数字图像检测中英文对照外文翻译文献.docx

数字图像检测中英文对照外文翻译文献.docx

《数字图像检测中英文对照外文翻译文献.docx》由会员分享，可在线阅读，更多相关《数字图像检测中英文对照外文翻译文献.docx（21页珍藏版）》请在冰点文库上搜索。

数字图像检测中英文对照外文翻译文献

中英文对照外文翻译

（文档含英文原文和中文翻译）

Edgedetectioninnoisyimagesbyneuro-fuzzyprocessing

通过神经模糊处理的噪声图像边缘检测

Abstract

Anovelneuro-fuzzy（NF）operatorforedgedetectionindigitalimagescorruptedbyimpulsenoiseispresented.TheproposedoperatorisconstructedbycombiningadesirednumberofNFsubdetectorswithapostprocessor.EachNFsubdetectorinthestructureevaluatesadifferentpixelneighborhoodrelation.Hence,thenumberofNFsubdetectorsinthestructuremaybevariedtoobtainthedesirededgedetectionperformance.InternalparametersoftheNFsubdetectorsareadaptivelyoptimizedbytrainingbyusingsimpleartificialtrainingimages.Theperformanceoftheproposededgedetectorisevaluatedondifferenttestimagesandcomparedwithpopularedgedetectorsfromtheliterature.SimulationresultsindicatethattheproposedNFoperatoroutperformscompetingedgedetectorsandofferssuperiorperformanceinedgedetectionindigitalimagescorruptedbyimpulsenoise.

Keywords:

Neuro-fuzzysystems;Imageprocessing;Edgedetection

摘要

针对被脉冲信号干扰的数字图像进行边缘检测，提出了一种新型的NF边缘检测器，它是由一定数量的NF子探测器与一个后处理器组成。

每个子探测器针对一个不同的像素区域进行处理。

因此，改变子探测器的数目，可以使边缘检测器具有想要的性能。

通过对简单的人工改造的图像进行测试，可以优化每个子探测器的内置参数。

通过对不同的图像进行测试，我们检验了该检测器的性能。

而且我们还把它与文献中经常出现的边缘检测器进行比较，仿真结果表明该检测器远优于其它检测器，对被脉冲干扰的数字图像表现出优越的性能。

关键词：

神经模糊系统，图像处理，边缘检测。

1.Introduction

Edgesinadigitalimageprovideimportantinformationabouttheobjectscontainedwithintheimagesincetheyconstitutetheboundariesbetweentheobjectsintheimage.Edgedetectionisafrequentlyperformedoperationinmanyimageprocessingapplicationsbecauseitisusuallythefirstoperationthatisperformedbeforeotherimageprocessingtaskssuchasimagesegmentation,boundarydetection,objectrecognitionandclassification,imageregistration,andsoon.Consequently,thesuccessofthesesubsequentimageprocessingtasksarestrictlydependentontheperformanceoftheedgedetectionoperation.

Theimageintensityshowssuddenchangesatedges.Therefore,edgedetectionusuallyinvolvesthecalculationofthederivativeoftheimageintensityfunctionatagivenpixellocation.Ifthemagnitudeofthederivativeoftheimageintensityfunctionisrelativelyhighatagivenpixel.

location,thenthepixelatthatimagelocationisclassifiedasanedgepixel.Themostimportantfactordecreasingtheperformanceofedgedetectionisthenoise.Unfortunately,digitalimagesareinevitablydegradedbynoiseduringimageacquisitionand/ortransmissionduetoanumberofimperfectionsencounteredinimagingprocessesand/orcommunicationchannels.Mostedgedetectionoperatorsarebasedontheassumptionthatimagescontainlargehomogeneousregionsseparatedbyclearboundaries.However,thisassumptionlosesitsvalidityiftheimageiscorruptedbynoise.Therefore,majorityoftheedgedetectionoperatorsrequireaprefilteringofthenoisyimagebyusinganappropriatenoisefilterbeforeedgedetectionisperformed.Inthiscase,however,theperformanceoftheedgedetectionoperationbecomesstrictlydependentontheperformanceofthenoisefilter.Moreover,thecomplexityofthesystemandtheprocessingtimeareconsiderablyincreased.

