何振宇 王駿立

【摘? 要】 文章從優(yōu)化機器人的表現(xiàn)、科學有效地濾除噪聲、對圖像信號和信息進行提取三個方面，對信號處理技術(shù)的應(yīng)用領(lǐng)域進行了詳細的介紹。通過邊緣檢測算法的評價指標、經(jīng)典的邊緣檢測算法、深度學習下的邊緣檢測算法三個方面，對邊緣檢測算法進行了詳細的分析。根據(jù)改善圖示信息對圖像數(shù)據(jù)進行處理以便于機器自動理解、數(shù)字圖像處理基礎(chǔ)知識和算法、通過濾波來提取圖像特征三個方面，對邊緣檢測算法在信號處理技術(shù)中的應(yīng)用進行了相應(yīng)闡述。

【關(guān)鍵詞】 信號處理技術(shù)；邊緣檢測算法；圖像數(shù)據(jù)

隨著時代的發(fā)展，人工智能技術(shù)出現(xiàn)了極大的進步，信號處理技術(shù)能夠廣泛地應(yīng)用到人們的日常生活和各行各業(yè)的生產(chǎn)中，邊緣檢測技術(shù)作為其中最基礎(chǔ)也是最重要的一門處理技術(shù)，在得到廣泛應(yīng)用的同時，也成了相關(guān)技術(shù)人員研究的重點。因為圖像邊緣包含的圖像信息非常豐富，而且數(shù)量也極多，在完成信息分選的工作時，要科學合理地利用邊緣檢測技術(shù)將圖像邊緣信息提取出來，為后續(xù)區(qū)分不同種類的信息打好基礎(chǔ)。

一、信號處理技術(shù)的應(yīng)用領(lǐng)域

（一）優(yōu)化機器人的表現(xiàn)

信號處理是對不同類型的電信號根據(jù)不同的預期目的和要求來進行加工操作的一種過程。主要分為對模擬信號進行處理和對數(shù)字信號進行處理兩類，對記錄在媒體上的信號進行處理，提取出有用的信息，也是對信號提取、轉(zhuǎn)換、分析、綜合的一種方式。信號處理技術(shù)是一種常見的技術(shù)，主要被應(yīng)用到從不同類型信號中提取重要的信息，并將信息用到工作分析中。信號處理技術(shù)通常被應(yīng)用于處理聲音、圖像、視頻和其他復雜的信號中，確保傳感器的準確可靠。應(yīng)用信號處理技術(shù)后，可以保證信號質(zhì)量得到穩(wěn)步提升，提高系統(tǒng)的效率。將信號處理技術(shù)應(yīng)用到機器人的建設(shè)領(lǐng)域中，能夠?qū)⑿盘柕男畔⒂行У剡M行系統(tǒng)指令的轉(zhuǎn)化，讓機器人的運動更加精確，操作也更具有指向性。例如，應(yīng)用信號處理技術(shù)之前，人工智能機器人在執(zhí)行抓取、放置指令時，機器人執(zhí)行抓取和放置時可能會出現(xiàn)一定程度的偏差，但是應(yīng)用信號處理技術(shù)后，能夠提高機器人確定目標物的準確性，保證機器人的工作狀態(tài)更加貼近于人類，不斷推動機器人的發(fā)展。

（二）噪音的過濾與通信質(zhì)量的提升

信號處理技術(shù)還能夠有效地過濾噪聲，保證噪聲對信號收集和分析的影響降到最低，使信號的信噪比和信號的接收質(zhì)量得到有效的提升，起到了良好的降噪作用。同時，應(yīng)用信號處理技術(shù)還能夠做到多路分集和編碼。傳統(tǒng)信號在傳輸?shù)倪^程中無法保證其穩(wěn)定性和安全性，一些有心之人會使用各種手段竊取重要的信號信息，并用信息謀利，會給相關(guān)部門和企業(yè)造成嚴重的損失。采用信號處理技術(shù)以后，可以對信號傳輸過程進行加密，最大限度上避免信息泄露的情況，使信號傳輸?shù)酶影踩煽?。將信號處理技術(shù)應(yīng)用到通信中，主要的應(yīng)用類型包括對收集到的信號進行檢測、檢測原理、檢測方法等，信號處理技術(shù)的應(yīng)用能夠讓通信質(zhì)量得到有效的提升。

