專(zhuān)利名稱(chēng)：一種基于分?jǐn)?shù)階次信號(hào)處理的邊緣檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，涉及一種邊緣檢測(cè)方法，特別涉及一種基于分?jǐn)?shù)階次 信號(hào)處理的圖像邊緣檢測(cè)方法。
背景技術(shù)：
圖像閾值分割是一種廣泛使用的圖像處理技術(shù)，通?？捎糜趫D像的邊緣檢測(cè)、分 害ι]。而現(xiàn)在的閾值分割處理普遍基于灰度值計(jì)算，這種方法首先確定一個(gè)處于圖像灰度取 值范圍中的灰度值的變化梯度閾值，然后將圖像中各個(gè)像素點(diǎn)的灰度值變化梯度都與這個(gè) 閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素點(diǎn)分為大于閾值或者小于閾值的兩類(lèi)，進(jìn)一步 區(qū)分像素點(diǎn)是否為邊緣點(diǎn)。在經(jīng)典的閾值圖像法中，通常都是取一個(gè)閾值。常用的邊緣檢測(cè)算子包括Roberts 算子、Prewitt算子、Sobel算子、Laplace算子等，利用各個(gè)像素點(diǎn)及相鄰點(diǎn)的灰度值，計(jì) 算相應(yīng)的灰度值變化梯度，當(dāng)梯度幅值大于閾值時(shí)，則認(rèn)為該點(diǎn)為邊緣點(diǎn)。對(duì)于直方圖分布 為兩個(gè)尖峰的情況，其分割的效果很好，邊緣點(diǎn)也易于判斷，但對(duì)于復(fù)雜的圖像就難以取得 理想的效果，并且對(duì)噪聲也過(guò)于敏感。因此為適應(yīng)復(fù)雜圖像的需要，又演變出了多閾值圖像 法。比如一種基于Carmy算子的邊緣檢測(cè)方法，采用雙閾值以及非極大值抑制來(lái)識(shí)別邊緣。 這種算子同樣基于像素點(diǎn)的灰度值計(jì)算，能較好的檢測(cè)到實(shí)際邊緣，并能抑制虛假的邊緣 響應(yīng)?，F(xiàn)有的邊緣檢測(cè)方法，針對(duì)的對(duì)象多是實(shí)際可見(jiàn)的彩色圖像。每個(gè)像素點(diǎn)已經(jīng)包 含了 RGB三種顏色信息(即紅、綠、藍(lán)三色)，先把該像素點(diǎn)的RGB值化為灰度值，公式為Y =0. 299*R+0. 587*G+0. 144祁，然后進(jìn)行灰度值的梯度計(jì)算，進(jìn)一步進(jìn)行邊緣檢測(cè)。我們知 道邊緣與噪聲均為高頻信號(hào)，梯度計(jì)算即求導(dǎo)過(guò)程必將放大噪聲的干擾，從而影響邊緣檢 測(cè)的準(zhǔn)確性。Carmy算法為了減小求導(dǎo)過(guò)程帶來(lái)的影響，對(duì)圖像進(jìn)行高斯濾波平滑預(yù)處理。 但由于噪聲與邊緣同為高頻信號(hào)，消除噪聲的同時(shí)會(huì)影響檢測(cè)精度。

發(fā)明內(nèi)容
本發(fā)明所解決的技術(shù)問(wèn)題在于獲得一種比現(xiàn)有基于灰度計(jì)算的圖像邊緣檢測(cè)方 法更理想的邊緣檢測(cè)算法。一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，包括以下步驟步驟1 讀取圖像，生成灰度矩陣。步驟2 對(duì)目標(biāo)像素點(diǎn)利用基于分?jǐn)?shù)階次信號(hào)處理的求導(dǎo)算子進(jìn)行梯度運(yùn)算，得 到各像素點(diǎn)的梯度幅值，具體方法如下利用正向分?jǐn)?shù)階次微分和反向分?jǐn)?shù)階次積分的組合來(lái)實(shí)現(xiàn)求導(dǎo)，進(jìn)而實(shí)現(xiàn)邊緣檢 測(cè)。