CN102999916A - 一种彩色图像的边缘提取方法 - Google Patents

Abstract

本发明公开了一种彩色图像的边缘提取方法，包括以下步骤：1）对待处理的原始彩色图像进行滤波处理；2）将滤波后的彩色图像转换到颜色空间坐标系中；3）分别提取各个坐标分量下的图像中感兴趣区域；4）边缘检测：对步骤3）提取的各个坐标分量下感兴趣区域进行边缘检测，得到各个坐标分量下的边缘图像，将各个坐标分量下的边缘图像组合叠加得到最终边缘图像。本发明的边缘提取方法中，由于仅针对感兴趣区域进行边缘检测，所以边缘检测时信息处理量较少，可相对提高边缘检测算子的检测半径。同时边缘提取时将彩色图像转化到颜色空间坐标系后处理，相对于现有技术中将彩色图像转换为灰度图后处理的方法，本方法能使最终边缘提取结果更加完整。

Description

一种彩色图像的边缘提取方法

【技术领域】

本发明涉及计算机图像处理领域，特别是涉及针对彩色图像的边缘提取方法。

【背景技术】

边缘作为图像的一种基本特征，包含了物体形状的重要信息。因此，已有大量研究关注于可将图像中最有意义的特征部分即图像的边缘提取出来的边缘提取方法。目前，边缘提取被广泛应用于航空航天、通信、气象生物学、军事、地球物理、机器人视觉、2D转3D技术、医学及工业生产等领域中。

现有的边缘提取方法，主要包括滤波，增强边缘以及检测边缘点等步骤。边缘提取时针对灰度图像进行处理，提取图像整体的边缘特征，提取过程计算量较大，提取检测效率较低。

【发明内容】

本发明所要解决的技术问题是：弥补上述现有技术的不足，提出一种彩色图像的边缘提取方法，提取过程计算量较小，检测效率较高，边缘提取结果较完整。

本发明的技术问题通过以下的技术方案予以解决：

一种彩色图像的边缘提取方法，包括以下步骤：1）对待处理的原始彩色图像进行滤波处理；2）将滤波后的彩色图像转换到颜色空间坐标系中；3）分别提取各个坐标分量下的图像中感兴趣区域；4）边缘检测：对步骤3）提取的各个坐标分量下感兴趣区域进行边缘检测，得到各个坐标分量下的边缘图像，将各个坐标分量下的边缘图像组合叠加得到最终边缘图像。

本发明与现有技术对比的有益效果是：

本发明的彩色图像的边缘提取方法，先提取图像中感兴趣的区域，然后针对感兴趣区域进行边缘检测。虽然相对于完整图像的边缘检测，检测对象较少，但通常感兴趣区域更具价值。而由于仅针对感兴趣区域进行边缘检测，所以边缘检测时信息处理量较少，可相对提高边缘检测算子在检测边缘阶段的检测半径，提高检测效率。同时边缘提取时将彩色图像转化到颜色空间坐标系后进行处理，相对于现有技术中将彩色图像转换为灰度图后进行处理，可保留彩色图像较多的边缘信息，使最终边缘提取结果更加完整。

【附图说明】

图1是本发明具体实施方式中的彩色图像的边缘提取方法的流程图；

图2是本发明具体实施方式中提取感兴趣区域步骤的流程图。

【具体实施方式】

下面结合具体实施方式并对照附图对本发明做进一步详细说明。

如图1所示，为本具体实施方式中的彩色图像的边缘提取方法的流程图，包括以下步骤：

U1）对待处理的原始彩色图像进行滤波处理。

此步骤中，进行滤波处理从而减小图像噪声对后续图像处理时造成的影响。优选地，分别采用三个不同的尺度的高斯滤波器进行三次滤波处理，得到第一滤波图像，第二滤波图像和第三滤波图像；将所述第一滤波图像，第二滤波图像和第三滤波图像进行组合，得到最终滤波后的彩色图像。

