CN101465001B - 一种基于Bayer RGB的图像边缘检测方法 - Google Patents

Abstract

本发明提供了一种基于Bayer RGB的图像边缘检测方法，包括：提供BayerRGB图像；以目标像素点为中心，生成3x3邻域的Bayer RGB像素点矩阵，分别对该矩阵中各像素点，应用检测算子进行梯度运算，得到各像素点的梯度幅值以及梯度角度。然后采用双阈值判定和相邻像素点梯度比较，判定是否为边缘点。本发明免除了像素点的灰度计算，适用于对CMOS图像传感器所得的原始图像直接进行边缘检测。具有信噪比良好，边缘定位准确，能够良好的抑制虚假边缘的特点。

Description

一种基于Bayer RGB的图像边缘检测方法

技术邻域

本申请属于图像处理领域，涉及一种边缘检测方法，尤其涉及适用于CMOS图像传感器的一种基于Bayer RGB的图像边缘检测方法。

背景技术

图像阈值分割是一种广泛使用的图像处理技术，通常可用于图像的边缘检测、分割。而现有的阈值分割处理普遍基于灰度值计算，这种方法首先确定一个处于图像灰度取值范围中的灰度值的变化梯度阈值，然后将图像中各个像素点的灰度值变化梯度都与这个阈值相比较，并根据比较结果将对应的像素点分为大于阈值或者小于阈值的两类，进一步区分像素点是否为边缘点。

在经典的阈值图像法中，通常都是取一个阈值，常用的边缘检测算子包括Roberts算子、Prewitt算子、Sobel算子、Laplace算子等，利用各个像素点及其相邻点的灰度值，计算相应的灰度值变化梯度，当梯度幅值大于阈值时，则认为该点为边缘点。这种算子比较简单，也易于实现，对于直方图分布为两个尖峰的情况，其分割的效果很好，边缘点也易于判断，但对于复杂的图像就难以取得理想的效果，并且对噪声也过于敏感。因此为适应复杂图像的需要，又演变出了多阈值图像法。比如一种基于Canny算子的边缘检测方法，采用双阈值以及非极大值抑制来识别边缘。这种算子能较好的检测到实际边缘，并能抑制虚假的边缘响应，也同样基于像素点的灰度值计算。

现有的边缘检测方法，针对的对象是实际可见的彩色图像，每个像素点已经包含了RGB三种颜色信息(即红、绿、蓝三色)，先把该像素点的RGB值化为灰度值，公式为Y＝0.299*R+0.587*G+0.144*B，然后进行灰度值的梯度计算，进一步进行边缘检测，然而对于CMOS图像传感器，其所得的原始图像每一个像素点只包含一种颜色信息(红、绿或者蓝)，如要应用前述基于灰度值的边缘检测方法，需要先将原始图像进行拓展，补充完整各像素点的颜色信息，再计算灰度值，这样将增加运算量以及边缘检测的复杂度，耗费计算资源。

发明内容

本发明所解决的技术问题在于现有基于灰度计算的图像边缘检测方法，难以满足CMOS图像传感器原始图像的边缘检测需要。

为达到上述目的，本发明提供了一种基于Bayer RGB的图像边缘检测方法，包括：

提供Bayer RGB图像；

对目标像素点及其相邻区域内的各像素点利用检测算子进行梯度运算，得到各像素点的梯度幅值以及梯度角度；

根据所述梯度幅值以及梯度角度确定目标像素点是否为边缘点。

所述Bayer RGB图像为CMOS图像传感器得到的原始图像。

作为优选方案，所述目标像素点相邻区域的选取范围为3x3邻域。

作为优选方案，所述应用检测算子进行梯度运算，具体为对相同颜色的像素点进行梯度运算，运算区域为像素点的5x3邻域，公式如下：

$D_x=\left[\begin{array}{ccccc}0& -1& 0& 1& 0\\ 0& -2& 0& 2& 0\\ 0& -1& 0& 1& 0\end{array}\right]\×\frac{1}{4};$ $D_y=\left[\begin{array}{ccccc}0& 1& 2& 1& 0\\ 0& 0& 0& 0& 0\\ 0& -1& -2& -1& 0\end{array}\right]\×\frac{1}{4};$

