CN102521836A

CN102521836A - 一种基于特定类灰度图像的边缘检测方法

Info

Publication number: CN102521836A
Application number: CN2011104204748A
Authority: CN
Inventors: 顾寄南; 关号兵; 樊帆; 陈四杰; 吴倩; 陈艳; 沈巍; 徐军霞; 丁卫
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2011-12-15
Filing date: 2011-12-15
Publication date: 2012-06-27

Abstract

本发明公开了一种基于特定类灰度图像的边缘检测方法，该方法在传统的canny边缘检测算法的基础上加以改进，有效降低了对高斯噪声及椒盐噪声的敏感度，增强了对不同图像的自适应性，提高了边缘检测精度和准确度。步骤如下：首先采用高斯滤波和中值滤波去除图像中的高斯噪声及椒盐噪声；然后，对滤波后的图像进行图像增强；接着对增强后的图像进行非极大值抑制，并以梯度直方图的形式进行描述和分析；而后对检测和连接边缘的高、低阈值实现自适应设定；最后，通过设定边缘跟踪算法实现边缘点的连接。此方法有效地改善存在高斯噪声及椒盐噪声干扰的情况下边缘的提取，提高对不同图像的自适应性，具有很好的边缘检测精度和准确度。

Description

一种基于特定类灰度图像的边缘检测方法

技术领域

本专利涉及到数字图像处理技术，尤其涉及一种基于特定类灰度图像的边缘检测方法。

背景技术

边缘是图像最基本的特征，边缘检测对图像分析和理解具有重要意义。边缘检测包含以下基本步骤：滤波、增强、检测、定位。传统的边缘检测方法有Roberts算子、Sobel算子、Prewitt算子、Log算子和Canny算子等。随着数学理论和信号处理技术的发展，近年来又产生了基于小波分析的边缘检测方法、基于数学形态学的边缘检测方法、基于分形几何的方法等新的边缘检测算法。其中，基于最优化理论的canny边缘检测算法具有信噪比大和检测精度高的优点，已经得到广泛应用。

虽然，canny算法在实际应用中优于传统的Roberts、Sobel等边缘检测方法，但同时也存在一些问题。实际图像往往受到光照、传输、图片尺寸等影响使得图像边缘信息发生变化。传统的canny算子在实际处理中受各种干扰因素的影响，会产生部分虚假边缘；同时，传统的canny算法需要根据经验对边缘提取过程中的高、低阈值进行设定，不能根据图像的实际内容自动更改参数值，对不同的图像缺乏自适应性，并且很难消除局部强噪声的干扰，在检出伪边缘的同时还会丢失一些灰度值变化缓慢的局部边缘。因此，在具体应用上仍存在一定的局限性。

发明内容

本发明的目的在于针对特定类灰度图像，提出一种新的有效的边缘检测方法，该方法可以有效地去除图像中的高斯噪声及椒盐噪声，并对检测和连接边缘的高、低阈值进行自适应设定，能够提高边缘检测精度和准确度，有效地实现边缘的检测。

本发明的技术方案为：一种基于特定类灰度图像的边缘检测方法，包括以下步骤：

1）图像去噪处理；

2）图像增强；

3）非极大值抑制，形成梯度直方图；

4）对检测和连接边缘的高阈值Th_高和低阈值Th_低自适应设定；

5）通过边缘跟踪算法实现边缘点的连接。

所述步骤1）的具体步骤为：首先采用空间尺度参数自适应调整的高斯滤波方法消除高斯噪声；再通过中值滤波的方法消除椒盐噪声。

所述步骤2）的具体步骤为：先对所述步骤1）处理后的灰度图像分别进行膨胀和腐蚀操作，再将所得到的两幅图像相减，得到边缘信息增强的图像。

所述步骤3）的非极大值抑制的具体步骤为：对每一个像素点，以该点为中心，在八邻域范围内对应梯度方向上与其相邻两个像素点的梯度值作比较：若该点梯度值为最大，则梯度值保留；否则将该点梯度值设为零。

所述步骤4）的具体步骤为：先对所述梯度直方图做差分，得到差分直方图；所述梯度直方图中背景尖峰与第一个目标尖峰之间的平滑区域转化为所述差分直方图中过零点的集合；选取所述集合中最后一个过零点的梯度幅值作为高阈值；然后针对所述梯度直方图中小于所述高阈值的部分采用一次最大类间方差方法求出低阈值。

所述步骤5）的具体步骤为：取梯度值高于Th_高的点，将其设定为绝对边缘点，作为边缘连接的起始点，在所述绝对边缘点的八邻域范围内，判断是否存在其它的绝对边缘点，如果有则作为边缘连接；否则转向判断是否存在梯度值大于Th_低的点，如果有作为边缘连接。