將圖像沿兩個(gè)坐標(biāo)軸上的空間分布看成是時(shí)間分布，圖像處理就可以直接使用Laplace 傳遞函數(shù)的概念。則圖像中的傳統(tǒng)一階導(dǎo)數(shù)運(yùn)算可以用Laplace變換表示為S。我們的求 導(dǎo)過(guò)程分為兩步第一步反向通過(guò)("Γ0濾波，其中負(fù)號(hào)表示這是一個(gè)積分過(guò)程，？代表s的共軛復(fù)數(shù)，即先把數(shù)據(jù)先后次序反轉(zhuǎn)，積分之后再把結(jié)果次序反轉(zhuǎn)過(guò)來(lái)，第二步通過(guò)分 數(shù)階次微分Sa濾波，其中0<0<1且0<3<(1<1，(1+3=1。我們提出的導(dǎo)數(shù) 的幅頻增益為>0，ω為頻率)；由于α+β = 1，故該復(fù)合導(dǎo)數(shù)的相位特性 為恒前移90度，即實(shí)現(xiàn)了傳統(tǒng)意義上的一階導(dǎo)數(shù)的相移。由于幅頻增益最終影響的是對(duì)噪 聲的敏感度，我們可以通過(guò)調(diào)節(jié)α-β的值來(lái)調(diào)節(jié)最終的幅頻增益，進(jìn)而調(diào)節(jié)對(duì)噪聲的抵 抗性以及邊緣檢測(cè)的敏感度。因此我們的方法具有魯棒性。其中分?jǐn)?shù)階次微分采用模板卷積來(lái)實(shí)現(xiàn)，X方向模板如下 其中
η = α。我們?cè)O(shè)定的模板長(zhǎng)度為2m+l，模板越長(zhǎng)計(jì)算復(fù)雜度越高。Y 方向模板 Ymask = Xmask'。分?jǐn)?shù)階次積分采用濾波來(lái)實(shí)現(xiàn)，X方向的濾波器沖擊響應(yīng)如下 其中
表示微分階次，這里!! = -^。各個(gè)緣像素點(diǎn)在被濾波函數(shù)作用以后，能獲得足夠準(zhǔn)確的邊緣定位所需要的濾波 器的最小寬度，設(shè)置為濾波器的理想寬度。步驟3 對(duì)梯度圖像進(jìn)行非極大值抑制。為了精確定位邊緣，必須細(xì)化梯度幅值 圖像中的屋脊帶，只保留幅值局部變化最大的點(diǎn)，這一過(guò)程就是非極大值抑制，即若目標(biāo)像 素點(diǎn)的梯度幅值不小于梯度方向上兩個(gè)相鄰像素點(diǎn)的梯度幅值，則判斷該點(diǎn)為可能的邊緣
點(diǎn)ο步驟4 利用雙閾值方法檢測(cè)和連接邊緣。在對(duì)目標(biāo)像素點(diǎn)檢測(cè)邊緣前，先確定梯 度幅值的高閾值和低閾值，若目標(biāo)像素點(diǎn)的梯度幅值大于高閾值，則確定目標(biāo)像素點(diǎn)為邊 緣點(diǎn)，若目標(biāo)像素點(diǎn)的梯度幅值小于低閾值，則確定目標(biāo)像素點(diǎn)為非邊緣點(diǎn)，若目標(biāo)像素點(diǎn) 的梯度幅值介于高閾值和低閾值之間時(shí)，當(dāng)目標(biāo)像素點(diǎn)周?chē)嬖谶吘夵c(diǎn)，則確定目標(biāo)像素 點(diǎn)為邊緣點(diǎn)；當(dāng)目標(biāo)像素點(diǎn)周?chē)淮嬖谶吘夵c(diǎn)，則確定目標(biāo)像素點(diǎn)為非邊緣點(diǎn)。本發(fā)明一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法的優(yōu)點(diǎn)在于(1)我們?cè)谔荻扔?jì)算之前不對(duì)圖像進(jìn)行噪聲平滑預(yù)處理，也就不會(huì)對(duì)邊緣點(diǎn)產(chǎn)生 任何影響。(2)在求導(dǎo)過(guò)程中，我們可以通過(guò)調(diào)節(jié)α-β的值來(lái)調(diào)節(jié)最終的幅頻增益，進(jìn)而調(diào) 節(jié)對(duì)噪聲的抵抗性和邊緣檢測(cè)的敏感度。(3)另外求導(dǎo)過(guò)程中存在一個(gè)反向積分過(guò)程，可以起到低通濾波的作用，可以有效 濾除虛假邊緣。根據(jù)仿真結(jié)果顯示我們的算法具有信噪比良好、邊緣定位準(zhǔn)確、能夠良好抑制虛 假邊緣的特點(diǎn)，并與Carmy算法進(jìn)行了對(duì)比。


