素的个数，为目标的像素个数。先选取个初始阈值，将图像分成两类和，再计算两类的平均相对熵最佳的阈值的确定，图像根据该阈值分成两类后，满足即为所求的最佳阈值。最大熵算法的改进受最大熵算法的启示，针对传统算子在阈值确定上的困难，本文提出种基于梯度幅度直方图和熵取值最大法的自动阈值选取方法。基本思想将算子中非极值抑制后图中的像素划分为三个类别。其中包含梯度幅值为，的像素，代表着原图中的非边缘点。包含梯度幅值为，的像素，代表着原图中需要判断是否为边缘点的点。包含梯度幅值为，的像素，代表着原图中的边缘点。具体改进步骤如下计算图像灰梯度各自的分布概率其中，为图像所有像素的个数，为灰度梯度对应的像素数。求取各类的平均相对熵其中，，最佳的阈值和的确定，图像根据该双阈值分类后，满足，和即为所求的最佳高低阈值。改进的算法的仿真实验通过以上对算子的改进，选择标准图像图和图进行仿真实验，本文主要着重对图像模糊边缘的检测，图像的弱边缘部分主要体现在船上的细线部分，观察图和图可知，原始算法和改进算法都能够检测出图像的大部分边缘，但是针对图像的些细线部分，用改进的算法能够有效地检测出这些细线的边缘，而用传统的边缘在检测这些细线有出现间断以及检测不出部分细线。同样，对于图像，弱边缘主要体现在墙壁上的些竖线上，观察图和图可以看出，用改进的算法检测出的边缘图像在原始算法的边缘图像基础上增加了更多的细节边缘部分。因此，通过实验验证，本文改进的算法能够有效地检测出图像的模糊边缘细节，相比于原始的算法，本算法对模糊边缘具有较好的效果。图原图及传统改进边缘检测的结果图原图及传统改进边缘检测的结果第六章本实验结果及展望本文主要针对数字图像的模糊边缘的检测算法的研究，通过对图像滤波平滑处理算法边缘检测算子的研究，结合图像自身的特点提出本文改进的算法，实现对行人图像的模糊边缘的检测，并最终用实验平台获得最终实验仿真结果。本算法的实验结果多组图像的边缘检测结果对比行人图像的边缘检测结果对比图实验结果分析观察图和可以发现，边缘检测效果接近相似点出发，可通过左右上下左上右上左下右下这个方向的移动组合来到达区域内的任意像素。和所有复杂事物的分类样，图像分割可以从不同的角度和特征进行分类，存在多种分类方法，现列举如于该集合的连通路径对于离散图像而言，连通有连通和连通之分，如下图所示连通指的是从区域上点出发，可通过个方向，即上下左右移动的组合，在不越出区域的前提下，到达区域内的任意像素连通方法指理图像分割是将图像划分成若干个互不相交的小区域的过程，小区域是种意义下具有共同属性的像素的连通集合。如不同目标物体所占的图像区域前景所占的图像区域等连通是指集合中任意两个点之间都存在着完全属上述关于图像分割的定义也是种比较通用的参考描述，至今也没有个图像分割的严格公认的定义，因为图像分割理论技术和应用哈处在不断发展的进程中，还有很多问题尚未得到很好的认识和解决。图像分割基本原的像素应具有些相同的特性。对于≠，有∪。即分割得到的属于不同区域的像素应具有不同的性质。对于是连通的区域。即同子区域内的像素应当是连通的。。即分割成的所有子区域的并应能构成原来的区域。对于所有的和及≠，有。即分割成的各子区域互不重叠。对于有。即分割得到的属于同区域特征的区域，并提取出感兴趣目标的技术和过程，可以用数学语言较为严格地描述为设代表整个图像区域，对的分割可看作将分成若干个满足以下个条件的非空子集子区域，。来越重要的作用，例如国际比澳洲中的模型基目标基编码等都需要基于分割的结果。图像分割定义图像分割般是指通过对图像的不同特征如边缘纹理颜色亮度等的分析，达到将图像分割成各具生产过程控制，文档图像处理，生物医学图像分析，保安监视，以及军事农业工程等方面。概括来说，在各种图像应用中，只要需对图像目标进行提取测量等都离不开图像分割。近年来，图像分割在对图像的编目录引言第章图像分割与边缘检测图像分割简介图像分割定义图像分割基本原理第二章基于边界的分割边缘检测边缘的类型边缘的类型边缘的判定第三章常见边缘检测算法的研究与分析边缘检测过程概述典型阶边缘检测算子梯度算子边缘算子算子算子典型二阶边缘检测算子算子算子各边缘检测算子的仿真结果分析第四章边缘检测算子边缘检测基本原理边缘算子评价指标提出检测三准则边缘检测滤波器对性能指标的影响尺度对性能指标的影响边缘检测流程边缘检测仿真结果及分析第五章算子改进对传统算法局限性分析滤波改进阈值改进自适应的阈值最大熵原算法过程最大熵算法的改进改进的算法的仿真实验第六章本实验结果及展望本算法的实验结果实验结果分析展望结论致谢参考文献引言世纪年代，图像处理首次应用于改善伦敦和纽约之间海底电缆发送的图片质量，世纪年代中期，随电子计算机的发展得到普遍应用。年代末，图像处理技术不断完善，逐渐成为个新兴的学科。经过几十年的研究与发展，数字图像处理的理论和方法进步完善，应用范围更加广阔，已经成为门新兴的学科，近几年来，随着计算机和各个相关领域研究的迅速发展，科学计算可视化多媒体技术等研究和应用的兴起，数字图像处理从个专门领域的学科，变成了种新型的科学研究和人机界面的工具。在实际图像边缘检测问题中，图像的边缘作为图像的种基本特征，经常被应用到较高层次的图像应用中去。它在图像识别，图像分割，图像增强以及图像压缩等的领域中有较为广泛的应用，也是它们的基础。经典的边界提取技术大都基于微分运算。首先通过平滑来滤除图像中的噪声，然后进行阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值来提取边界。本文主要介绍几种经典的边缘提取算法，然后用语言编程实现，并对算子进行改进。第章图像分割与边缘检测图像分割简介图像分割就是把图像分成各个具有特性的目标区域的技术和过程，这个特性可以使迅速的灰度颜色纹理等，如将副照片分割成公路湖泊森林住宅等区域。若仅对其中目标感兴趣，还可以通过分割把背景去除，提取目标。图像分割是从低层次图像处理到较高层次图像分析更高层次图像理解的关键步骤。图像在分割后的处理，如图像描述特征提取目标识别等都依赖于预想分割的效果，所以分割被视为图像处理中的瓶颈，具有十分重要的地位和研究价值。方面，图像分割高于般意义上的图像处理，研究对象通常是目标所在的区域或者是目标的特征，并非单个像素灰度值另方面，由于图像分割目标分割特征提取和参数测量都是将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能。所以，图像描述也是图像分析中个底层而关键的步骤。