基于matlab的牦牛圖像邊緣檢測研究

摘 要：牦牛圖像邊緣檢測是牦牛線性體型評定的基礎。為此，介紹了牦牛數字圖像檢測的步驟。首先將RGB圖像灰度化處理，而后對圖像平滑降噪，再用高斯拉普拉斯算子對這一系列操作后的圖像探測目標物體的邊緣，檢測出預想的目標圖像。結果表明，經過一系列的預處理以后，檢測出的牦牛圖像邊緣明顯，便于后續計算區域內的牦牛數量以及判斷區域是否過度放牧等實際問題。

關鍵詞：圖像處理；中值濾波；高斯拉普拉斯算子

引言

牦牛是高寒地區的特有牛種，不同類型的牦牛體型特征不同。經長期的研究和實踐發現，具備標準功能體型的牦牛市場好，銷量高，經濟收益高。該題目的研究和實現可以直接利用直接應用于青藏高原牦牛的養殖，針對目前高原地區的傳統老舊的皮尺測量體標的方式，通過人眼辨別能力去統計牦牛數量的過時方式等等，該算法的研究與應用可以實現自動化，智能化，數字化的管理。具有重要的研究價值和應用意義。

基于牦牛的圖像分割算法進行研究，可以提取出牦牛的整體輪廓，方便為后續的牦牛體型的三維圖像的重建，飼養機械設備，生理指標的動態監測，體型體尺、體重、性別等指標參數，牦牛等級劃分和種類識別提供便利，有著巨大的研究價值和實用性。

1 圖像預處理

圖像在轉換或傳送中，因為存在有光學系統的失真、數字化過程數據丟失或者噪聲污染等因素，會使圖像質量會受到一定水平的干擾，甚至淹沒圖像的特征。這為后續的邊緣檢測、分割、分析判斷等操作造成了不必要的困擾。那么在圖像進行后續處理之前，為了改善圖像的視覺效果、方便人機化操作，突出圖像的特性便于計算機處理，對圖像進行預處理操作就很有必要了。

圖像預處理，顧名思義就是對圖像進行特征抽取等預先操作，包括圖像的點運算、幾何變換、直方圖均衡化、降噪、平滑、銳化、增強、復原等步驟。

2 系統流程

2.1 數字圖像的讀取和灰度

首先，利用imread（）函數將原牦牛圖像存入matlab的Workspace空間。然后再利用rgb2gray（）函數將原牦牛RGB圖像轉換為灰度圖像，為后續步驟中查看圖像直方圖信息提供便利。

2.2 圖像平滑濾波

因為圖像中存在著諸多不良噪聲，或多或少會干擾到后續的分割與提取。所以，為后續操作提供便利，對圖像的平滑濾波操作就顯得尤為重要了。

中值濾波，作為常用的平滑濾波器中的一種，濾波后產生的模糊較少，代價付出得少，邊緣也保持得較好。其原理是，首先將確定好的模板中心元素放入圖像中從左至右進行遍歷，處于模板中的元素從小到大依此排列，若元素數為基數，那么該點的像素值就為中間值；若元素數為偶數，那么排序像素中位于中間兩像素值的平均數就置為該點的像素值。由于傳統的中值濾波器存在一定的缺陷，對圖像中的像素進行遍歷是，無法對圖像邊界元素進行操作，因此，本研究中選用改進型中值濾波對圖像進行平滑濾波，將未被操作的像素點的像素值置為相鄰的被操作后的新產生的像素值。這樣，能減少一定的誤差。

2.3 圖像增強

本題目選用空間域法對牦牛數字圖像進行操作。頻率域法是圖像增強的方法，除此之外，空間域法也是對圖像進行增強的另一類方式。而基于直方圖的對比增強是習見的一種空間域法的途徑。

直方圖呈現的是圖像中每一種灰度級的概率的統計結果。圖像中各像素點的灰度級分布情況，在直方圖中我們都可以很清楚的找到。而直方圖均衡化是將均勻以后的直方圖作為輸出，保證輸出的圖像灰度級從黑到白，且變化的范圍一致，從而達到對比度增強的效果，提高圖像質量。

2.4 邊緣檢測

高斯拉普拉斯算子（Laplace of Gaussian Operator），作為一種二階微分算子對噪聲相當敏感，常產生雙邊緣。其工作原理是是將高斯平滑濾波器和拉普拉斯銳化濾波器聯合起來，先平滑掉噪聲，再進行邊沿檢測。因為拉普拉斯濾波器易被噪聲影響產生假邊緣，因此，先通過高斯濾波器來平滑抑制噪聲，以減輕噪聲對拉普拉斯算子的影響，再進行拉普拉斯運算，通過檢測其過零點來確定邊沿位置。LOG函數的定義為：

3 仿真結果

可以清楚的看到，使用Laplace of Gaussian算子后，牦牛的邊緣可以被較精準的檢測出來，檢測出的邊緣越發清晰，數量可以很直觀的計算出來，為后續判斷區域內是否存在過度放牧等實際問題打下基礎。

4 結束語

文章通過對牦牛數字圖像的平滑降噪，直方圖均衡化，最后采取LOG算子對牦牛數字圖像進行邊緣檢測，結果表明，此檢測算子能夠有效地抑制噪聲，濾除掉絕大部分的外部環境干擾，較完整地顯示出牦牛的邊緣，為后續牦牛體型線性評定奠定了良好的基礎。

參考文獻

[1]李婷嬌，蔡振江，王文娣，等.基于MATLAB的奶牛數字圖像邊緣的提取[J].農機化研究，2011（2）.

[2]李寶方，邢玉清.基于MATLAB GUI的數字圖像處理仿真系統設計[J].計算機與數字工程，2014（11）.

[3]Wang X Y，Wu Z F，Chen L，et al. Pixel classification based color image segmentation using quaternion exponent moments[J].Neural Networks the Official Journal of the International Neural Network Society，2015，74：1-13.

[4]韓劍輝，葛威.改進型位級中值濾波硬件算法的實現[J].哈爾濱理工大學學報，2015，20（3）：35-39.

[5]郁志宏，王福香.高斯拉普拉斯算子檢測馬鈴薯斑點缺陷研究[J].農機化研究，2015（7）：70-73.