圖1為本發(fā)明所述的圖像邊緣檢測(cè)方法的流程示意圖；圖2為目標(biāo)圖片的灰度圖像；圖3為對(duì)該圖采用Carmy算子的邊緣檢測(cè)結(jié)果；圖4為對(duì)該圖采用我們基于分?jǐn)?shù)階次信號(hào)處理算子的邊緣檢測(cè)結(jié)果； 圖5為在隨機(jī)噪聲情況下對(duì)該圖采用Carmy算子的邊緣檢測(cè)結(jié)果；
圖6為在相同噪聲情況下對(duì)該圖采用我們基于分?jǐn)?shù)階次信號(hào)處理算子的邊緣檢測(cè)結(jié)果。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。本發(fā)明提出一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法。眾所周知，圖像邊 緣檢測(cè)一般通過(guò)對(duì)目標(biāo)像素點(diǎn)的梯度信息計(jì)算得到，類(lèi)比于函數(shù)中的極值運(yùn)算。而極值運(yùn) 算往往帶來(lái)了不需要的噪聲干擾，于是Carmy方法采用高斯平滑預(yù)處理，來(lái)盡量消除噪聲 影響，然而這樣又會(huì)對(duì)邊緣檢測(cè)的精度產(chǎn)生影響。如何在抵抗噪聲和檢測(cè)精度之間進(jìn)行折 中一直是個(gè)難點(diǎn)。為了解決這個(gè)問(wèn)題，我們提出了基于分?jǐn)?shù)階次信號(hào)處理的邊緣檢測(cè)算法。 我們?cè)谔荻扔?jì)算之前不對(duì)圖像進(jìn)行噪聲平滑預(yù)處理，也就不會(huì)對(duì)邊緣點(diǎn)產(chǎn)生任何影響從而 造成邊緣信息的損失。在求導(dǎo)過(guò)程中，我們可以通過(guò)調(diào)節(jié)α-β的值來(lái)調(diào)節(jié)最終的幅頻增 益，進(jìn)而調(diào)節(jié)對(duì)噪聲的抵抗性和邊緣檢測(cè)的敏感度，另外求導(dǎo)過(guò)程中存在一個(gè)反向積分過(guò) 程，可以起到低通濾波的作用，可以有效濾除虛假邊緣。為了精確定位邊緣，必須細(xì)化梯度 幅值圖像中的屋脊帶，只保留幅值局部變化最大的點(diǎn)，這一過(guò)程就是非極大值抑制。作為邊 緣的像素點(diǎn)，其亮度的梯度變化必然較非邊緣像素點(diǎn)更大。而設(shè)定高、低閾值，一方面可以 直接選出較為明顯的邊緣點(diǎn)，另一方面，便于對(duì)較為模糊的邊緣點(diǎn)進(jìn)行判定而避免邊緣丟 失。本發(fā)明的實(shí)施方法流程圖如圖1所示，包括 提供一幅待檢測(cè)的圖像； 若圖像為RGB圖像則將其轉(zhuǎn)換為灰度圖像； 讀取灰度圖像生成目標(biāo)灰度矩陣； 分別對(duì)X、Y方向上各點(diǎn)進(jìn)行β階次反向積分； 積分結(jié)果再進(jìn)行正向α階次微分； 分別對(duì)矩陣中各點(diǎn)進(jìn)行梯度運(yùn)算，得到梯度幅值； 對(duì)梯度圖像進(jìn)行非極大值抑制，若像素點(diǎn)的梯度幅值不小于梯度方向上兩個(gè)相 