CN102982554A - 图像边缘检测方法和装置 - Google Patents
图像边缘检测方法和装置 Download PDFInfo
- Publication number
- CN102982554A CN102982554A CN2012105812622A CN201210581262A CN102982554A CN 102982554 A CN102982554 A CN 102982554A CN 2012105812622 A CN2012105812622 A CN 2012105812622A CN 201210581262 A CN201210581262 A CN 201210581262A CN 102982554 A CN102982554 A CN 102982554A
- Authority
- CN
- China
- Prior art keywords
- image
- canny operator
- parameter
- characteristic amount
- texture characteristic
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种图像边缘检测方法和装置,其中,上述方法包括:提取待测图像的纹理特征量;根据所述纹理特征量与Canny算子参数的映射关系确定所述Canny算子参数;利用Canny算子对所述待测图像进行边缘检测。本发明提出的基于纹理特征的Canny算子边缘检测方法,实现了Canny算子图像边缘检测的自动化,对于具有随机性浅纹理的一类图像有着非常好的边缘检测效果,能根据背景纹理特征的不同,自适应地调整Canny算子参数,有效地防止漏检、误检;此外,本发明提供的图像边缘检测方法的鲁棒性很强,对于同背景不同光照情况下的图像,也同样有非常出色的检测效果。
Description
技术领域
本发明涉及数字图像处理领域,特别地,涉及一种图像边缘检测方法和装置。
背景技术
图像处理时常用于将待识别物体从背景中分离出来,如从路面中识别汽车、从纸上提取文字、从传送带上识别工件等等。这几个场景有一些共同特点:背景由于本身及光线等原因,具有一定浅纹理或不均匀,同时前景与背景在边缘上的差异比较明显,并且在固定的应用场景中,背景本身基本上是不变的。对于此类问题,通常使用边缘检测的方法。
Canny提出的一种边缘检测方法对图像中的边缘有着良好的检测效果,却又不易受噪声与琐碎纹理的干扰。目前的数字图像处理装置采用Canny算子边缘检测方法对上述图像进行边缘检测,具体步骤包括:
S1、用高斯滤波器平滑图像;
S2、用一阶偏导有限差分计算梯度方向和幅值;
S3、对梯度幅值进行非最大值抑制;
S4、用双阈值算法检测和连接边缘。
Canny算子中具有三个可调参数(σ,β,α),其中,σ代表高斯滤波器的标准方差、β代表梯度模值的低阈值、α代表梯度模值的高阈值。因上述三个参数可调,所以Canny算子灵活性很高,可以根据不同情况进行适当调节,以得到最佳的边缘检测效果。
参照图1,示出了现有技术利用不同参数下Canny算子对同一图像Lena进行边缘检测所得到的效果。其中,a图对应的三个参数(σ,β,α)为:(0.3, 0.6, 0.8);b图的(σ,β,α)为(0.6, 0.6, 0.8);c图的(σ,β,α)为(0.3, 0.9, 0.8);d图的(σ,β,α)为(0.3, 0.6, 0.9)。从图1可知,Canny算子中任何一个参数的改变,都会得到不同的边缘检测效果。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:虽然Canny算子因为其灵活性对大多数图像都有着非常良好的效果,但却也存在着一个较大的不足之处:Canny算子参数均需要人为调节,导致无法实现图像边缘的自动化检测。
总之,需要本领域技术人员迫切解决的一个技术问题就是:如何能够利用Canny算子实现图像边缘的自动化检测。
发明内容
本发明所要解决的技术问题是提供一种图像边缘检测方法和装置,能够利用Canny算子实现对图像边缘的自动化检测。
为了解决上述问题,一方面提供了一种图像边缘检测方法,包括:提取待测图像的纹理特征量;根据所述纹理特征量与Canny算子参数的映射关系确定所述Canny算子参数;利用Canny算子对所述待测图像进行边缘检测。
优选的,所述图像的纹理特征量具体为:图像灰度值直方图的熵值,其计算公式为:
优选的,所述步骤:根据所述纹理特征量与Canny算子参数的映射关系确定所述Canny算子参数,具体包括:从所述待测图像中抽取部分图像作为训练集;采用Canny算子对所述训练集中的图像进行边缘检测,获得各图像的高阈值;计算归一化的高阈值;确定所述双曲正切函数的参数a、b。
