模糊了的細節(jié)，或簡單地突出一幅圖像中感興趣的特征。 建立在電磁波譜輻射基礎(chǔ)上的圖像是最熟悉的，特別是 X 射線和可見光譜圖像。舉一個簡單的文本自動分析方面的例子來具體說明這一概念。然而，在這個連續(xù)的統(tǒng)一體中可以考慮三種典型的計算處理（即低級、中級和高級處理）來區(qū)分其中的各個學科。 圖像處理涉及的范疇或其他相關(guān)領(lǐng)域（例如，圖像分析和計算機視覺）的界定在初創(chuàng)人之間并沒有一致的看法。 一幅圖像可定義為一個二維函數(shù) f(x,y)，這里 x 和 y 是空間坐標，而在任何一對空間坐標（ x,y）上的幅值 f 稱為該點圖像的強度或灰度。 blur caused by shadows created by light sources of nonzero radius。然而，人類感知只限于電磁波譜的 視覺波段，成像機器則可覆蓋幾乎全部電磁波譜，從伽馬射線到無線電波。這一領(lǐng)域本身是人工智能的分支，其目的是模仿人類智能。最后，高級處理涉及在圖像分析中被識別物體的總體理解，以及執(zhí)行與視覺相關(guān)的識別函數(shù)（處在連續(xù)統(tǒng)一體邊緣）等。闡述數(shù)字圖像處理應用范圍最簡單的一種方法是根據(jù)信息源來分類（如可見光、 X 射線，等等）。注意到獲取與給出一幅數(shù)字形式的圖像一樣簡單。在某種意義上說，復原技術(shù)傾向于以圖像退化的數(shù)學或概率模型為基礎(chǔ)。 壓縮，正如其名稱所指的意思，所涉及的技術(shù)是減少圖像的存儲量，或者在傳輸圖像時降低頻帶。另一方面，不健壯且不穩(wěn)定的分割算法幾乎總是會導致最終失敗。選擇一種表現(xiàn)方式僅是解決把原始數(shù)據(jù)轉(zhuǎn)換為適合計算機后續(xù)處理的形式的一部分。知識庫也可能相當復雜，如材料檢測問題中所有主要缺陷的相關(guān)列表或者圖像數(shù)據(jù)庫（該庫包含變化檢測應用相關(guān)區(qū)域的高分辨率衛(wèi)星圖像）。 一個典型的邊界可能是（例如）一塊紅色和一塊黃色之間的邊界；與之相反的是 邊線 ， 可能是在另外一種不變的背景上的少數(shù)不同顏色的點。除非場景中的物體非常簡單并且照明條件得到了很好的控制，否則確定一個用來判斷兩個相鄰點之間有多大的亮度變化才算是有邊界的閾值，并不是一件容易的事。 如果邊緣閾值應用于正確的的梯度幅度圖像，生成的邊緣一般會較厚，某些形式的邊緣變薄處理是必要的。 但是，我們 仍然存在 選擇適當?shù)拈撝祬?shù) 的問題 ， 而且不同圖像的 閾值 差別也很大 。 總之，為了對有意義的邊緣點進行分類，與這個點相聯(lián)系的灰度級變換必須比在這一點的背景上變換更為有效。圖像中的一階導數(shù)用梯度計算，二階導數(shù)使用拉普拉斯算子得到。因此，如果一個點的二維一階導數(shù)比指定的門限大，我們就定義圖像中的此點是一個邊緣點。這實質(zhì)上是亮度梯度的 變化率 。在一個離散矩陣中，非最大抑制階梯能夠通過一種方法來實現(xiàn)，首先預測一階導數(shù)方向、然后把它近似到45 度的倍數(shù)、最后在預測的梯度方向比較梯度幅度。 有許多用于邊緣檢測的方法，它們大致可分為兩類：基于搜索和基于 零交叉 .基于搜索的邊緣檢測方法首先計算邊緣強度，通常用一階導數(shù)表示，例如 梯度 模；然后，用計算估計邊緣的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。 在對數(shù)字圖像的處理中，邊緣檢測是一項非常重要的工作。這一特性上面圖 2 中的處理模塊和知識庫間用雙箭 頭表示。描述也叫特征選擇，涉及提取特征，該特征是某些感興趣的定量信息或是區(qū)分一組目標與其他目標的基礎(chǔ)。 表示和描述幾乎總是跟隨在分割步驟的輸后邊，通常這一輸出是未加工的數(shù)據(jù)，其構(gòu)成不是區(qū)域的邊緣（區(qū)分一個圖像區(qū)域和另一個區(qū)域的像素集）就是其區(qū)域本身的所有點。圖像壓縮技術(shù)對應的圖像文件擴展名對大多數(shù)計算機用戶是很熟悉的（也許沒注意），如 JPG 文件 擴展名用于 JPEG（聯(lián)合圖片專家組）圖像壓縮標準。 彩色圖像處理已經(jīng)成為一個重要領(lǐng)域，因為基于互聯(lián)網(wǎng)的圖像處理應用在不斷增長。 圖像增強是數(shù)字圖像處理最簡單和最有吸引力的領(lǐng)域。建模和可視化應用中的合成圖像由計算機產(chǎn)生。這樣，在研究中，我們界定數(shù)字圖像處理包 括輸入和輸出均是圖像的處理，同時也包括從圖像中提取特征及識別特定物體的處理。 從圖像處理到計算機視覺這個連續(xù)的統(tǒng)一體內(nèi)并沒有明確的界線。因此，數(shù)字圖像處理涉及各種各樣的應用領(lǐng)域。 specularities or interreflections in the vicinity of object edges. A typical edge might for instance be the border between a block of red color and a block of yellow. In contrast a line (as can be extracted by a ridge detector) can be a small number of pixels of a different color on an otherwise unchanging background. For a line, there ma y therefore usually be one edge on each side of the line. To illustrate why edge detection is not a trivial task, let us consider the problem of detecting edges in the following onedimensional signal. Here, we may intuitively say that there should be an edge between the 4th and 5th pixels. 5 7 6 4 152 148 149 If the intensity difference were smaller between the 4th and the 5th pixels and if the intensity differences between the adjacent neighbouring pixels were higher, it would not be as easy to say that there should be an edge in the corresponding region. Moreover, one could argue that this case is one in which there are several , to firmly state a specific threshold on how large the intensity change between two neighbouring pixels must be for us to say that there should be an edge between these pixels is not always a simple problem. Indeed, this is one of the reasons why edge detection may be a nontrivial problem unless the objects in the scene are particularly simple and the illumination conditions can be well controlled. There are many methods for edge detection, but most of them can be grouped into two categories,searchbased and zerocrossing based. The searchbased methods detect edges by first puting a measure of edge strength, usually a firstorder derivative expression such as the gradient magnitude, and then searching for local directional maxima of the gradient magnitude using a puted estimate of the local orientation of