Anumberofmethodsforedgedetectionimplementingdifferentapproachestothedigitalcalculationofthederivativeoftheimageintensityfunctionareavailableintheliterature.Theclassicalmethods[1,2]suchastheSobel,PrewittandKirschdetectorscalculatethefirstdirectionalderivativetodeterminethelocationsoftheedges.Thesedetectorsaresimpletoimplementbuttheyareusuallyinaccurateandhighlysensitivetonoise.Thezero-crossingedgedetectors[1,2]usethesecondderivativealongwiththeLaplacianoperator.Thesedetectorshavefixeddetectioncharacteristicsinalldirectionsbuttheyareverysensitivetonoisetoo.TheGaussianedgedetectors[2]reducetheundesirablenegativeeffectsofnoisebysmoothingtheimagebeforeperformingedgedetection.Hence,theyexhibitmuchsuperiorperformanceoverotheroperatorsespeciallyinnoisyconditions.TheCannydetector,whichisaGaussianedgedetector,isoneofthemostpopularedgedetectorsintheliteratureandithasbeenwidelyusedinmanyapplications[3–5].AlthoughtheGaussiandetectorsexhibitrelativelybetterperformance,theyarecomputationallymuchmorecomplexthanclassicalderivativebasededgedetectors.Furthermore,theirperformancesquicklydecreaseasthedensityofthecorruptingnoiseincreases.Therefore,anoveledgedetectorthatiscapableofextractingedgesfromdigitalimagescorruptedbynoiseishighlydesirable.

Inthelastfewyears,therehasbeenagrowingresearchinterestintheapplicationsofsoftcomputingbasedtechniques,suchasneuralnetworksandfuzzylogicsystems,tovariousproblemsinimageprocessing[6–15].Thisisduemainlytothefactthatneuro-fuzzy（NF）systemsareverysuitabletoolstodealwithuncertaintyencounteredintheprocessofextractingusefulinformationfromnoisyimagessinceNFsystemscombinetheabilityofneuralnetworkstolearnfromexamplesandthecapabilityoffuzzylogicsystemstomodeltheuncertaintyandimprecision.Hence,NFsystemsmaybeemployedaspowerfultoolsforedgedetectionprovidedthatappropriatenetworktopologiesandtrainingstrategiesarechosen.

Inourrecentwork,wehaveshownthataNFsystemmaybeutilizedtoremoveimpulsenoisefromdigitalimages[16,17];toconstructhighlyefficienthybridfiltersforrestoringnoisydigitalimageswhilepreservingedges,linesandotherusefulinformationwithintheimage[18];todetectnoiseforguidingswitchingnoisefiltersandreducingtheirundesirableblurringeffects[19,20];andtoimprovenoisesuppressionanddetailpreservationperformancesofimagefilters[21].Inadditiontothesesuccessfulapplications,wehavealsoshowninapreliminaryreport[22]thatNFsystemsmaybeemployedforefficientdetectionofedgesinnoisydigitalimages.

Inthispaper,weextendourpreliminaryresearchonedgedetectionandpresentanovelNFmethodforedgedetectionindigitalimagescorruptedbyimpulsenoise.Intheproposedmethod,theedgesinthenoisyimagearedirectlydeterminedbyaNFnetworkwithoutneedingaprefilteringofthenoisyinputimage.TheNFnetworkconsistsofadesired.numberofsubdetectorsandapostprocessor.Eachsubdetectorevaluatesadifferentpixelneighborhoodinthefilteringwindow.TheproposedNFedgedetectoristestedonpopularimageshavingdifferentimagepropertiesandalsocomparedwithpopularedgedetectorsfromtheliterature.ExperimentalresultsshowthattheproposedNFedgedetectorexhibitsmuchbetterperformancethanthecompetingoperatorsandmayefficientlybeusedforthedetectionofedgesindigitalimagescorruptedbyimpulsenoise.

1绪论

数字图像的边缘提供了重要的图像的信息，它们构成图像中的对象之间的边界。

边缘检测是许多图像处理应用程序中经常执行的操作，因为它通常是其他操作之前对图像进行其他图形处理的任务，如图像分割，边缘检测，对象识别和分类，图像注释等等。

因此，这些后续的图像处理任务的成功都严格依赖于边缘检测操作的性能.