所述梯度幅值D＝|D_x|+|D_y|+|D_45°|+|D_135°|；

所述梯度角度 $\mathrm{\θ}=\arctan \left(\frac{D_y}{D_x}\right).$

根据梯度角度确定目标像素点的梯度方向，若目标像素点的梯度幅值小于其在梯度方向上相邻点的梯度幅值，则目标像素点为非边缘点。

所述确定目标像素点的梯度方向，具体步骤又包括：

以目标像素点为中心将其所在平面划分为等角的八个扇区；

关于中心对称的两个扇区划分为一个梯度方向；

根据目标像素点梯度角度所在的扇区位置确定其梯度方向。

在对目标像素点边缘检测前，先确定梯度幅值的高阈值和低阈值，然后作如下判断：

若目标像素点的梯度幅值大于高阈值，则确定目标像素点为边缘点；

若目标像素点的梯度幅值小于低阈值，则确定目标像素点为非边缘点；

若目标像素点的梯度幅值介于高阈值与低阈值之间时，当目标像素点周围存在边缘点，则确定目标像素点为边缘点；当目标像素点周围不存在边缘点，则确定目标像素点为非边缘点。

作为优选方案，如果确定目标像素点为非边缘点，则将其梯度幅值设为0。

本发明提供的图像边缘检测方法，基于Bayer RGB图像，免除了像素点的灰度计算，无需将像素点补充完整的RGB信息，适用于对CMOS图像传感器所得的原始图像直接进行边缘检测。具有信噪比良好，边缘定位准确，能够良好的抑制虚假边缘的特点。

附图说明

图1为本发明所述的一个7x5邻域Bayer RGB像素矩阵；

图2为本发明所述的图像边缘检测方法的流程示意图；

图3为本发明所述梯度角度的扇区图；

图4为本发明所述梯度方向示意图。

具体实施方式

众所周知，图像边缘检测都通过对目标像素点的梯度信息计算得到，类比于函数中的极值运算。作为边缘的像素点，其亮度的梯度变化必然较非边缘像素点更大。而设定高、低阈值，一方面可以直接选出较为明显的边缘点，另一方面，便于较为模糊的边缘点进行判定而避免边缘丢失。对于普通的彩色图像，亮度可以直接用灰度值来表征，但通常CMOS图像传感器所得到的原始图像为Bayer RGB模式，单个像素点只包含一种颜色的像素值，如果应用灰度值表征像素点的亮度，需要先补充完整各像素点的颜色信息，再计算灰度值，这样将增加运算量以及边缘检测的复杂度，耗费计算资源。本发明采用了基于同色梯度比较的边缘检测方法，可直接针对像素点的像素值进行梯度计算。

本发明的实施方法流程图如图2所示，包括：

S1.提供一幅待检测的Bayer RGB图像；

S2.确定进行边缘检测的目标像素点，以目标像素点为中心，选取3x 3邻域的Bayer RGB像素点矩阵。

S3.对该矩阵中的所有像素点，利用检测算子进行梯度运算，得到各像素点的梯度幅值以及梯度角度。

所述应用检测算子进行梯度运算，具体为对相同颜色的像素点进行梯度运算，运算区域为像素点的5x3邻域。

S4.根据目标像素点的梯度角度确定目标像素点的梯度方向，具体步骤又包括：

以目标像素点为中心将其所在平面划分为等角的八个扇区；

关于中心对称的两个扇区划分为一个梯度方向；

根据目标像素点梯度角度所在的扇区位置确定其梯度方向。

S5.若目标像素点的梯度幅值小于其梯度方向上两个相邻点的梯度幅值，则判定该像素点为非边缘点。

S6.若目标像素点的梯度幅值大于梯度幅值的高阈值，则判定该像素点为边缘点。

S7.若目标像素点的梯度幅值小于梯度幅值的低阈值，则判定该像素点为非边缘点。

S8.若目标像素点的梯度幅值介于梯度幅值的高阈值与低阈值之间，则判断，该像素点3x3邻域内，周围8个点是否存在边缘点，如果有，则判定目标像素点为边缘点；如果没有，则判定为非边缘点。

S9.若确定目标像素点为非边缘点，则将其梯度幅值设为0。

上述方法中，在对目标像素点边缘检测前，可先根据所需的边缘图像，确定梯度幅值的高阈值和低阈值。

通过上述方法，可以确定单个像素点的边缘信息，采用相同的方式检测图像其他像素点的边缘信息。

为了进一步阐述本发明的实质及其优点，下面结合一个具体实施例进行说明。

再如图1所示的Bayer RGB像素矩阵中，中心点为M(i，j)，现对中心点M(i，j)作边缘检测。根据本发明的实施方案，在作边缘检测时，需要利用检测算子进行计算的像素点区域为中心点M(i，j)的3x3邻域。也就是说像素点M(x，y)(x＝i-1，i，i+1；y＝j-1，j，j+1)均要利用检测算子做卷积计算。

而本发明所采用的检测算子的运算区域为像素点的5x3邻域，也就是说需要用到颜色信息的像素点一共为7x5个。

本发明所述的检测算子的计算公式如下：

$D_x=\left[\begin{array}{ccccc}0& -1& 0& 1& 0\\ 0& -2& 0& 2& 0\\ 0& -1& 0& 1& 0\end{array}\right]\×\frac{1}{4};$ $D_y=\left[\begin{array}{ccccc}0& 1& 2& 1& 0\\ 0& 0& 0& 0& 0\\ 0& -1& -2& -1& 0\end{array}\right]\×\frac{1}{4};$

所述梯度幅值D＝|D_x|+|D_y|+|D_45°|+|D_135°|；

所述梯度角度 $\mathrm{\θ}=\arctan \left(\frac{D_y}{D_x}\right).$

针对像素点M(x，y)(x＝i-1，i，i+1；y＝j-1，j，j+1)，将位于其运算区域内的各像素点的像素值代入上述公式中，获得其梯度幅值和梯度角度。

以中心点M(i，j)为例，将得到如下数据：

$D_x(i,j)=(f(i+1,j-1)-f(i-1,.j-1)+2*(f(i+1,j)-f(i-1,j))+f(i+1,j+1)-f(i-1,j+1))\×\frac{1}{4};$

$D_y(i,j)=(f(i-1,j-1)-f(i-1,j+1)+2*(f(i,j-1)-f(i,j+1))+f(i+1,j-1)-f(i+1,j+1))\×\frac{1}{4};$

D(i，j)＝|D_x(i，j)|+|D_y(i，j)|+|D_45°(i，j)|+|D_135°(i，j)|；

$\mathrm{\θ}(i,j)=\arctan \left(\frac{D_y(i,j)}{D_x(i,j)}\right).$

同理，对另外8个像素点利用检测算子进行梯度计算。

如图3所示，为本发明所述梯度角度的扇区图。以目标像素点为中心，将平面分成等角的八个扇区，关于中心对称的扇区又可以划分为一个梯度方向，如图4所示。

当

梯度角度在0°和180°这两个扇区内，梯度方向dir(x，y)＝0；

当

D_x×D_y＞0，梯度角度在45°和225°两个扇区内，梯度方向dir(x，y)＝1；

当

梯度角度在90°和270°两个扇区内，梯度方向dir(x，y)＝2；

当

D_x×D_y＜0，梯度角度在135°和315°两个扇区内，梯度方向dir(x，y)＝3。

因为从公式可知，梯度幅值D是四项绝对值相加所得，故如果梯度为0时，中心点M(i，j)一定为非边缘点。

根据 $\mathrm{\θ}(i,j)=\arctan \left(\frac{D_y(i,j)}{D_x(i,j)}\right),$ 可以推得中心点M(i，j)的梯度角度以及梯度方向，则如图4所示的梯度方向图，中心点M(i，j)在梯度方向上有两个相邻点，设为M(s，t)和M(m，n)。M(s，t)和M(m，n)关于中心点对称，且均包含于M(x，y)(x＝i-1，i，i+1；y＝j-1，j，j+1)。