本发明的有益效果是：针对特定类灰度图像，在传统canny边缘检测算法的基础上，提出新的图像边缘检测算法，有效地改善存在高斯噪声及椒盐噪声干扰的情况下边缘的提取。然后，通过形态学处理，增大目标与背景之间的灰度差异，降低弱边缘的漏检。并且提出对检测和连接边缘的高、低阈值的自适应设定方法，提高对不同图像的自适应性，具有很好的边缘检测精度和准确度。

附图说明

图1为本专利边缘检测方法整体流程图；

图2为偏导数算子图；

图3为非极大值抑制直方图示意图。

具体实施方式

下面结合附图对本专利加以详细说明。本发明针对的特定类灰度图像具有以下特点：①灰度图像；②单一背景、多个目标，背景和目标灰度值都均衡，目标假设有三种：一种其灰度值低于背景灰度值，一种与背景灰度值接近，另一种高于背景灰度值；③原始灰度图像中存在噪声，实施例中以高斯噪声和椒盐噪声两种常见噪声为例。

基于此类图像本专利在传统canny边缘检测算法的基础上，提出一种新的边缘检测算法。该算法先采用高斯滤波和中值滤波去除图像中的高斯噪声及椒盐噪声；然后对滤波后的图像进行图像增强，关键是增大灰度值接近背景灰度值的目标与背景之间的差异；而后对增强的图像进行非极大值抑制，并以梯度直方图的形式进行描述和分析；然后，通过对梯度直方图做差分，得出差分直方图。梯度直方图中背景尖峰与第一个目标尖峰之间的平滑区域就转化为差分直方图中过零点的集合。本专利选取此集合中最后一个过零点的梯度幅值作为高阈值，再采用一次最大类间方差方法求出低阈值，即完成对高、低阈值的自适应设定；最后，通过设定边缘跟踪算法实现边缘点的连接。本方法对提高边缘检测精度和准确度，有很大的借鉴意义，可有效地实现对边缘的检测。

本专利的边缘检测方法整体流程参见图1，主要包括以下步骤：

1．去噪处理。先对原图像F（x,y）进行高斯滤波，将滤波器窗口设定为3×3大小。空间尺度参数

的大小由以下三种情况确定：①、窗口处于图像平滑区域时，

，其中

Figure 2011104204748100002DEST_PATH_IMAGE003

为窗口中心像素值；②、窗口中存在孤立噪声点时，

，其中

Figure 2011104204748100002DEST_PATH_IMAGE005

为窗口中孤立噪声点，

为非边缘点；③、窗口中存在边缘点时，

Figure 2011104204748100002DEST_PATH_IMAGE007

，其中为边缘点，为非边缘点。将得到的

值代入高斯平滑函数

，然后，将高斯平滑函数分解为x和y方向上的一维滤波器卷积模板，与原图像做卷积完成高斯滤波。再对图像进行中值滤波，仍将滤波器窗口设置为3×3大小（可根据需要进行调整）。将这个窗口在图像上扫描，把该窗口中所含的像素点按灰度级的升序排列，取位于中间的灰度值来代替窗口中心像素的灰度值，即完成中值滤波。

2．图像增强。设滤波后的图像为I（x,y），先选取一个3×3的子图像模板作为结构元素，模板中每个位置取相同的灰度值；然后，利用这个模板从左到右，从上到下遍历图像I（x,y）中每一个像素，对模板范围内每一个像素加上结构元素中对应像素的灰度值；之后再次利用这个模板遍历图像I（x,y），对模板范围内每一个像素减去结构元素中对应像素的灰度值；最后，将从图像I（x,y）得到的两幅不同的图像对应位置的像素相减，得到边缘信息增强的图像H（x,y）。

3．非极大值抑制。传统canny边缘检测算法定义中心边缘点为梯度幅值在梯度方向上的极大值，因此能够实现单像素边缘响应。本专利将图像中边缘的法线方向近似划分为当前像素W×W邻域窗口的X方向、45°方向、Y方向、135°方向四个方向，当前像素点的梯度方向定位为属于这四个方向之一。每个方向上的一阶偏导数幅值可由下式近似：

Figure 2011104204748100002DEST_PATH_IMAGE011

，当前像素点的梯度幅值由下式求得：

，当前像素点点的梯度方向为：

Figure 2011104204748100002DEST_PATH_IMAGE013

。其中，偏导数算子选取参见图2，其中（a）为X算子，（b）为

算子，（c）为Y算子，（d）为算子。Arg表示max取值所对应的方向。当前像素点的梯度方向确定后，把其梯度幅值M（i,j）与它梯度方向上相邻像素的梯度值比较，若非局部极大值，就把当前像素点的梯度值M（i,j）设为0；否则，梯度值保留。经过非极大值抑制后的图像定义为梯度直方图NMS（i），它在零点附近会存在一个对应背景区域内像素集合的尖峰，在零点右侧会形成一系列边缘像素点集合的尖峰，其示意图参见图3。