（三）圖像信號和信息的提取

信號處理技術(shù)也可以應(yīng)用于計算機圖像處理，具體的應(yīng)用內(nèi)容包括對圖像信號和其中包含的信息進行提取，提取以后對圖像信號進行處理，提高圖像的分辨率，改善圖像的像素，確保圖像的精度，讓圖像的質(zhì)量得到穩(wěn)步提升，為后續(xù)工作打下堅實的基礎(chǔ)。例如，在工業(yè)零件生產(chǎn)領(lǐng)域應(yīng)用信號處理技術(shù)，利用邊緣檢測方法對零件圖像的邊緣信息進行提取。因為零件本身精度和復雜情況以及拍攝環(huán)境不同，導致圖像的質(zhì)量也出現(xiàn)了一定的差異。信號處理技術(shù)中的邊緣檢測方法就可以檢測出虛假邊緣和丟失真實邊緣的細節(jié)情況，對圖像進行處理，克服了人工設(shè)置閾值的弊端，獲取了清晰完整的邊緣輪廓，提取出邊緣的信息，從而有利于完成不同種類零件的區(qū)分工作。

二、邊緣檢測算法評價指標介紹

（一）邊緣檢測算法評價指標

邊緣檢測算法是一種重要的圖像處理算法，應(yīng)用邊緣檢測法的目的是對圖像中元素的邊緣進行檢測和跟蹤，通常被用在多種圖像處理任務(wù)中。如分割、輪廓提取、模式識別和智能對象跟蹤等。邊緣檢測算法的基本原理是對圖像中存在的暗線和亮線進行檢測，而亮線和暗線會在不規(guī)律的情況下分布在圖像中的不同部位，也成了圖像中最基本的元素。為保證對圖像信息進行有效且準確地提取，需要對這些元素的邊緣做出檢測，了解圖像的具體特能。邊緣檢測算法在對圖像信息進行提取時，主要是將圖像相鄰像素的灰度值做出比對，根據(jù)灰度值比對數(shù)據(jù)來確定圖像是否存在邊緣。若是數(shù)值結(jié)果證明了圖像存在邊緣，可以繼續(xù)應(yīng)用邊緣檢測算法來測量確定圖像的邊緣位置、方向和強度。

目前，邊緣檢測主要分為分析圖像中元素的灰度變化、檢測邊緣的位置和方向、圖像細化和凸性檢測來確定形狀信息三種類型。在進行邊緣檢測算法后，為保證計算結(jié)果的準確和穩(wěn)定，還需要對邊緣檢測算法進行評價。以數(shù)字圖像處理為例，邊緣檢測算法的評價指標主要從三個方面來分析，第一是靈敏度，第二是精準度，第三是算法的效率。靈敏度主要是應(yīng)用邊緣檢測算法確定圖像是否存在邊緣和邊緣的位置方向，精確度是將邊緣檢測算法的檢測結(jié)果和真實數(shù)值進行比對，根據(jù)二者之間的差距來判定邊緣檢測算法是否有擁有的價值。算法的效率則是指應(yīng)用邊緣檢測算法來處理圖像的速度是否符合實際工作需求。結(jié)合三個方面完成對邊緣檢測法的評價，能夠有效地對邊緣檢測法的應(yīng)用情況做出分析，制訂優(yōu)化和完善的方案。

（二）經(jīng)典的邊緣檢測算法

從現(xiàn)有資料對邊緣檢測算法的分類進行分析，可以得出邊緣檢測算法的分類主要分為積分或者空間域算法和濾波器或頻域算法兩種。積分或者空間域算法主要是對圖像像素灰度變化進行計算和比對，比如，利用梯度、高斯梯度、灰度梯度等對邊緣是否存在、位置方向和強度進行檢測。濾波器或頻域算法主要是通過對濾波器的作用來完成邊緣的檢測。比如Sobel、Roberts、Prewitt、Laplacian等。經(jīng)典的邊緣檢測算法主要分為Canny算法、Sobel算法、Laplacian算法三種。John F. Canny在1986年提出了一種邊緣檢測算法，計算流程是對噪聲進行濾波、計算梯度、非極大值抑制、高低閾值的滯后、連接邊緣。因為這種邊緣檢測算法被應(yīng)用到圖像處理中后，不僅能夠高質(zhì)高效地檢測圖像邊緣，還能夠降低噪聲，所以深受歡迎，這種邊緣檢測方法被命名為Canny算法。Sobel算法在進行邊緣檢測時，也非常受歡迎，具體操作方法是使用卷積操作來檢測圖像的邊緣，用圖像內(nèi)部不同的像素點的梯度檢測邊緣。

Sobel算法的最大優(yōu)勢就是運算速度快，很多小型圖像的處理都首選Sobel算法，不過較為復雜的噪點圖像無法有效地應(yīng)用Sobel算法完成計算，強行使用會導致計算結(jié)果失真。Laplacian算法是對二次導數(shù)進行計算，來完成對圖像邊緣的檢測。這種算法得出的信息更加準確，部分圖像在邊緣檢測時要求較高，Laplacian能夠更好地完成檢測要求。需要注意的是在應(yīng)用Laplacian算法對圖像邊緣進行檢測時，要對噪聲干擾因素做出處理，同時某些特定情況下Laplacian算法檢測出的邊緣結(jié)果會出現(xiàn)假邊緣的情況。

（三）深度學習下的邊緣檢測算法

迄今為止，邊緣檢測法被廣泛地應(yīng)用在數(shù)字圖像處理領(lǐng)域，醫(yī)學圖像處理領(lǐng)域、工業(yè)領(lǐng)域中也對邊緣檢測算法進行了一定程度的應(yīng)用。比如，醫(yī)生更加準確迅速地分析病人的病情、工程師對生產(chǎn)的產(chǎn)品進行檢測，保證產(chǎn)品符合生產(chǎn)需求，并不斷完成質(zhì)量和生產(chǎn)效率方面的優(yōu)化。在信號處理技術(shù)中，邊緣檢測算法具備重要的作用，伴隨著深度學習的不斷發(fā)展，邊緣檢測算法也出現(xiàn)了一定程度的優(yōu)化，主要可以從U-net算法和FCN算法兩個方面進行分析。

第一種是U-net算法，這種算法是在深度學習下實現(xiàn)的語義分割模型，主要是將圖像輸入和輸出看作進行同等大小圖像來對待，實現(xiàn)中間層的信息同時向前后兩方傳遞，保證語義分割模型能夠?qū)吘壖毠?jié)信息進行更好的處理。邊緣檢測的經(jīng)典算法在對物體輪廓進行檢測時，通常會得出一個較為模糊的物體輪廓，但是采用U-net算法進行檢測，就能夠保證物體輪廓的清晰度。在深度學習下的第二種邊緣檢測算法是FCN算法，此種算法是基于卷積神經(jīng)網(wǎng)絡(luò)下的語義分割方法，利用卷積神經(jīng)網(wǎng)絡(luò)對整個圖像實現(xiàn)像素級別的分類，將得到的像素點歸類到不同的語義類別中，使用反卷積等操作把分類結(jié)果與輸入圖像的尺寸進行匹配。采用FCN算法的最大優(yōu)勢是在檢測的過程中，對圖像的大小沒有額外的規(guī)定，在完成邊緣檢測的情況下，還能同時解決處理多個語義類別的問題。

三、邊緣檢測算法在信號處理技術(shù)中的應(yīng)用

（一）改善圖示信息對圖像數(shù)據(jù)進行處理以便于機器自動理解

將邊緣檢測算法應(yīng)用到信號處理技術(shù)中，用對數(shù)字圖像的處理來進行舉例。數(shù)字圖像主要應(yīng)用在對圖示信息的改善和對存儲、傳輸和表示而對圖像數(shù)據(jù)處理兩個方面，方便機器對圖像信息做出自動理解。上述處理測算方法的優(yōu)勢是能夠?qū)⒃紙D像通過計算機的處理，將圖像中的重要信息進行提取，轉(zhuǎn)化成符合人們需求或者更加方便人們理解的一種形式。像車牌的檢測，利用邊緣檢測法就是將車牌的原始圖像完成灰度圖的轉(zhuǎn)換，檢測車牌圖像的邊緣信息等，確定了車牌的區(qū)域以后，對區(qū)域進行切割。切割后得到的區(qū)域就是需要從圖像上得到的重要信息區(qū)域，將信息提取后進行圖像的處理和計算。

（二）數(shù)字圖像處理基礎(chǔ)知識和算法

對數(shù)字圖像處理基礎(chǔ)知識與算法進行分析時，需要對數(shù)字圖像的具體含義進行了解。數(shù)字圖像是指通過二維數(shù)字來對圖像進行表示，包括其中的灰度值，也是利用數(shù)字來呈現(xiàn)，方便后續(xù)的計算。二值圖像是指圖像中所有像素的灰度值僅可取0或1，即黑白圖像?；叶葓D像中的像素能夠使用0-255的灰度值表示，而每幅白色圖像的組成是三幅灰度圖像，紅綠藍三通道的灰度值。同時，需要記住的是將彩色圖轉(zhuǎn)為灰度圖的一個計算公式，“Gray=R×0.299+G×0.587+B×0.114G”，應(yīng)用這個公式能夠保證彩色圖像和灰度圖像之間的有效轉(zhuǎn)換。需要注意的是Gray表示灰度圖像，RGB則表示彩色圖像的紅（red）、綠（green）、藍（blue）三通道灰度值，通常會使用字母來進行記憶。在進行計算時，為保證計算結(jié)果的準確性，還需要保證數(shù)字圖像之間的區(qū)域具有鄰接性和連通性。

（三）通過濾波提取圖像特征

濾波的目的主要兩個，第一個是利用濾波提取圖像特征，將圖像中包含的信息進行收集、分析和簡化，將最終得到的信息為后續(xù)處理其他圖像做準備。通過簡化圖片中的信息，利用邊緣線取代圖像中原本的信息并進行呈現(xiàn)，濾波器在圖像上進行從上到下，從左到右的遍歷，計算濾波器與對應(yīng)像素的值并根據(jù)濾波目的進行數(shù)值計算返回值到當前像素點，對圖像進行點積運算并賦值到圖像，完成計算。

第二個目的是根據(jù)處理圖像之前的需求，來對圖像數(shù)字化過程中產(chǎn)生的噪聲進行消除，保證圖像處理的清晰度和精確度。濾波結(jié)束后的圖像應(yīng)會呈現(xiàn)出較為模糊的效果，不同的圖像進行濾波后，呈現(xiàn)出的模糊程度是不同的。模糊程度主要是和濾波器的大小有關(guān)，若是濾波器越大，模糊效果就會越明顯，反之濾波器越小，模糊效果也就越不明顯。在濾波時，可以根據(jù)對提取的圖像特征實際需求不同來選取大小不同的濾波器。還需要注意的一點是邊緣檢測本質(zhì)上就是一種濾波算法，唯一的區(qū)別就是在于濾波器的選擇，而二者之間的濾波規(guī)則是完全一致的。

四、結(jié)語

綜上所述，在將邊緣檢測技術(shù)應(yīng)用到收集圖像邊緣信息時，存在著人工設(shè)定閾值的弊端以及拍攝環(huán)境和圖像本身的復雜程度等因素的影響，導致了邊緣檢測技術(shù)的應(yīng)用出現(xiàn)了效果上的差距。為保證邊緣檢測技術(shù)能夠得到有效應(yīng)用，應(yīng)對圖像的分辨率和檢測速度進行調(diào)整，確保圖像的邊緣更加清晰，從而對邊緣檢測技術(shù)進行優(yōu)化和完善。