摘 要：牦牛圖像邊緣檢測是牦牛線性體型評定的基礎(chǔ)。為此，介紹了牦牛數(shù)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(biāo)物體的邊緣，檢測出預(yù)想的目標(biāo)圖像。結(jié)果表明，經(jīng)過一系列的預(yù)處理以后，檢測出的牦牛圖像邊緣明顯，便于后續(xù)計算區(qū)域內(nèi)的牦牛數(shù)量以及判斷區(qū)域是否過度放牧等實(shí)際問題。

關(guān)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(qū)的特有牛種，不同類型的牦牛體型特征不同。經(jīng)長期的研究和實(shí)踐發(fā)現(xiàn)，具備標(biāo)準(zhǔn)功能體型的牦牛市場好，銷量高，經(jīng)濟(jì)收益高。該題目的研究和實(shí)現(xiàn)可以直接利用直接應(yīng)用于青藏高原牦牛的養(yǎng)殖，針對目前高原地區(qū)的傳統(tǒng)老舊的皮尺測量體標(biāo)的方式，通過人眼辨別能力去統(tǒng)計牦牛數(shù)量的過時方式等等，該算法的研究與應(yīng)用可以實(shí)現(xiàn)自動化，智能化，數(shù)字化的管理。具有重要的研究價值和應(yīng)用意義。

基于牦牛的圖像分割算法進(jìn)行研究，可以提取出牦牛的整體輪廓，方便為后續(xù)的牦牛體型的三維圖像的重建，飼養(yǎng)機(jī)械設(shè)備，生理指標(biāo)的動態(tài)監(jiān)測，體型體尺、體重、性別等指標(biāo)參數(shù)，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(shí)用性。

1 圖像預(yù)處理

圖像在轉(zhuǎn)換或傳送中，因?yàn)榇嬖谟泄鈱W(xué)系統(tǒng)的失真、數(shù)字化過程數(shù)據(jù)丟失或者噪聲污染等因素，會使圖像質(zhì)量會受到一定水平的干擾，甚至淹沒圖像的特征。這為后續(xù)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(jìn)行后續(xù)處理之前，為了改善圖像的視覺效果、方便人機(jī)化操作，突出圖像的特性便于計算機(jī)處理，對圖像進(jìn)行預(yù)處理操作就很有必要了。

圖像預(yù)處理，顧名思義就是對圖像進(jìn)行特征抽取等預(yù)先操作，包括圖像的點(diǎn)運(yùn)算、幾何變換、直方圖均衡化、降噪、平滑、銳化、增強(qiáng)、復(fù)原等步驟。

2 系統(tǒng)流程

2.1 數(shù)字圖像的讀取和灰度

首先，利用imread（）函數(shù)將原牦牛圖像存入matlab的Workspace空間。然后再利用rgb2gray（）函數(shù)將原牦牛RGB圖像轉(zhuǎn)換為灰度圖像，為后續(xù)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?yàn)閳D像中存在著諸多不良噪聲，或多或少會干擾到后續(xù)的分割與提取。所以，為后續(xù)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(chǎn)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(jìn)行遍歷，處于模板中的元素從小到大依此排列，若元素數(shù)為基數(shù)，那么該點(diǎn)的像素值就為中間值；若元素數(shù)為偶數(shù)，那么排序像素中位于中間兩像素值的平均數(shù)就置為該點(diǎn)的像素值。由于傳統(tǒng)的中值濾波器存在一定的缺陷，對圖像中的像素進(jìn)行遍歷是，無法對圖像邊界元素進(jìn)行操作，因此，本研究中選用改進(jìn)型中值濾波對圖像進(jìn)行平滑濾波，將未被操作的像素點(diǎn)的像素值置為相鄰的被操作后的新產(chǎn)生的像素值。這樣，能減少一定的誤差。

2.3 圖像增強(qiáng)

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

直方圖呈現(xiàn)的是圖像中每一種灰度級的概率的統(tǒng)計結(jié)果。圖像中各像素點(diǎn)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(dá)到對比度增強(qiáng)的效果，提高圖像質(zhì)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(dāng)敏感，常產(chǎn)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(lián)合起來，先平滑掉噪聲，再進(jìn)行邊沿檢測。因?yàn)槔绽篂V波器易被噪聲影響產(chǎn)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(jìn)行拉普拉斯運(yùn)算，通過檢測其過零點(diǎn)來確定邊沿位置。LOG函數(shù)的定義為：

3 仿真結(jié)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(zhǔn)的檢測出來，檢測出的邊緣越發(fā)清晰，數(shù)量可以很直觀的計算出來，為后續(xù)判斷區(qū)域內(nèi)是否存在過度放牧等實(shí)際問題打下基礎(chǔ)。

4 結(jié)束語

文章通過對牦牛數(shù)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(shù)字圖像進(jìn)行邊緣檢測，結(jié)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(huán)境干擾，較完整地顯示出牦牛的邊緣，為后續(xù)牦牛體型線性評定奠定了良好的基礎(chǔ)。

參考文獻(xiàn)

[1]李婷嬌，蔡振江，王文娣，等.基于MATLAB的奶牛數(shù)字圖像邊緣的提取[J].農(nóng)機(jī)化研究，2011（2）.

[2]李寶方，邢玉清.基于MATLAB GUI的數(shù)字圖像處理仿真系統(tǒng)設(shè)計[J].計算機(jī)與數(shù)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(jìn)型位級中值濾波硬件算法的實(shí)現(xiàn)[J].哈爾濱理工大學(xué)學(xué)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(diǎn)缺陷研究[J].農(nóng)機(jī)化研究，2015（7）：70-73.