鄰像素點(diǎn)的梯度幅值，則判斷該點(diǎn)為可能的邊緣點(diǎn)； 若目標(biāo)像素點(diǎn)的梯度幅值大于高閾值，則確定目標(biāo)像素點(diǎn)為邊緣點(diǎn)； 若目標(biāo)像素點(diǎn)的梯度幅值小于低閾值，則確定目標(biāo)像素點(diǎn)為非邊緣點(diǎn)； 若目標(biāo)像素點(diǎn)的梯度幅值介于高閾值和低閾值之間，當(dāng)目標(biāo)像素點(diǎn)周?chē)嬖谶吘夵c(diǎn)，則確定該目標(biāo)像素點(diǎn)為邊緣點(diǎn)；當(dāng)目標(biāo)像素點(diǎn)周?chē)淮嬖谶吘夵c(diǎn)，則確定該目標(biāo)像素 點(diǎn)為非邊緣點(diǎn)。
為了進(jìn)一步闡述本發(fā)明的實(shí)質(zhì)及其優(yōu)點(diǎn)，下面結(jié)合一個(gè)具體實(shí)例進(jìn)行說(shuō)明。圖2為MATLAB自帶的cameraman, tif圖像。我們讀取該圖像生成目標(biāo)灰度矩陣； 首先進(jìn)行反向積分過(guò)程X方向上的反向?yàn)V波器其沖擊響應(yīng)為 其中^e~ltn''dt，η表示微分階次，這里η =-β。將該濾波器的沖擊
響應(yīng)左右翻轉(zhuǎn)，與目標(biāo)矩陣的X方向進(jìn)行卷積運(yùn)算得到X方向的反向積分結(jié)果矩陣；將目標(biāo) 矩陣的Y方向與Y方向上的濾波器(Y方向?yàn)V波器為X方向?yàn)V波器的轉(zhuǎn)置)進(jìn)行卷積運(yùn)算 得到Y(jié)方向的反向積分結(jié)果矩陣(η =-β，負(fù)號(hào)表示這是一個(gè)積分過(guò)程)。將X和Y方向 的反向積分結(jié)果矩陣分別與分?jǐn)?shù)階次微分X方向模板和Y方向模板卷積求取X和Y方向的 偏導(dǎo)。分?jǐn)?shù)階次微分X方向模板為Xmask = [+am. ..+B1 0 -B1. . . +am]其中
我們?cè)O(shè)定的模板長(zhǎng)度為2m+l，模
Kl
板越長(zhǎng)計(jì)算復(fù)雜度越高。Y方向模板Ymask = Xfflask'。在濾波器和模板共同完成X和Y方向 上的復(fù)合求導(dǎo)之后，根據(jù)梯度計(jì)算公式進(jìn)行梯度運(yùn)算，得到各像素點(diǎn)的梯度幅值，進(jìn)而得到 梯度圖像；然后對(duì)梯度圖像進(jìn)行非極大值抑制；最后利用雙閾值方法檢測(cè)和連接邊緣。這 里我們將η設(shè)為100，α設(shè)為0.8，β設(shè)為0. 2，默認(rèn)閾值下的檢測(cè)結(jié)果如圖4。圖3為采用 Canny算子，默認(rèn)閾值下的檢測(cè)結(jié)果。我們可以看到我們的算法具有信噪比良好，邊緣定位準(zhǔn)確，能夠良好抑制虛假邊 緣的特點(diǎn)。與Carmy算法相比，由于不具有平滑濾波預(yù)處理，邊緣定位更加準(zhǔn)確、細(xì)致，如圖 中人物上衣邊緣間的間斷明顯小于Carmy算法結(jié)果，線(xiàn)條清晰準(zhǔn)確，轉(zhuǎn)角更加分明，檢測(cè)效 果優(yōu)異。我們加入白噪聲信號(hào)，在默認(rèn)閾值下Carmy算法的檢測(cè)結(jié)果如圖5。在我們的算法 中，η設(shè)為100，α設(shè)為0.6，β設(shè)為0. 4。我們算法的檢測(cè)結(jié)果如圖6，可以看到我們算法 對(duì)噪聲的抵抗性明顯好于Carmy算子。本方法可以根據(jù)不同的需要來(lái)選擇不同大小的閾值(0 <閾值< 1)，根據(jù)閾值設(shè) 置的不同可以得到不同的效果。如果圖像的細(xì)節(jié)較多，可以將閾值設(shè)置得較??；如果圖像的 噪聲影響很大，可以將閾值設(shè)置得較大。