图像强度在边缘显示突然变化。

因此，边缘检测通常涉及计算图像强度函数的导数在一个给定的像素位置的值。

如果图像强度函数的导数在给定的像素的位置达到相对相对较高的程度，该图像位置的像素被列为边缘像素。

降低边缘检测质量的最重要的因素是噪声。

不幸的是，在图像的获取和传输时由于成像处理过程中和通信通道中存在的一些缺陷，数字图像的质量不可避免被噪音降低。

大多数的边缘检测方法以图像包含由明确的分界的大型均质区域分隔假设为基础。

大多数检测器依据这样一个假设：

图像包含大量有明显界限的均匀小区域。

然而，如果图像被噪音损坏，这个假设就失去其有效性。

因此，大部分的边缘检测算子需要在执行图像边缘检测前先使用适当的噪声滤波器过滤噪声。

在这种情况下，边缘检测操作的性能严格依赖于噪声滤波器的性能。

这样，系统的复杂性和处理时间就大大增加了。

一些边缘检测方法，为逼近图像强度函数倒数的数值解提供补充，可见诸文献。

经典的方法[1,2]，如Sobel算子，Prewitt算子和Kirsch探测器计算第一次的方向导数确定边缘的位置。

这些检测器是容易实现的，但它们通常不准确和对噪音非常敏感。

零交叉边缘检测[1,2]使用拉普拉斯算子的二阶导数。

这些探测器在所有的方向有固定的检测特性，但他们对噪音非常敏感。

高斯边缘检测器[2]在进行边缘检测前可以通过平滑图像减少由噪声引起的不良影响。

因此，他们尤其在嘈杂的环境下能表现出更优越的性能。

Canny检测器，作为一个高斯边缘检测器，是在文献中最常见的边缘检测器，它已被广泛使用在许多应用程序[3-5]。

虽然高斯探测器具有较好的性能，但它的计算比常见的边缘检测器的导数计算复杂。

此外，他们的性能随着噪声的强度的增大迅速下降。

因此，一个能够从受噪声干扰的数字图像中有效提取边缘信息的新型边缘探测器是迫切需求的。

过去的几年里，针对在图像处理中遇到的各种问题，基于神经网络和模糊逻辑系统[6-15]，已经有越来越多的研究者在研究应用软计算技术。

基于这样的事实：

从噪声图像提取有用信息的过程中，神经模糊（NF）系统是非常适合用来处理在遇到的不确定性，因为NF系统结合神经网络的从例子中学习的能力和模糊逻辑系统模拟不确性和不精确性的能力。

因此，NF系统可作为边缘检测的有力工具，以提供适当的网络拓扑结构和选择测试策略。

在我们最近的作品中已经表明，NF系统可用于去除数字图像中的脉冲噪声[16,17]；在保存图像的边缘，线和其他有用的信息时，也可以构造高效混合滤波器恢复嘈杂的数字图像[18]；检测引导开关噪声滤波器中的噪声和减少他们的不良的模糊效应[19,20]；改善噪声抑制和详细保存图像滤波器特性[21]。

除了这些成功的应用，我们也做在一个预备报告，NF系统可用作噪声数字图像的边缘检测[22]。

在本文中，我们扩展对边缘检测的初步研究，对脉冲噪声干扰的数字图像的边缘检测提出了一种新的NF边缘检测方法。

上述方法嘈杂的图像边缘直接由NF网络提供，无需对输入图像加噪声信号，NF网络由很多子探测器和一个主处理器组成，要求每个子探测器针对一个不同的像素区域。

上述的NF边缘检测器在很多常见的图像上做实验，这些图像具有不同的属性；同时也与一些文献中常见的边缘检测器作比较。

实验结果表明，上述NF边缘检测器比大多数的检测器表现出更好的性能，而且能有效地用于脉冲噪声干扰的数字图像的边缘检测。

2Method

2.1Theproposedneuro-fuzzyoperator

Fig.1ashowsthegeneralstructureoftheproposedNFedgedetectionoperator.TheoperatorisconstructedbycombiningadesirednumberofNFsubdetectorswithapostprocessor.AllNFsubdetectorsinthestructureoperateonFig.1.（a）Thegeneralstructureoftheproposedneuro-fuzzyedgedetectionoperator.ThepixelsappliedtotheinputsofeachNFsubdetectorinthestructurearechosensoastoutilizetheinformationfromadifferentpixelneighborhood;（b）Thefilteringwindowoftheoperator;（c）Someofthepossiblepixelneighborhoodtopologies.thesame3-by-3pixelfilteringwindow,whichisshowninFig.1b.EachNFsubdetectorevaluatesadifferentneighborhoodrelationbetweenthecenterpixelofthefilteringwindowandtwoofitsneighbors.SomeofthemanypossibleneighborhoodtopologiesareshowninFig.1c.ThehigherthenumberofNFsubdetectors,thebettertheedgedetectionperformance,butthehigherthecomputationalcost.

2.方法

2.1神经模糊算子

上述NF边缘检测算子的总体结构如图1所示。

它是由一定数量的NF子探测器与一个后处理器组成。

所有的NF子探测器都在图1（a）结构框图中。

NF边缘检测算子的一般结构如图1所示。

（a）结构图中的每个NF子探测器要针对的像素是经过选择的，以便利用像素附近不同的信息；（b）检测算子的滤波窗口；（c）像素的一些可能的邻域拓扑。

图1（b）是对3×3的像素进行滤波的窗口。

滤波窗口中心像素和与它相领的像素之间的关系对每个NF子探测器来说都是不同的。

一些可能的邻域拓扑显示在图1（c）中。

NF子探测器越高级，边缘检测性能越好，但其计算量越大。

2.2Theneuro-fuzzysubdetectors

EachNFsubdetectorisafirst-orderSugenotypefuzzyinferencesystemwith3-inputsand1-output.Theinternalstructur