دانلود شبیه سازی مقاله بررسی و مقایسه روش های مختلف تشخیص لبه تصویر

پروژه متلب تشخیص لبه تصاویر

تشخیص لبه، به معنای فرآیند شناسایی و یافتن ناپیوستگی های تیز در یک تصویر است. ناپیوستگی ها، تغییرات ناگهانی در شدت پیکسل هستند که مشخص کننده مرزهای اشیاء در یک صحنه می باشند. روش های کلاسیک شناسایی لبه، شامل همگشت کردن (کانوال) تصویر با یک عملگر (یک فیلتر 2 بعدی)، که حساس به گرادیان های بزرگ تصویر ساخته می شود، می باشد و در عین حال مقادیر صفر را در مناطق یکنواخت می دهد. تعداد بسیار زیادی عملگر شناسایی لبه وجود دارد که هرکدام به نحوی طراحی شده است که به انواع معینی از لبه ها حساس باشد. متغیرهای دخیل در انتخاب یک عملگر شناسایی لبه شامل جهت لبه، محیط نویز و ساختار لبه می باشند. ابعاد و هندسه عملگر، جهت ویژه ای که در آن جهت، بیشترین حساسیت را به لبه ها دارد، تعیین می کند. عملگرها را می توان به نحوی بهینه سازی نمود که به دنبال لبه های افقی، عمودی یا قطری بگردد. شناسایی لبه در تصاویر نویزدار دشوار است، زیرا هر دوی نویز و لبه ها، دارای محتوای فرکانس بالا هستند. تلاش ها برای کاهش نویز باعث بوجود آمدن لبه های تار و دچار اعوجاج می شوند. عملگرهای استفاده شده برروی تصاویر نویزدار معمولاً از نظر حیطه بزرگتر هستند، بنابراین می توانند داده های کافی را میانگین گیری کنند، تا پیکسل های نویزدار محلی را حذف کنند. این باعث محلی سازی (localization) کمتر دقیق لبه های شناسایی شده می شود. همه لبه ها، تغییر پله در شدت ندارند. اثراتی مانند انکسار یا فوکوس ضعیف می تواند باعث بوجود آمدن اشیائی با مرزهای تعریف شده بوسیله تغییر تدریجی شدت شوند. این عملگر لازم است به گونه ای انتخاب شود که به چنین تغییرات تدریجی در آن موارد واکنش دهد. بنابراین، مسائل شناسایی لبه کاذب، عدم وجود لبه های واقعی، محلی سازی لبه، زمان محاسبات طولانی و مسئله بخاطر نویز و غیره، وجود دارند. پس، هدف این است که انواع عملگرهای شناسایی لبه مقایسه شوند و عملکرد روش های مختلف در شرایط مختلف، تحلیل شوند.

لبه ها، مشخص کننده مرزها هستند و بنابراین، یک مسئله بسیار مهم در پردازش تصویر می باشند. شناسایی لبه تصویر به میزان قابل توجهی حجم داده ها را کاهش می دهد و اطلاعات بی فایده را حذف می کند، و در عین حال ویژگی های ساختاری مهم را در یک تصویر حفظ می کند. از آنجایی که شناسایی لبه، مهمترین قسمت در پردازش تصویر برای شناسایی جسم است، بسیار مهم است که درک کافی از الگوریتم های شناسایی لبه داشته باشیم. در این مقاله، تحلیل مقایسه ای روش های شناسایی لبه تصویر مختلف، ارائه می شود. این روش با استفاده از نرم افزار MATLAB 7.0 توسعه می یابد. نشان داده شده که الگوریتم شناسایی لبه Canny، عملکرد بهتری نسبت به همه این عملگرها تقریباً تحت همه سناریوها دارد. ارزیابی تصاویر نشان داد که تحت شرایط نویزدار، روش های Canny، LoG (لاپلاس گاوسی)، Robert، Prewitt، Sobel به ترتیب عملکرد بهتری نشان می دهند. مشاهده شده که الگوریتم شناسایی لبه Canny از لحاظ محاسباتی در مقایسه با LoG، Sobel، Prewitt و Robert، سنگین تر است.

این شبیه سازی در نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تصاویر مربوط به خروجی های شبیه سازی قرار داده شده است: