CN102663750A - 数字图像边缘检测方法 - Google Patents
数字图像边缘检测方法 Download PDFInfo
- Publication number
- CN102663750A CN102663750A CN2012100909301A CN201210090930A CN102663750A CN 102663750 A CN102663750 A CN 102663750A CN 2012100909301 A CN2012100909301 A CN 2012100909301A CN 201210090930 A CN201210090930 A CN 201210090930A CN 102663750 A CN102663750 A CN 102663750A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- gray
- image
- pixel
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种数字图像边缘检测方法,用于解决现有的Canny算子边缘检测方法受选取阈值约束的技术问题。技术方案是首先获取图像的灰度值矩阵,并把灰度值归一化到[0,1]区间;通过定义模板大小,根据隶属度函数计算模板中各像素的隶属度um(x(i,j));根据模糊熵公式计算窗口中各像素的模糊熵,并计算模糊熵信息测度,与阈值的大小进行比较从而判断是否是边界。由于以模板中的像素点为一个处理单元,使用模糊算法,降低了滤波后图像的噪声,显著改善了滤波后图像的模糊现象。与背景技术阈值分割方法相比,不需要选取阈值,分割图像的错分率较小,而且图像的视觉效果也有较大的改善。
Description
技术领域
本发明涉及一种边缘检测方法,特别涉及一种数字图像边缘检测方法。
背景技术
文献“《数字图像处理》何明一编著”公开了一种采用Canny算子的边缘检测方法,其具体步骤为:
(1)选用某个高斯滤波器对图像进行平滑滤波以去除噪声。
(2)用一阶偏导数的有限差分计算平滑后的图像的梯度。
(3)仅仅得到全局的梯度并不足以确定边缘,为确定边缘,必须对以上梯度进行非极大值抑制,其具体做法为寻找图像梯度中的局部极大值点,并且设置非局部极大值点为零,使得图像边缘得到细化。
(4)用双阈值算法检测和连接边缘。
利用Canny算子检测图像边缘的关键是选取适当的阈值,若高阈值设定过小会导致检测出的边缘中混有大量噪声,设定过大又会漏检真实边缘,对于低阈值来说,若设定过大会造成灰度值突变较小的边缘被漏检;另外,合理的滤波尺寸大小也很重要,大尺寸滤波,使图像平滑程度越大,将导致图像细节消失,灰度突变也会远离原来边缘的位置,同时使高斯滤波器长度变长,加大计算量,反之,又会因为图像平滑不够使检测的边缘中混有许多噪声。
发明内容
为了克服现有的Canny算子边缘检测方法受选取阈值约束的不足,本发明提出一种数字图像边缘检测方法。该方法以模板中的像素点为一个处理单元,使用模糊算法,可以降低滤波后图像的噪声,改善滤波后图像的模糊现象。
本发明解决其技术问题所采用的技术方案是:一种数字图像边缘检测方法,其特点是包括以下步骤:
(a)首先获取输入计算机的待处理图像的灰度值矩阵X=[x(i,j)]M×N,其灰度级为L,G={0,1,…,L-1}表示所有灰度值的集合,x(i,j)∈G是坐标(i,j)处象素的灰度值;
(b)将图像中像素的灰度值归一化到[0,1]区间;
(c)产生大小为n×n,中心在(i,j)的窗口Wn(i,j):
(d)以窗口中的灰度级为论域,定义一个具有某种特征的模糊集合,其隶属度为:
上式表示了窗口中像素与其所属区域的隶属程度,若一个象素与其所属区域特征值的差异越小,则该象素的隶属度越大;反之,则该象素的隶属度越小,式中C为常数,0.5≤um(x(i,j))≤1。
(e)在上述模糊集合上定义一个模糊熵表示为:
Hm(um(x(i,j)))=-(um(x(i,j)))log2(um(x(i,j)))
-(1-um(x(i,j)))log2(1-um(x(i,j)))
(f)给出定义在窗口Wn(i,j)上的一个基于模糊熵信息测度为:
在上式中,令m=x(i,j)。则当窗口中的其他灰度值和窗口中心(i,j)处的灰度值x(i,j)相等或接近时,模糊熵R(i,j)为零或较小;反之,模糊熵较大。
(g)设定阈值T,判断R(i,j)的值与T的大小,若R(i,j)>T,则令x(i,j)=1,若R(i,j)<T,则令x(i,j)=0。
(h)如此循环直至模板经过所有像素为止,并生成边缘图像G=[g(i,j)]M×N。
本发明相比现有技术的有益效果是:由于以模板中的像素点为一个处理单元,使用模糊算法,降低了滤波后图像的噪声,显著改善了滤波后图像的模糊现象。与背景技术阈值分割方法相比,不需要选取阈值,分割图像的错分率较小,而且图像的视觉效果也有较大的改善。
下面结合附图和实施例对本发明作详细说明。
附图说明
图1是本发明方法实施例采用的3×3像素点模板示意图。
图2是本发明方法流程图。
图3是lena图像灰度值归一化后的前10行10列像素。
图4是本发明方法采用的模糊熵随灰度值的变化曲线。
图5是对迭加分布为N(0,20)高斯噪声的图;其中,图5(a)是原图像;图5(b)是加噪后的图像;图5(c)是采用背景技术方法的检测结果;图5(d)是采用本发明方法的检测结果。
具体实施方式
以下实施例参照图1~5。
(a)首先获取输入计算机的待处理图像的灰度值矩阵X=[x(i,j)]M×N,其灰度级为L,G={0,1,…,L-1}表示所有灰度值的集合,x(i,j)∈G是坐标(i,j)处象素的灰度值;
(b)将图像中像素的灰度值归一化到[0,1]区间;
(c)产生大小为n×n,中心在(i,j)的窗口Wn(i,j):
(d)以窗口中的灰度级为论域,定义一个具有某种特征的模糊集合,其隶属度为:
上式表示了窗口中像素与其所属区域的隶属程度,若一个象素与其所属区域特征值的差异越小,则该象素的隶属度越大;反之,则该象素的隶属度越小,式中C为常数,以保证0.5≤um(x(i,j))≤1,也就是希望图像中任一象素的隶属度不小于0.5。
(e)在上述模糊集合上定义一个模糊熵表示为:
Hm(um(X(i,j)))=-(um(x(i,j)))log2(um(x(i,j)))
-(1-um(x(i,j)))log2(1-um(x(i,j)))
从图4模糊熵随x(i,j)的大小而变化的曲线中可以看出,当灰度值x(i,j)=m时(m∈[0,1]),模糊熵最小,且在x(i,j)=m附近具有对称性,因此本章构造的模糊熵不仅可在任意灰度值处达到最小值,而且也具有对称性,这些在图像处理中都很重要。
(f)为了度量定义在图像上的模糊集合的模糊属性,给出定义在窗口Wn(i,j)上的一个基于模糊熵信息测度为:
在上式中,令m=x(i,j)。则当窗口中的其他灰度值和窗口中心(i,j)处的灰度值x(i,j)相等或接近时,模糊熵R(i,j)为零或较小;反之,模糊熵较大。
(g)设定阈值T,判断R(i,j)的值与T的大小,若R(i,j)>T,则令x(i,j)=1,若R(i,j)<T,则令x(i,j)=0。
(h)如此循环直至模板经过所有像素为止,并生成边缘图像G=[g(i,j)]M×N,称之为边缘检测。
验证实施例:
(1)首先获取输入计算机的待处理图像的灰度值矩阵X=[x(i,j)]M×N,其灰度级为L,G={0,1,…,L-1}表示所有灰度值的集合,x(i,j)∈G是坐标(i,j)处象素的灰度值。选取3×3像素点模板,共有九个像素点,它们组成一个像素处理单元,像素点x(i,j)为要处理的当前像素点。
(2)将图像中像素的灰度值归一化到[0,1]区间,得到一幅图像各点的像素。
(3)产生大小为3×3,中心在(i,j)的窗口Wn(i,j)。
(4)取lena图像的前10行10列像素灰度值矩阵,红色区域为模板,模版中心x(i,j)=0.5412,即x(i-1,j-1)=0.5765,x(i-1,j)=0.5373,x(i-1,j+1)=0.2314,x(i,j-1)=0.4392,x(i,j)=0.5412,x(i,j+1)=0.2235,x(i+1,j-1)=0.4353,x(i+1,j)=0.5451,x(i+1,j+1)=0.1961;根据隶属度函数计算各像素点的隶属度,其中m=x(i,j)=0.5412,由于C为保证0.5≤um(x(i,j))≤1的任意常数,即C为大于1的任意常数,这里我们取C=2,则:
(5)根据模糊熵公式计算窗口中各像素的模糊熵,分别为:
Hm(um(x(i-1,j-1)))=-(um(x(i-1,j-1)))log2(um(x(i-1,j-1)))
-(1-um(x(i-1,j-1)))log2(1-um(x(i-1,j-1)))=0.1263
Hm(um(x(i-1,j)))=-(um(x(i-1,j)))log2(um(x(i-1,j)))
-(1-um(x(i-1,j)))log2(1-um(x(i-1,j)))=0.0203
Hm(um(x(i-1,j+1)))=-(um(x(i-1,j+1)))log2(um(x(i-1,j+1)))
-(1-um(x(i-1,j+1)))log2(1-um(x(i-1,j+1)))=0.5686
Hm(um(x(i,j-1)))=-(um(x(i,j-1)))log2(um(x(i,j-1)))
-(1-um(x(i,j-1)))log2(1-um(x(i,j-1)))=0.2801
Hm(um(x(i,j)))=-(um(x(i,j)))log2(um(x(i,j)))
-(1-um(x(i,j)))log2(1-um(x(i,j)))=0
Hm(um(x(i,j+1)))=-(um(x(i,j+1)))log2(um(x(i,j+1)))
-(1-um(x(i,j+1)))log2(1-um(x(i,j+1)))=0.5765
Hm(um(x(i+1,j-1)))=-(um(x(i+1,j-1)))log2(um(x(i+1,j-1)))
-(1-um(x(i+1,j-1)))log2(1-um(x(i+1,j-1)))=0.2876
Hm(um(x(i+1,j)))=-(um(x(i+1,j)))log2(um(x(i+1,j)))
-(1-um(x(i+1,j)))log2(1-um(x(i+1,j)))=0.0203
Hm(um(x(i+1,j+1)))=-(um(x(i+1,j+1)))log2(um(x(i+1,j+1)))
-(1-um(x(i+1,j+1)))1og2(1-um(x(i+1,j+1)))=0.6027
(6)计算出定义在窗口Wn(i,j)上的一个基于模糊熵信息测度为:
即R(i,j)=0.2758
(7)将计算出的模糊熵信息测度与阈值T=0.5比较,此处由于R(i,j)<T,我们可得x(i,j)=0,
(8)循环直至模板经过所有像素为止,并生成边缘信息图像。
Claims (1)
1.一种数字图像边缘检测方法,其特征在于包括以下步骤:
(a)首先获取输入计算机的待处理图像的灰度值矩阵X=[x(i,j)]M×N,其灰度级为L,G={0,1,…,L-1}表示所有灰度值的集合,x(i,j)∈G是坐标(i,j)处象素的灰度值;
(b)将图像中像素的灰度值归一化到[0,1]区间;
(c)产生大小为n×n,中心在(i,j)的窗口Wn(i,j):
(d)以窗口中的灰度级为论域,定义一个具有某种特征的模糊集合,其隶属度为:
上式表示了窗口中像素与其所属区域的隶属程度,若一个象素与其所属区域特征值的差异越小,则该象素的隶属度越大;反之,则该象素的隶属度越小,式中C为常数,0.5≤um(x(i,j))≤1;
(e)在上述模糊集合上定义一个模糊熵表示为:
Hm(um(x(i,j)))=-(um(x(i,j)))log2(um(x(i,j)))
-(1-um(x(i,j)))log2(1-um(x(i,j)))
(f)给出定义在窗口Wn(i,j)上的一个基于模糊熵信息测度为:
在上式中,令m=x(i,j);则当窗口中的其他灰度值和窗口中心(i,j)处的灰度值x(i,j)相等或接近时,模糊熵R(i,j)为零或较小;反之,模糊熵较大;
(g)设定阈值T,判断R(i,j)的值与T的大小,若R(i,j)>T,则令x(i,j)=1,若R(i,j)<T,则令x(i,j)=0;
(h)如此循环直至模板经过所有像素为止,并生成边缘图像G=[g(i,j)]M×N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100909301A CN102663750A (zh) | 2012-03-31 | 2012-03-31 | 数字图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100909301A CN102663750A (zh) | 2012-03-31 | 2012-03-31 | 数字图像边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102663750A true CN102663750A (zh) | 2012-09-12 |
Family
ID=46773228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100909301A Pending CN102663750A (zh) | 2012-03-31 | 2012-03-31 | 数字图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663750A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2505330A1 (es) * | 2014-06-30 | 2014-10-09 | Universidad De La Rioja | Procedimiento para la estimación automática de los componentes de la producción de un racimo de vid mediante visión artificial |
CN104182773A (zh) * | 2014-08-28 | 2014-12-03 | 西北工业大学 | 基于模糊熵的Congealing方法构造汉字字符及识别的方法 |
CN108765427A (zh) * | 2018-05-17 | 2018-11-06 | 北京龙慧珩医疗科技发展有限公司 | 一种前列腺图像分割方法 |
CN109410230A (zh) * | 2018-09-07 | 2019-03-01 | 南京航空航天大学 | 一种可抗噪声的改进Canny图像边缘检测方法 |
CN114007013A (zh) * | 2021-10-29 | 2022-02-01 | 上海艾为电子技术股份有限公司 | 模糊区确定和防抖性能检测方法、系统、防抖性能检测设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286233A (zh) * | 2008-05-19 | 2008-10-15 | 重庆邮电大学 | 基于对象云的模糊边缘检测方法 |
-
2012
- 2012-03-31 CN CN2012100909301A patent/CN102663750A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286233A (zh) * | 2008-05-19 | 2008-10-15 | 重庆邮电大学 | 基于对象云的模糊边缘检测方法 |
Non-Patent Citations (4)
Title |
---|
S.K.PAL,ET AL.: "IMAGE ENHANCEMENT USING FUZZY SET", 《ELECTRONICS LETTERS》, vol. 16, no. 10, 8 May 1980 (1980-05-08), pages 376 - 378 * |
王保平,等: "一种新的自适应图像模糊增强算法", 《西安电子科技大学学报(自然科学版)》, vol. 32, no. 2, 30 April 2005 (2005-04-30) * |