先判断中心点的梯度幅值D(i，j)是否满足D(i，j)＜min(D(s，t)，D(m，n))，如果是则判定中心点M(i，j)为非边缘点。

然后判断D(i，j)是否大于梯度的高阈值，如果是则判定中心点M(i，j)为边缘点。

再判断D(i，j)是否小于梯度的低阈值，如果是则判定中心点M(i，j)为非边缘点。

最后一种情况D(i，j)介于梯度的高阈值和低阈值之间，此时先判断周围的M(x，y)(x＝i-1，i，i+1；y＝j-1，j，j+1)八个点中，是否有边缘点，如果中心点M(i，j)周围有边缘点，则判定中心点M(i，j)也为边缘点，如果周围均为非边缘点，则判定中心点M(i，j)也为非边缘点。

经过上述判定规则，如果M(i，j)为非边缘点，则将其梯度幅值设为0，这是为了在进行与M(i，j)相关联的其他像素点边缘检测时，便于检测算子计算，节省计算资源。

至此，中心点M(i，j)的边缘信息已被确定，图像的其他点的边缘检测可依次类推，最终得到准确的边缘图像。

本发明虽然以较佳实施例公开如上，但其并不是用来限定权利要求，任何本邻域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本发明的保护范围应当以本发明权利要求所界定的范围为准。

Claims (9)

1.一种基于Bayer RGB的图像边缘检测方法，其特征在于，包括：

提供Bayer RGB图像；

对目标像素点及其相邻区域内的各像素点利用检测算子进行梯度运算，得到各像素点的梯度幅值以及梯度角度；

根据所述梯度幅值以及梯度角度确定目标像素点是否为边缘点；

所述利用检测算子进行梯度运算，具体为对相同颜色的像素点进行梯度运算；

所述根据所述梯度幅值以及梯度角度确定目标像素点是否为边缘点，具体为：根据所述梯度角度确定目标像素点的梯度方向，若目标像素点的梯度幅值小于其在梯度方向上相邻点的梯度幅值，则目标像素点为非边缘点。

2.如权利要求1所述的图像边缘检测方法，其特征在于，所述BayerRGB图像为CMOS图像传感器得到的原始图像。

3.如权利要求1所述的图像边缘检测方法，其特征在于，所述目标像素点相邻区域的选取范围为3x3邻域。

4.如权利要求1所述的图像边缘检测方法，其特征在于，所述确定目标像素点的梯度方向，具体步骤包括：

以目标像素点为中心将其所在平面划分为等角的八个扇区；

关于中心对称的两个扇区划分为一个梯度方向；

根据目标像素点梯度角度所在的扇区位置确定其梯度方向。

5.如权利要求1所述的图像边缘检测方法，其特征在于，在对目标像素点边缘检测前，先确定梯度幅值的高阈值和低阈值。

6.如权利要求5所述的图像边缘检测方法，其特征在于，若目标像素点的梯度幅值大于高阈值，则确定目标像素点为边缘点。

7.如权利要求5所述的图像边缘检测方法，其特征在于，若目标像素点的梯度幅值小于低阈值，则确定目标像素点为非边缘点。

8.如权利要求5所述的图像边缘检测方法，其特征在于，若目标像素点的梯度幅值介于高阈值与低阈值之间时，当目标像素点周围存在边缘点，则确定目标像素点为边缘点；当目标像素点周围不存在边缘点，则确定目标像素点为非边缘点。

9.如权利要求1所述的图像边缘检测方法，其特征在于，若确定目标像素点为非边缘点，则将其梯度幅值设为0。

Images