优选的,所述步骤:利用Canny算子对所述待测图像进行边缘检测,具体为:将剩余待测图像的直方图的熵值代入所述双曲正切函数,获得对应的Canny算子参数;利用所述Canny算子参数确定的Canny算子对所述剩余待测图像进行边缘检测。
优选的,所述图像的纹理特征量为图像灰度值直方图的统计矩或像素点灰度值的一致性。
优选的,所述纹理特征量与Canny算子参数的映射关系为:由经验值确定的曲线图或表格。
另一方面,对应上述图像边缘监测方法,本发明还提供了一种图像边缘检测装置,包括:图像特征提取模块,用于提取待测图像的纹理特征量;Canny算子确定模块,根据所述图像特征提取模块提取的纹理特征量与Canny算子参数的映射关系确定所述Canny算子参数;检测模块,用于利用所述Canny算子确定模块确定的Canny算子对所述待测图像进行边缘检测。
优选的,所述图像特征提取模块提取的图像的纹理特征量为:图像灰度值直方图的熵值,其计算公式为:
优选的,所述Canny算子确定模块具体包括: 训练集选取单元,用于从所述待测图像中抽取部分图像作为训练集;高阈值获取单元,用于采用Canny算子对所述训练集中的图像进行边缘检测,获得各训练集图像的高阈值;归一化单元,用于对所述高阈值获取单元获得的各训练集图像高阈值进行归一化处理,获得归一化的高阈值;参数确定单元,用于确定所述Canny算子确定模块采用的双曲正切函数的参数a、b。
优选的,所述检测模块具体包括:Canny算子参数获取单元,用于将剩余待测图像的直方图的熵值代入所述参数确定单元确定的双曲正切函数,获得对应的Canny算子参数;
边缘检测单元,用于根据所述Canny算子参数获取单元确定的Canny算子对所述剩余待测图像进行Canny算子边缘检测。
优选的,所述图像特征提取模块提取的图像的纹理特征量为图像灰度值直方图的统计矩或像素点灰度值的一致性。
优选的,所述Canny算子确定模块采用的纹理特征量与Canny算子参数的映射关系为:由经验值确定的曲线图或表格。
与现有技术相比,上述技术方案中的一个技术方案具有以下优点:
附图说明
图1是现有技术利用不同参数下Canny算子对同一图像Lena进行边缘检测所得到的效果图;
图2是本发明图像边缘检测方法实施例一的流程图;
图3是本发明图像边缘检测方法实施例的优选实施方式示意图;
图4是本发明图像灰度值直方图的熵值S与归一化高阈值之间的映射关系实施例的示意图;
图5是本发明图像边缘检测方法实施例的另一优选实施方式的示意图;
图6是本发明图像边缘检测装置实施例的结构框图;
图7是本发明Canny算子确定模块实施例的结构框图;
图8是本发明检测模块实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在介绍本发明技术方案之前,首先说明一下Canny算子参数。Canny算子的三个参数中,高斯滤波器的标准方差 一般不宜变动,而梯度的低阈值 在程序实现中由高阈值 决定,因此,三个参数中高阈值 的取值最为重要。事实上,Canny算子参数的变化与图像的区域特点密切相关,其实质是纹理特征的区别。因此,可以考虑根据图像的纹理特征量对Canny算子参数进行自适应调节,使算法不需要人为调节,但仍能达到良好的检测效果。
本发明提供的图像边缘检测方法是基于图像纹理特征量与Canny算子参数某种映射关系的一种可以利用Canny算子实现自动边缘检测方法。
此处介绍一下图像纹理,纹理是图像的一个重要特性,它反映了图像在颜色或灰度上的某种变化模式。一般来说,纹理是由一些纹理基元按照一定规律或者随机排列而形成的,分别称为确定性纹理和随机性纹理。大部分物体表面所呈现出的纹理一般均为随机性纹理。为了描绘一个区域的纹理特性,一般需要将该区域的纹理特征量化,以作为度量与分类的依据。本发明实施例一,以图像灰度值直方图的熵值S这一特征量来度量图像中的纹理。
参照图2,示出了本发明图像边缘检测方法实施例一的流程,包括:
步骤1、提取待测图像的纹理特征量。
本发明实施例中,上述图像的纹理特征量用图像灰度值直方图的熵值S表示,采用公式1.1计算:
步骤3、根据上述纹理特征量与Canny算子参数的映射关系确定Canny算子参数。
Canny算子中具有三个可调参数:高斯滤波器的标准方差、梯度模值的高阈值和低阈值。在程序实现中,高阈值采用梯度模值小于高阈值的像素点数占总像素数的比例来代替,而低阈值则采用低阈值与高阈值之比来代替。为了表示方便,令这三个参数分别为。Canny算子的三个参数中,高斯滤波器的标准方差一般不宜变动,而梯度的低阈值在程序实现中由高阈值决定,因此,三个参数中高阈值的取值最为重要。本发明实施例中,上述Canny算子参数指梯度模值的高阈值。
步骤5、利用Canny算子对待测图像进行边缘检测。
进一步地,参照图3所示的本发明图像边缘检测方法实施例的优选实施方式,步骤3可以具体包括:
步骤31、从待测图像中抽取部分图像作为训练集;
步骤37、确定公式1.2所示的双曲正切函数的参数a、b。
具体为,根据步骤1利用公式1.1计算得到的训练集中各图像的熵值S,以及步骤35获得的归一化高阈值,利用公式1.2确定参数a、b的值。
参照图4,示出了本发明图像灰度值直方图的熵值S与梯度模值的归一化高阈值之间的映射关系实施例的示意图。对于背景相似的图像,其熵值一般在一定的范围内,归一化后可以很方便地通过拟合工具获取公式(1.2)所示双曲正切函数的参数值,如图4所示的曲线中,通过曲线拟合得到:,。
另外,参照图5所示的本发明图像边缘检测方法实施例的另一优选实施方式,上述步骤5可以具体为:
步骤51、获取剩余待测图像的熵值S;剩余待测图像的熵值已在上述步骤1中利用公式1.1计算获得。
上述剩余待测图像为待测图像减去训练集图像后剩余的图像。所有待测图像均为背景相似的纹理图像。
另外,在本发明实施例中,图像的纹理特征量也可以用图像灰度值直方图的统计矩表示,如标准差、表示图像中灰度值的分散程度的二阶矩、表示直方图的偏斜程度的三阶矩等;还可以用像素点灰度值的一致性来度量图像中的纹理。上述图像的纹理特征量与梯度模值的高阈值之间的映射关系已由技术人员经过大量的实验或经验制定成类似规律曲线、表格等形式,以作查询。具体为:
S1、计算待测图像的纹理特征量;
S3、利用Canny算子对待测图像进行边缘检测。
综上所述,本发明提出的基于纹理特征的Canny算子边缘检测方法,与现有技术Canny算子边缘检测方法相比,仅需要对图像训练集进行手工调节Canny算子参数,对于剩余待测图像,可以基于图像纹理特征量,采用如公式1.2所示的图像纹理特征量与Canny算子参数的映射关系,自动获取Canny算子参数,对Canny算子参数进行自适应调节,从而达到最佳的边缘检测效果,实现Canny算子图像边缘检测的自动化。
本发明提供的图像边缘检测方法实施例对具有随机性浅纹理的一类图像有着非常好的边缘检测效果,能根据背景纹理特征的不同,自适应地调整Canny算子参数,有效地防止漏检、误检;此外,本发明实施例提供的图像边缘检测方法的鲁棒性很强,对于同背景不同光照情况下的图像,也同样有非常出色的检测效果。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
对应上述图像边缘检测方法实施例,本发明还提供了一种图像边缘检测装置。参照图6所示的本发明图像边缘检测装置实施例的结构框图,包括:
图像特征提取模块41,用于提取待测图像的纹理特征量;
Canny算子确定模块42,根据图像特征提取模块提取的纹理特征量与Canny算子参数的映射关系确定Canny算子参数;
检测模块43,用于利用Canny算子确定模块确定的Canny算子对待测图像进行边缘检测。
在本发明图像边缘检测装置实施例中,图像特征提取模块41提取的图像的纹理特征量为:图像灰度值直方图的熵值,其计算公式为:
(1.1)
参照图7所示的本发明Canny算子确定模块实施例的结构框图,Canny算子确定模块42具体包括:
训练集选取单元421,用于从待测图像中抽取部分图像作为训练集;
高阈值获取单元422,用于采用Canny算子对训练集中的图像进行边缘检测,获得各训练集图像的高阈值;
归一化单元423,用于对高阈值获取单元422获得的各训练集图像高阈值进行归一化处理,获得归一化的高阈值;
参数确定单元424,用于采用公式1.2所示的双曲正切函数确定参数a、b。
进一步地,参照图8所示的本发明检测模块实施例的结构框图,检测模块43可以具体包括:
Canny算子参数获取单元431,用于将剩余图像的直方图的熵值代入参数确定单元确定的双曲正切函数,获得对应的Canny算子参数;
边缘检测单元432,用于根据Canny算子参数获取单元431得到的Canny算子参数对剩余待测图像进行Canny算子边缘检测。
此外,在本发明图像边缘检测装置实施例中,图像特征提取模块41提取的图像的纹理特征量还可以为图像灰度值直方图的统计矩或像素点灰度值的一致性等。
Canny算子确定模块42采用的纹理特征量与Canny算子参数的映射关系可以为:由经验值确定的曲线图或表格。
计算机可以利用已获得的图像的纹理特征量自动查询上述曲线图或表格,进而获得Canny算子参数,然后采用Canny算子自动进行图像边缘检测。
以上对本发明提供的图像边缘检测装置实施例进行了描述。
需要说明的是,本发明各实施例所述的待测图像应为背景相似的纹理图像,图像训练集是为了确定参数需要,从上述待测图像中抽取的少量图像。本发明实施例适用于对具有浅纹理或不均匀光照背景的图像进行边缘检测,适用范围包括:路面、墙壁、纸张、金属、皮革、瓷砖等不同背景。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本发明所提供的一种图像边缘检测方法和装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (16)
1.一种图像边缘检测方法,其特征在于,包括:
提取待测图像的纹理特征量;
根据所述纹理特征量与Canny算子参数的映射关系确定所述Canny算子参数;
利用Canny算子对所述待测图像进行边缘检测。
5.根据权利要求4所述的图像边缘检测方法,其特征在于,所述步骤:根据所述纹理特征量与Canny算子参数的映射关系确定所述Canny算子参数,具体包括:
从所述待测图像中抽取部分图像作为训练集;
采用Canny算子对所述训练集中的图像进行边缘检测,获得各图像的高阈值;
计算归一化的高阈值;
确定所述双曲正切函数的参数a、b。
6.根据权利要求5所述的图像边缘检测方法,其特征在于,所述步骤:利用Canny算子对所述待测图像进行边缘检测,具体为:
将剩余待测图像的直方图的熵值代入所述双曲正切函数,获得对应的Canny算子参数;
利用所述Canny算子参数确定的Canny算子对所述剩余待测图像进行边缘检测。
7.根据权利要求1所述的图像边缘检测方法,其特征在于,所述图像的纹理特征量为图像灰度值直方图的统计矩或像素点灰度值的一致性。
8.根据权利要求7所述的图像边缘检测方法,其特征在于,所述纹理特征量与Canny算子参数的映射关系为:由经验值确定的曲线图或表格。
9.一种图像边缘检测装置,其特征在于,包括:
图像特征提取模块,用于提取待测图像的纹理特征量;
Canny算子确定模块,根据所述图像特征提取模块提取的纹理特征量与Canny算子参数的映射关系确定所述Canny算子参数;
检测模块,用于利用所述Canny算子确定模块确定的Canny算子对所述待测图像进行边缘检测。
11.根据权利要求9所述的图像边缘检测装置,其特征在于,所述Canny算子确定模块采用的所述Canny算子参数为:梯度模值的高阈值。
13.根据权利要求12所述的图像边缘检测装置,其特征在于,所述Canny算子确定模块具体包括:
训练集选取单元,用于从所述待测图像中抽取部分图像作为训练集;
高阈值获取单元,用于采用Canny算子对所述训练集中的图像进行边缘检测,获得各训练集图像的高阈值;
归一化单元,用于对所述高阈值获取单元获得的各训练集图像高阈值进行归一化处理,获得归一化的高阈值;
参数确定单元,用于确定所述Canny算子确定模块采用的双曲正切函数的参数a、b。
14.根据权利要求13所述的图像边缘检测装置,其特征在于,所述检测模块具体包括:
Canny算子参数获取单元,用于将剩余待测图像的直方图的熵值代入所述参数确定单元确定的双曲正切函数,获得对应的Canny算子参数;
边缘检测单元,用于根据所述Canny算子参数获取单元确定的Canny算子对所述剩余待测图像进行Canny算子边缘检测。
15.根据权利要求9所述的图像边缘检测装置,其特征在于,所述图像特征提取模块提取的图像的纹理特征量为图像灰度值直方图的统计矩或像素点灰度值的一致性。
16.根据权利要求15所述的图像边缘检测装置,其特征在于,所述Canny算子确定模块采用的纹理特征量与Canny算子参数的映射关系为:由经验值确定的曲线图或表格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105812622A CN102982554A (zh) | 2012-12-28 | 2012-12-28 | 图像边缘检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105812622A CN102982554A (zh) | 2012-12-28 | 2012-12-28 | 图像边缘检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102982554A true CN102982554A (zh) | 2013-03-20 |
Family
ID=47856495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105812622A Pending CN102982554A (zh) | 2012-12-28 | 2012-12-28 | 图像边缘检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102982554A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104394385A (zh) * | 2014-12-10 | 2015-03-04 | 华南师范大学 | 一种瓷砖质量在线检测装置及其检测方法 |
CN114820495A (zh) * | 2022-04-19 | 2022-07-29 | 华能新能源股份有限公司 | 一种基于纹理熵值的风机叶片辨识方法及系统 |
