labview 边缘检测 详细教程

可以看一看这个例子：

C:\Program Files\National Instruments\LabVIEW 2012\examples\Vision\2 Functions\Caliper里面的Edge Detection Examplellb里面的Straight Edge Detection Examplevi

主要vi如下图，具体用法见上例。

根据Calibration、Straghtness、Score等参数可以判断检测轮廓是否为直线。

超表面的原理图使量子边缘检测成为可能。(A)超表面设计用于对首选线偏振进行边缘检测。|V >，即极化态与分析仪正交。虚线表示电路径。这个问号意味着预告臂的闲散光子的极化选择是未知的。如果薛定谔的猫被来自偏振纠缠源的未知线性偏振光子照亮，图像将是规则的“固体猫”和边缘增强的“轮廓猫”的叠加。“(B)指示臂的开关状态为打开或关闭。当预告臂的空闲光子被投射到|H >，它指示开关状态，并导致一个坚实的猫捕获。当预告光子被投射到|V >时，在开关状态下获得了一个边缘增强的轮廓cat。(C和D)固体猫的计算结果和实验结果。(E和F)分别为边缘增强轮廓cat的计算结果和实验结果。来源: 科学的进步 , doi: 101126 / sciadvabc4385

超表面提供独特的平台来实现奇异的现象，包括负折射，消色差聚焦，以及由于工程介质或金属结构的电磁隐身。超表面和量子光学的交集可能会带来有待 探索 的重大机遇。在最近发表在《科学进展》杂志上的一篇报告中，周俊晓、刘世凯和一个中美两国的量子信息、纳米光电子器件和计算机工程研究团队提出并演示了偏振纠缠光子源。他们利用该光源在成像系统中根据高介电超表面将光学边缘模式切换到开或关状态。该实验丰富了量子光学和超材料的研究领域，为实现具有显著信噪比的量子边缘检测和图像处理提供了广阔的前景。

将量子纠缠和边缘检测相结合

光子超表面是由设计的金属或介质结构组成的二维超薄阵列，可以促进电磁场对局部相位、振幅和极化的 *** 纵。研究人员通常为经典光学的各种应用开发这种能力。量子纠缠在量子光学中有着重要的应用，包括量子密码学、隐形传态、超分辨计量学和量子成像。最近的努力显示了一种趋势，将超表面与纠缠光子结合起来，在量子光学中有潜在的应用。边缘检测是图像处理中定义图像区域之间边界的另一个因素。它是计算机视觉中的一个基本工具，用于预处理自动化的医学成像，并构成自动驾驶 汽车 的关键组成部分。超表面边缘检测可用于量子光学，为远程控制图像处理和密码学提供可能性。在本研究中，Zhou等人实现了一种偏振纠缠光子源和高效超表面激活的可切换光学边缘检测方法。该组合策略在相同的光子通量水平(单位面积每秒的光子数)下显示了高信噪比。

用“薛定谔的猫”的概念

Zhou等人利用薛定谔的猫的概念来说明可切换量子边缘检测方案的预期性能。综述了基于经典连续波(CW)光照明的边缘检测的基本原理。在实验装置中，边缘检测成像臂独立于纠缠源和预告臂，以及重合测量组件。当入射光子达到水平偏振状态时，被照亮的光束通过一个猫形的孔和一个工程超表面，随着水平位移分离成一个左、右撇子重叠偏振图像。重叠的组件通过水平方向的分析器，形成“实猫”图像。然而，如果入射光子垂直偏振，重叠的组件重新组合成一个线性偏振组件，这个组件完全被分析仪遮挡，只形成猫的轮廓。因此，研究人员利用偏振纠缠光子作为照明源，以这种方式开发了量子可切换边缘检测。

实验设置和偏振纠缠光子对

纠缠源的特性。(A)在2秒内，符合度计算为一个输出端口的HWP角θ2的函数。计数数据和干涉的红色(蓝色)对应于水平(对角)投影基底。实线对数据是正弦拟合的，误差条是通过在光子计数中假设泊松光子统计来估计的。误差条是通过多次测量得到的。(B和C)重构的双光子态的密度矩阵ρ的实部和虚部。来源: 科学的进步 , doi: 101126 / sciadvabc4385

研究人员在嵌入Sagnac干涉仪的20毫米长的II型相位匹配周期性极化磷酸钛酸钾(KTiOPO4/PPKTP)晶体中使用自发参量下转换过程产生偏振纠缠光子。他们将晶体的温度设置为17摄氏度，并使用两个宽带介质镜和一个双波长偏振分束器形成自稳定的Sagnac干涉仪。然后，他们使用了405nm的连续波单频二极管激光器，通过一对优化焦距的透镜聚焦泵浦光，使晶体中心的束腰接近40微米。为了平衡顺时针和逆时针方向的功率，Zhou等人在Sagnac环前面使用了1 / 4波片(QWP)和半波片(HWP)。

利用双波长偏振分束器，他们分离了由两个反向传播光束泵浦的下转换光子对，分别送进成像臂和传兆臂。Zhou等人还利用Pancharatnam-Berry相设计了该装置中使用的超表面，并通过在硅片内扫描飞秒脉冲激光器来制备它。然后利用扫描电子显微镜观察硅板中自组装的纳米结构，并在强激光照射下显示其来源，以产生超表面。该团队简要介绍了从Signac环产生的偏振纠缠简并光子对的量子态制备。他们利用贝尔态(不可分量子纠缠最简单的例子)通过调整实验装置来完成这项工作。Zhou等人利用量子层析成像和重建双光子密度矩阵测量量化了双光子态的纠缠质量。

基于纠缠态的量子边缘检测具有较高的信噪比。(A和C)边缘检测图像由预告检测器触发。(B和D) ICCD内部触发的直接图像。(C)和(D)分别沿(A)和(B)中的白虚线计算。来源: 科学的进步 , doi: 101126 / sciadvabc4385

量子纠缠使量子边缘检测成为可能

在确认了产生的偏振纠缠光子对的质量后，他们演示了可切换的量子边缘检测。为了实现这一点，他们准备了光子水平或垂直的线性偏振状态使用设置，并将光子耦合到光纤，并将它们发送到边缘检测图像系统，以捕获最终的可选图像，通过强化电荷耦合设备相机(ICCD)。例如，Zhou等人获得了两幅有微小位移的重叠图像，位移方向与超表面的相位梯度方向一致。当他们增加超表面结构的周期时，他们减少了两个重叠图像之间的偏移，以实现高分辨率的边缘检测。量子边缘检测方案的另一个优点是其高信噪比(SNR)，该团队可以在设置过程中显著降低环境噪声，而噪声只会在很短的时间内累积。相比之下，在经典光学中，噪声会持续累积。作为概念的证明，他们获得了一幅具有显著信噪比的边缘图像，用于改进基于纠缠的实验性量子边缘检测。

前景

通过这种方式，周俊晓、刘世凯及其同事利用超表面滤波器和偏振纠缠源结合，实现了量子纠缠的量子边缘检测。超表面提供了超薄和轻量化的光学元件，具有精确设计的相位剖面，以获得各种功能，形成一个更紧凑和集成的系统。该设置将有助于安全应用程序的概念，包括图像加密和隐写。该方法还提供了一个吸引人的信噪比(SNR)，适合于生物医学中各种需要光子的成像和传感应用，包括跟踪酶反应和观察活的有机体或光敏细胞。

这个你不能一开始就是用VHDL设计，我做循环频谱处理，给你说过程，也许对你有用，先用matlab仿真，这一步很重要验证你的方法是不是正确的，这也为你后续的VHDL设计测试做铺垫，因为你设计的vhdl代码需要测试数据，那么就从这里来， 第二步，使用c语言编写算法，这一步的工作是让你熟悉图像边缘检测算法的每一个步骤是如何做到的，因为VHDL是电路标书语言，要对每一BIT都要清楚，C语言的过程可以让你在设计VHDL之前就清楚了，最后一步是转换，只有前两个步骤都做好了，你才可以进行VHDL设计。要不然你设计好了VHDL代码，你测试都不知道怎么测试，哪里出错你都不知道，有了C语言的过程，你可以对某一个子模块进行调试。

摘 要 针对基于PC实现的图像边缘检测普遍存在的执行速度慢、不能满足实时应用需求等缺点，本文借助于TI公司的TMS320DM642图像处理芯片作为数字图像处理硬件平台，DSP/BIOS为实时 *** 作系统，利用CCS开发环境来构建应用程序；并通过摄像头提取视频序列，实现对边缘检测Sobel算子改进[1]。

关键词 DM642；Sobel算子；程序优化；图像边缘检测

1 引言

边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。图像的大部分主要信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，是图像中灰度变化比较强烈的地方，也即通常所说的信号发生奇异变化的地方。经典的边缘检测算法是利用边缘处的一阶导数取极值、二阶导数在阶梯状边缘处呈零交叉或在屋顶状边缘处取极值的微分算法。图像边缘检测一直是图像处理中的热点和难点。

近年来，随着数学和人工智能技术的发展，各种类型的边缘检测算法不断涌现，如神经网络、遗传算法、数学形态学等理论运用到图像的边缘检测中。但由于边缘检测存在着检测精度、边缘定位精度和抗噪声等方面的矛盾及对于不同的算法边缘检测结果的精度却没有统一的衡量标准，所以至今都还不能取得令人满意的效果。另外随着网络和多媒体技术的发展，图像库逐渐变得非常庞大；而又由于实时图像的目标和背景间的变化都不尽相同，如何实现实时图像边缘的精确定位和提取成为人们必须面对的问题。随着DSP芯片处理技术的发展，尤其是在图像处理方面的提高如TMS320C6000系列，为实现高效的、实时的边缘检测提供了可能性[5]。在经典的边缘检测算法中，Sobel边缘检测算法因其计算量小、实现简单、处理速度快，并且所得的边缘光滑、连续等优点而得到广泛的应用。本文针对Sobel算法的性能，并借助于TMS320DM642处理芯片[3]，对该边缘检测算法进行了改进和对程序的优化，满足实时性需求。

2 Sobel边缘检测算法的改进

经典的Sobel图像边缘检测算法，是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个是检测垂直边缘，一个是检测水平边缘。算法的基本原理：由于图像边缘附近的亮度变化较大，所以可以把那些在邻域内，灰度变化超过某个适当阈值TH的像素点当作边缘点。Sobel算法的优点是计算简单，速度快。但由于只采用了两个方向模板，只能检测水平方向和垂直方向的边缘，因此，这种算法对于纹理较复杂的图像，其边缘检测效果欠佳；同时，经典Sobel算法认为，凡灰度新值大于或等于阈值的像素点都是边缘点。这种判定依据是欠合理的，会造成边缘点的误判，因为多噪声点的灰度新值也很大。

21 图像加权中值滤波

由于图像中的边缘和噪声在频域中均表现为高频成分，所以在边缘检测之前有必要先对图像进行一次滤波处理，减少噪声对边缘检测的影响。中值滤波是一种非线性信号的处理方法[2]，在图像处理中，常用来保护边缘信息；保证滤波的效果。加权中值滤波，首先对每个窗口进行排序，取适当的比例，进行曲线拟合，拟合后的曲线斜率表征了此窗口的图像特征，再根据图像各部分特性适当的选择权重进行加权。

22 增加方向模板

除了水平和垂直两方向外，图像的边缘还有其它的方向，如135o和45o等，为了增加算子在某一像素点检测边缘的精度，可将方向模板由2个增加为8个即再在经典的方向模板的基础上增加6个方向模板，如图1所示。

23 边缘的定位及噪声的去除

通常物体的边缘是连续而光滑的，且边缘具有方向和幅度两个特征，而噪声是随机的。沿任一边缘点走向总能找到另一个边缘点，且这两个边缘点之间的灰度差和方向差相近。而噪声却不同，在一般情况下，沿任一噪声点很难找到与其灰度值和方差相似的噪声点[4]。基于这一思想，可以将噪声点和边缘点区分开来。对于一幅数字图像f(x，y)，利用上述的8个方向模板Sobel算子对图像中的每个像素计算，取得其中的最大值作为该点的新值，而该最大值对应的模板所表示的方向为该像素点的方向。若｜f(x，y)－f(x+i，y+j)｜＞TH2，对于任意i=0，1，-1；j=0，1，-1均成立，则可判断点(x，y)为噪声点。图2给出了图像边缘检测系统改进算法的软件流程图。

图1 边缘检测8个方向模板

图2 系统结构图

3 基于TMS320DM642的图像处理的设计及算法优化

31 TMS320DM642功能模块及图像处理系统的硬件结构

DSP以高速数字信号处理为目标进行芯片设计，采用改进的哈佛结构(程序总线和数据总线分开)、内部具有硬件乘法器、应用流水线技术、具有良好的并行性和专门用于数字信号处理的指令及超长指令字结构(VLIW)等特点；能完成运算量大的实时数字图像处理工作。

TMS320DM642是TI公式最近推出的功能比较强大的TMS320C6x系列之一，是目前定点DSP领域里性能较高的一款[6]。其主频是600MHz，8个并行运算单元、专用硬件逻辑、片内存储器和片内外设电路等硬件，处理能力可达4800MIPS。DM642基于C64x内核，并在其基础上增加了很多外围设备和接口，因而在实际工程中的应用更为广泛和简便。本系统使用50 MHz晶体震荡器作为DSP的外部时钟输入，经过内部锁相环12倍频后产生600 MHz的工作频率。DM642采用了2级缓存结构(L1和L2)，大幅度提高了程序的运行性能。片内64位的EMIF(External Memory Interface)接口可以与SDRAM、Flash等存储器件无缝连接，极大地方便了大量数据的搬移。更重要的是，作为一款专用视频处理芯片，DM642包括了3个专用的视频端口(VP0～VP2)，用于接收和处理视频，提高了整个系统的性能。此外，DM642自带的EMAC口以及从EMIF 口扩展出来的ATA口，还为处理完成后产生的海量数据提供了存储通道。

本系统是采用瑞泰公司开发的基于TI TMS320DM642 DSP芯片的评估开发板——ICETEK DM642 PCI。在ICETEK DM642 PCI评估板中将硬件平台分为五个部分，分别是视频采集、数据存储、图像处理、结果显示和电源管理。视频采集部分采用模拟PAL制摄像头，配合高精度视频A/D转换器得到数字图像。基于DSP的视频采集要求对视频信号具备采集，实时显示、对图像的处理和分析能力。视频A/D采样电路—SAA7115与视频端口0或1相连，实现视频的实时采集功能。视频D/A电路—SAA7105与视频口2相连，视频输出信号支持RGB、HD合成视频、PAL/NTSC复合视频和S端子视频信号。通过I2C总线对SAA7105的内部寄存器编程实现不同输出。

整个系统过程由三个部分组成：图像采集—边缘处理—输出显示，如图2所示。摄像头采集的视频信号经视频编码器SAA7115数字化，DM642通过I2C总线对SAA7115进行参数配置。在SAA7115内部进行一系列的处理和变换后形成的数字视频数据流，输入到核心处理单元DM642。经过DSP处理后的数字视频再经过SAA7105视频编码器进行D/A转换后在显示器上显示最终处理结果。

32 图像处理的软件设计和算法优化的实现

由于在改进Sobel边缘检测算子性能的同时，也相对增加了计算量，尤其是方向模板的增加，每个像素点均由原来的2次卷积运算增加为8次卷积运算，其实时性大大减弱。为了改进上述的不足，在深入研究处理系统和算法后，针对TMS320DM642的硬件结构特点，研究适合在TMS320DM642中高效运行的Sobel改进算法，满足实时处理的要求。整个程序的编写和调试按照C6000软件开发流程进行，流程分为：产生C代码、优化C代码和编写线性汇编程序3个阶段。使用的工具是TI的集成开发环境CCS。在CCS下，可对软件进行编辑、编译、调试、代码性能测试等工作。在使用C6000编译器开发和优化C代码时[7-8]，对C代码中低效率和需要反复调用的函数需用线性汇编重新编写，再用汇编优化器优化。整个系统的控制以及数字图像处理是用C程序实现，大部分软件设计采用C程序实现，这无疑提高了程序的可读性和可移植性，而汇编程序主要是实现DM642的各部分初始化。其边缘检测优化算法在DM642中的实现步骤具体如下：

S1：根据DM642的硬件结构要求和控制寄存器设置，初始化系统并编写实现边缘检测算法的C程序。

S2：借助CCS开发环境的优化工具如Profiler等产生OUT文件。

S3：根据产生的附件文件如MAP文件，分析优化结果及源程序结构，进一步改进源程序和优化方法。

S4：使用CCS中调试、链接、运行等工具，再生成OUT可执行文件。

S5：运行程序，如果满足要求则停止；否则重复步骤S2～S4直至满足使用要求。

4 实验结果

本文以Lena图像为例根据上述的硬件环境和算法实现的原理和方法，图4～图6分别给出了在该系统下采集的视频Lena图像及使用边缘检测算子和改进后处理的结果。由实验结果可以看出，在该系统下能实时完成视频图像的处理，并且给出的边缘检测算子能较好的消除噪声的影响，边缘轮廓清晰。该算法不仅能抑制图像中大部分噪声和虚假边缘，还保证了较高的边缘点位精度。

图4 Lena原始图像 图5 传统Sobel算子 图6 改进Sobel算子

5 总结

本文实现了在TMS320DM642评估板上用改进的Sobel算子对实时图像进行边缘检测，无延迟地得到边缘图像。边缘检测效果较好，既提高了图像检测的精度又满足了实时性的要求。从检测结果看，利用该改进后的算子在边缘精确定位、边缘提取都达到了很好的效果，且抗噪声能力强，并为目标跟踪、无接触式检测、自动驾驶、视频监控等领域的应用提供了坚实的基础。

参考文献

[1] 王磊等 基于Sobel理论的边缘提取改善方法[J]．中国图像图形学报，200510

[2] 陈宏席 基于保持平滑滤波的Sobel算子边缘检测兰州交通大学学报，2006，25(1)：86—90

[3] 熊伟 基于TMS320DM642的多路视频采集处理板卡硬件设计与实现[ M] 国外电子元器件，2006

[4] 朱立一种具有抗噪声干扰的图像边缘提取算法的研究[J]．电子技术应用2004，25(1)

[5] 刘松涛，周晓东基于TMS320C6201的实时图像处理系统[J]计算机工程，2005(7)：17—23

[6] TI TMS320DM642 video/imaging fixed-point digital signal processor data manual，2003

[7] TMS320C6x Optimizing C Compiler User’s Guide’ TEXAS INSTRUMENTS”，2002

[8] TMS320C32x Optimizing C/C++ Compiler User's Guide，Texas Instruments Incorporated，2001

边沿检测：也就是上升沿，或者下降沿。就是开关量的信号在打开或者关闭的一瞬间。一般用于边沿触发的。

脉冲输出：就是以一定频率向外部发送脉冲信号，通俗的来说，就是在规定的时间通断N次，比如说1ms通断100次，一般用在控制伺服，步进和变频器，

RLO-边沿检测：当逻辑 *** 作结果变化时，产生RLO边沿。检测正边沿FP——RLO从“0”变化到“1”，“FP”检查指令产生一个“扫描周期”的信号“1”；检测负边沿FN，则RLO从“1”变化到“0”，“FN”检查指令产生一个“扫描周期”的信号“1”。上述两个结果保存在“FP（FN）”位存储器中或数据位中，如M10„„，同时，可以输出在其他线圈。

信号-边沿检测：同上面的RLO指令类似，当信号变化时，产生信号边沿，也有正/负边沿之分：POS/NEG。综上所述，这两着之间的主要区别在于一个是检测逻辑 *** 作结果，一个是 *** 作信号变化结果。

以上就是关于labview 边缘检测 详细教程全部的内容，包括:labview 边缘检测 详细教程、超表面启用量子边缘检测、图像边缘检测 verilog怎么实现等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！