權(quán)利要求
一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在于，本方法包括以下步驟步驟一讀取圖像，將彩色圖像轉(zhuǎn)換為灰度圖像；步驟二對(duì)目標(biāo)像素點(diǎn)利用檢測(cè)算子進(jìn)行梯度運(yùn)算，得到各像素點(diǎn)的梯度幅值；步驟三對(duì)梯度圖像進(jìn)行非極大值抑制；步驟四利用雙閾值方法檢測(cè)和連接邊緣。
2.如權(quán)利要求1所述的一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在 于所述步驟二檢測(cè)算子是一種基于分?jǐn)?shù)階次信號(hào)處理的算子。
3.如權(quán)利要求2所述的一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在 于利用正向分?jǐn)?shù)階次微分和反向分?jǐn)?shù)階次積分的組合來(lái)實(shí)現(xiàn)求導(dǎo)，進(jìn)而實(shí)現(xiàn)邊緣檢測(cè)。將 圖像沿兩個(gè)坐標(biāo)軸上的空間分布看成是時(shí)間分布，圖像處理就可以直接使用Laplace傳遞 函數(shù)的概念。則圖像中的傳統(tǒng)一階導(dǎo)數(shù)運(yùn)算可以用Laplace變換表示為S。我們的求導(dǎo)過(guò) 程分為兩步第一步反向通過(guò)(s*)_e濾波，其中負(fù)號(hào)表示這是一個(gè)積分過(guò)程，s*代表s的 共軛復(fù)數(shù)，即先把數(shù)據(jù)先后次序反轉(zhuǎn)，積分之后再把結(jié)果次序反轉(zhuǎn)過(guò)來(lái)，第二步通過(guò)分?jǐn)?shù) 階次微分8°濾波，其中0< α < 1且0< β < α < 1，α+β = 1。我們提出的導(dǎo)數(shù)的 幅頻增益為>0，ω為頻率)；由于α+β = 1，故該復(fù)合導(dǎo)數(shù)的相位特性為 恒前移90度，即實(shí)現(xiàn)了傳統(tǒng)意義上的一階導(dǎo)數(shù)的相移。由于幅頻增益最終影響的是對(duì)噪聲 的敏感度，我們可以通過(guò)調(diào)節(jié)α-β的值來(lái)調(diào)節(jié)最終的幅頻增益，進(jìn)而調(diào)節(jié)對(duì)噪聲的抵抗 性以及邊緣檢測(cè)的敏感度。
4.如權(quán)利要求3所述的一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在 于分?jǐn)?shù)階次微分采用模板卷積來(lái)實(shí)現(xiàn)，X方向模板如下Xmask = [+Qm-^a1O-B1-+aj其中=,n(n-l)-(n-k + l) k k\η = α，我們?cè)O(shè)定的模板長(zhǎng)度為2m+l，模板越長(zhǎng)計(jì)算復(fù)雜度越高。Y 方向模板 Ymask = Xmask'。分?jǐn)?shù)階次積分采用濾波來(lái)實(shí)現(xiàn)，X方向的濾波器沖擊響應(yīng)如下 ‘χ-"'1 χ> 0,D"S(x) = Γ(_")0 x<0.其中Γ(η)= [e-'t-'dt，η表示微分階次，這里η =-β。Y方向?yàn)V波器為X方向?yàn)V波器的轉(zhuǎn)置。各個(gè)緣像素點(diǎn)在被濾波函數(shù)作用以后，能獲得足 夠準(zhǔn)確的邊緣定位所需要的濾波器的最小寬度，設(shè)置為濾波器的理想寬度。