CN114994102A (zh) * | 2022-08-04 | 2022-09-02 | 武汉钰品研生物科技有限公司 | 基于x光的食品异物无痕快速检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060029257A1 (en) * | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
-
2012
- 2012-12-28 CN CN2012105812622A patent/CN102982554A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060029257A1 (en) * | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
CN101814144A (zh) * | 2010-03-25 | 2010-08-25 | 西安电子科技大学 | 遥感图像中无水桥梁目标识别方法 |
Non-Patent Citations (2)
Title |
---|
张扬等: "基于小波及纹理特征的轴承防尘盖缺陷检测", 《计算机工程》 * |
徐伟栋等: "基于特性模型与神经网络的乳腺图像肿块自动检测技术", 《电子与信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104394385A (zh) * | 2014-12-10 | 2015-03-04 | 华南师范大学 | 一种瓷砖质量在线检测装置及其检测方法 |
CN104394385B (zh) * | 2014-12-10 | 2018-08-31 | 华南师范大学 | 一种瓷砖质量在线检测装置及其检测方法 |
CN114820495A (zh) * | 2022-04-19 | 2022-07-29 | 华能新能源股份有限公司 | 一种基于纹理熵值的风机叶片辨识方法及系统 |
CN114994102A (zh) * | 2022-08-04 | 2022-09-02 | 武汉钰品研生物科技有限公司 | 基于x光的食品异物无痕快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hassen et al. | Image sharpness assessment based on local phase coherence | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN103439338B (zh) | 薄膜缺陷分类方法 | |
CN102982545B (zh) | 一种图像深度估计方法 | |
CN103886597B (zh) | 一种基于边缘检测与拟合曲线聚类的圆检测方法 | |
JP6015257B2 (ja) | 偏光画像による車両位置検知方法及びシステム | |
CN107784651B (zh) | 一种基于模糊检测加权的模糊图像质量评价方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
Yang et al. | Research and analysis of Image edge detection algorithm Based on the MATLAB | |
CN109801322B (zh) | 一种漏光检测方法及装置 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
CN112991374B (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN106204617A (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN102393902A (zh) | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
US8396297B2 (en) | Supervised edge detection using fractal signatures | |
CN109741334A (zh) | 一种通过分块阈值进行图像分割的方法 | |
CN104574417A (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN108510510A (zh) | 基于梯度方向的图像边缘检测方法 | |
CN102982554A (zh) | 图像边缘检测方法和装置 | |
CN105139344A (zh) | 基于频域及相位一致性的单幅图像去除雨滴影响的方法和系统 | |
CN101846513A (zh) | 标志图像识别及中心坐标提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130320 |