王保平,等: "基于模糊熵的多值图像恢复方法", 《西安电子科技大学学报(自然科学版)》, vol. 31, no. 2, 30 April 2004 (2004-04-30) * |
王保平,等: "基于模糊熵的自适应图像多层次模糊增强算法", 《电子学报》, vol. 33, no. 4, 30 April 2005 (2005-04-30), pages 730 - 734 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2505330A1 (es) * | 2014-06-30 | 2014-10-09 | Universidad De La Rioja | Procedimiento para la estimación automática de los componentes de la producción de un racimo de vid mediante visión artificial |
CN104182773A (zh) * | 2014-08-28 | 2014-12-03 | 西北工业大学 | 基于模糊熵的Congealing方法构造汉字字符及识别的方法 |
CN104182773B (zh) * | 2014-08-28 | 2017-06-06 | 西北工业大学 | 基于模糊熵的Congealing方法构造汉字字符及识别的方法 |
CN108765427A (zh) * | 2018-05-17 | 2018-11-06 | 北京龙慧珩医疗科技发展有限公司 | 一种前列腺图像分割方法 |
CN109410230A (zh) * | 2018-09-07 | 2019-03-01 | 南京航空航天大学 | 一种可抗噪声的改进Canny图像边缘检测方法 |
CN109410230B (zh) * | 2018-09-07 | 2022-06-17 | 南京航空航天大学 | 一种可抗噪声的改进Canny图像边缘检测方法 |
CN114007013A (zh) * | 2021-10-29 | 2022-02-01 | 上海艾为电子技术股份有限公司 | 模糊区确定和防抖性能检测方法、系统、防抖性能检测设备 |
CN114007013B (zh) * | 2021-10-29 | 2024-03-19 | 上海艾为电子技术股份有限公司 | 模糊区确定和防抖性能检测方法、系统、防抖性能检测设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103116875B (zh) | 自适应双边滤波图像去噪方法 | |
CN104376319B (zh) | 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法 | |
WO2016192494A1 (zh) | 一种图像处理方法及装置 | |
CN101976436B (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN102663750A (zh) | 数字图像边缘检测方法 | |
Qiang et al. | An edge-detection method based on adaptive canny algorithm and iterative segmentation threshold | |
CN101930597B (zh) | 一种基于数学形态学的图像边缘检测方法 | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN102542282B (zh) | 一种无源图像马赛克检测方法及装置 | |
CN104809698A (zh) | 一种基于改进三边滤波的Kinect深度图像修复方法 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
CN104200426A (zh) | 图像插值方法和装置 | |
CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
CN105654428A (zh) | 图像降噪方法及系统 | |
CN101551901A (zh) | 动态遮挡图像的实时补偿和增强方法 | |
CN108470343A (zh) | 一种改进的图像边缘检测方法 | |
CN105069806A (zh) | 一种三点联合的图像边缘检测方法 | |
CN103456031B (zh) | 一种区域图像插值的新方法 | |
CN104392417A (zh) | 基于像素暗通道和各向异性扩散滤波的图像去雾方法 | |
CN108416790B (zh) | 一种用于工件破损率的检测方法 | |
CN102855642A (zh) | 图像处理装置及其物体轮廓的提取方法 | |
CN107564045B (zh) | 基于梯度域引导滤波的立体匹配方法 | |
CN103646379A (zh) | 一种图像放大方法和装置 | |
Rana et al. | Comparison and enhancement of digital image by using canny filter and sobel filter | |
CN103413306B (zh) | 一种自适应阈值的Harris角点检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120912 |