5.如權(quán)利要求1所述的一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在 于所述步驟三為了精確定位邊緣，必須細(xì)化梯度幅值圖像中的屋脊帶，只保留幅值局部變 化最大的點(diǎn)，這一過(guò)程就是非極大值抑制。即若目標(biāo)像素點(diǎn)的梯度幅值不小于梯度方向上 兩個(gè)相鄰像素點(diǎn)的梯度幅值，則判斷該點(diǎn)為可能的邊緣點(diǎn)。
6.如權(quán)利要求1所述的一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在 于所述步驟四，在對(duì)目標(biāo)像素點(diǎn)檢測(cè)邊緣前，先確定梯度幅值的高閾值和低閾值。
7.如權(quán)利要求6所述的一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在 于若目標(biāo)像素點(diǎn)的梯度幅值大于高閾值，則確定目標(biāo)像素點(diǎn)為邊緣點(diǎn)。
8.如權(quán)利要求6所述的一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在 于若目標(biāo)像素點(diǎn)的梯度幅值小于低閾值，則確定目標(biāo)像素點(diǎn)為非邊緣點(diǎn)。
9.如權(quán)利要求6所述的一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法，其特征在 于若目標(biāo)像素點(diǎn)的梯度幅值介于高閾值和低閾值之間時(shí)，當(dāng)目標(biāo)像素點(diǎn)周?chē)嬖谶吘夵c(diǎn)， 則確定該目標(biāo)像素點(diǎn)為邊緣點(diǎn)；當(dāng)目標(biāo)像素點(diǎn)周?chē)淮嬖谶吘夵c(diǎn)，則確定該目標(biāo)像素點(diǎn)為 非邊緣點(diǎn)。
全文摘要
邊緣檢測(cè)是模式識(shí)別領(lǐng)域的傳統(tǒng)問(wèn)題。本發(fā)明提出了一種基于分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法。該方法為對(duì)圖像中所有的目標(biāo)像素點(diǎn)利用分?jǐn)?shù)階次信號(hào)處理進(jìn)行梯度運(yùn)算以求取邊緣的新算法，包括從任意圖像生成灰度矩陣，分別對(duì)該矩陣中各像素點(diǎn)應(yīng)用檢測(cè)算子進(jìn)行梯度運(yùn)算，得到各像素點(diǎn)的梯度幅值，然后對(duì)梯度圖像進(jìn)行非極大值抑制，最后采用雙閾值方法判定目標(biāo)像素點(diǎn)是否為邊緣點(diǎn)并連接邊緣。本發(fā)明省去了對(duì)圖像進(jìn)行平滑濾波預(yù)處理的過(guò)程，利用基于分?jǐn)?shù)階次信號(hào)處理的新穎求導(dǎo)算法進(jìn)行梯度運(yùn)算。該算法中的分?jǐn)?shù)積分抑制了求導(dǎo)過(guò)程引入的干擾。整個(gè)方法具有信噪比良好，邊緣定位準(zhǔn)確，能夠良好抑制虛假邊緣的特點(diǎn)。該算法能應(yīng)用于自動(dòng)目標(biāo)識(shí)別等領(lǐng)域。
文檔編號(hào)H04N5/202GK101841642SQ20101015235
公開(kāi)日2010年9月22日 申請(qǐng)日期2010年4月22日 優(yōu)先權(quán)日2010年4月22日
發(fā)明者葉永強(qiáng), 周大可, 姜斌, 楊海波 申請(qǐng)人:南京航空航天大學(xué)