4．对检测和连接边缘的高、低阈值实现自适应设定。通过对梯度直方图NMS（i）的分析，高、低阈值应在背景尖峰与第一个边缘尖峰之间的平滑区域内选取。高阈值Th_高的确定方法如下，先对梯度直方图NMS（i）中梯度幅值的相邻两点作差分，得到差分直方图Diff(i)。其表达式为：

。作差分之后，NMS（i）中背景尖峰与第一个边缘尖峰之间的平滑区域就转化为Diff（i）中过零点的集合。本专利取此集合中最后一个过零点的梯度幅值作为高阈值Th_高，大于此阈值的部分属于绝对边缘，小于此阈值的部分属于非绝对边缘。低阈值的选取采用一次最大类间方差的方法，对梯度直方图NMS（i）中小于Th_高的部分，设此部分像素灰度级集合为C={0,1, …,i, …,L}，灰度级为i的像素数设为n_i，此部分的全部像素数为

Figure 2011104204748100002DEST_PATH_IMAGE017

。将其标准化后的像素数为：

，其中，i

C，

，

Figure 2011104204748100002DEST_PATH_IMAGE021

。此部分像素点的全局灰度均值：

。用阈值T将其分为两类：背景类C₁={0,1, …,T}和候选边缘类C₂={T+1,T+2, …,L}。背景类C₁发生的概率为：

Figure 2011104204748100002DEST_PATH_IMAGE023

，候选边缘类C₂发生的概率为：

。属于C₁和C₂的像素的灰度平均值为

Figure 2011104204748100002DEST_PATH_IMAGE025

、

。其中，

，

。令，其中

的取值即为类间方差值，方差值越大，图像中两类C₁和C₂分开的概率就越大。假设T在梯度直方图区间[0，L]内取值为a时，

取得最大值，此时取低阈值Th_低=a。至此，边缘检测的高、低阈值自适应设定完成。

5．对所有可能是边缘的像素点，采用如下的边界跟踪算法：首先取梯度值高于Th_高的点，将其设定为绝对边缘点，作为边缘连接的起始点。在绝对边缘点的八邻域范围内，判断是否存在其它的绝对边缘点，如果有则作为边缘连接。如果八邻域范围内不再有绝对边缘点，则转向判断是否存在梯度值大于Th_低的点，如果有也作为边缘连接。当所有的绝对边缘点都处理完毕后，边缘连接完成，边缘检测过程结束。

Claims

1.一种基于特定类灰度图像的边缘检测方法，其特征在于，包括以下步骤：

1）图像去噪处理；

2）图像增强；

3）非极大值抑制，形成梯度直方图；

5）通过边缘跟踪算法实现边缘点的连接。

2.根据权利要求1所述的一种基于特定类灰度图像的边缘检测方法，其特征是，所述步骤1）的具体步骤为：首先采用空间尺度参数自适应调整的高斯滤波方法消除高斯噪声；再通过中值滤波的方法消除椒盐噪声。

3.根据权利要求1所述的一种基于特定类灰度图像的边缘检测方法，其特征是，所述步骤2）的具体步骤为：先对所述步骤1）处理后的灰度图像分别进行膨胀和腐蚀操作，再将所得到的两幅图像相减，得到边缘信息增强的图像。

4.根据权利要求1所述的一种基于特定类灰度图像的边缘检测方法，其特征是，所述步骤3）的非极大值抑制的具体步骤为：对每一个像素点，以该点为中心，在八邻域范围内对应梯度方向上与其相邻两个像素点的梯度值作比较：若该点梯度值为最大，则梯度值保留；否则将该点梯度值设为零。

5.根据权利要求1所述的一种基于特定类灰度图像的边缘检测方法，其特征是，所述步骤4）的具体步骤为：先对所述梯度直方图做差分，得到差分直方图；所述梯度直方图中背景尖峰与第一个目标尖峰之间的平滑区域转化为所述差分直方图中过零点的集合；选取所述集合中最后一个过零点的梯度幅值作为高阈值Th_高；然后针对所述梯度直方图中小于所述高阈值的部分采用一次最大类间方差方法求出低阈值Th_低。

6.根据权利要求1所述的一种基于特定类灰度图像的边缘检测方法，其特征是，所述步骤5）的具体步骤为：取梯度值高于Th_高的点，将其设定为绝对边缘点，作为边缘连接的起始点，在所述绝对边缘点的八邻域范围内，判断是否存在其它的绝对边缘点，如果有则作为边缘连接；否则转向判断是否存在梯度值大于Th_低的点，如果有作为边缘连接。