具体地，高斯滤波器表示为函数 $G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}),$ σ是标准方差，表征滤波器的尺度。高斯滤波器的平滑作用的强弱即是通过σ来控制，可以有效的去除一切尺度远小于σ的图像强度变化。上述滤波过程中，即是选取三个滤波尺度σ₁、σ₂、σ₃的高斯滤波器。滤波处理即是将彩色图像的三个坐标分量R坐标分量、G坐标分量和B坐标分量进行去噪，分别用大、中、小三个不同尺度的高斯滤波器与三个坐标分量做卷积运算得到第一滤波图像的R1、G1和B1，第二滤波图像的R2、G2和B2以及第三滤波图像的R3、G3和B3，然后将三个滤波图像组合，得到最终滤波后的彩色图像，即R1，R2和R3进行组合得到最终图像的R坐标分量，G1，G2和G3进行组合得到最终图像的G坐标分量，B1，B2和B3进行组合得到最终图像的B坐标分量。

优选的滤波方案中，基于自然图像中边缘都是由不同尺度的边缘组合而成，采用大、中、小三个不同尺度的高斯滤波器对图像进行滤波。这样同时保留了原边缘中的大尺度的边缘和小尺度的边缘，也增加了部分介于大小尺度间的边缘，可最大限度的保留原图像中各个尺度的边缘组合。同时，由于小的滤波尺度对细节边缘很敏感，也使得对边缘的定位更加准确。

U2）将滤波后的彩色图像转换到颜色空间坐标系中。

此步骤中，图像转换到颜色空间坐标系，包括Lab坐标系、YUV坐标系、YIQ坐标系、HSL坐标系、HSV坐标系、HIS坐标系或CMYK坐标系，而不是像现有技术那样转换为灰度图像。由于彩色图像包含的边缘信息比与之相对应的灰度图像包含的边缘信息多10%的信息量。而转换到颜色空间坐标系中可保留彩色图像较多的信息量，使得后续边缘提取的结果更完整，而针对灰度图像的边缘提取则漏掉了许多边缘信息，恰好这些漏掉的信息对计算机视觉来说是非常关键的。因此，转换到颜色空间坐标系中，针对彩色图像直接处理，增加了被处理对象中蕴涵的边缘信息量，可得到较完整的边缘提取结果，减少了传统处理方式中由于灰度图像所含边缘信息不完整带来的过多边缘不连续现象。

优选地，在多种颜色空间坐标系中，选择将滤波后的彩色图像转换到YUV颜色空间坐标系。YUV坐标空间下，Y坐标表示亮度信号，U、V坐标表示两个互相独立的色度信号。由于人类眼睛对于亮度的分辨要比对颜色的分辨精细一些，因此转换到YUV颜色空间坐标系，可与人类视觉系统相匹配，提高与人眼特点的匹配，突出亮度在识别一幅图像中的作用。

将滤波后的彩色图像转换到YUV颜色空间坐标系中，例如可按照如下转换关系式进行：

Y=0.299×R+0.587×G+0.114×B

U=－0.147×R－0.289×G+0.436×B

V=0.615×R－0.515×G－0.100×B

一般地，原始图像即为RGB彩色图像，因此代入图像中像素点的R坐标分量，G坐标分量，B坐标分量即可计算得到相应地YUV颜色空间坐标系中的Y坐标分量，U坐标分量，V坐标分量。上述转换关系式仅为一种转换计算较简单的方式，具体转换时还有多种转换公式，比如转换系数更为精确，转换更为复杂更为精确的其它转换公式也均能实现坐标转换。

U3）分别提取各个坐标分量下的图像中感兴趣区域（Region ofInterest）。

若步骤U2）中彩色图像转换到Lab颜色空间坐标系，则本步骤中分别提取L坐标分量下的ROI区域，a坐标分量下的ROI区域，b坐标分量下的ROI区域。若步骤U2）中彩色图像转换到YUV颜色空间坐标系，则本步骤中分别提取Y坐标分量下的ROI区域，U坐标分量下的ROI区域，V坐标分量下的ROI区域。其它色彩空间，则类似。

本具体实施方式中，提取各坐标分量下的ROI区域时，先计算当前坐标分量下每个像素点的梯度值，根据梯度直方图确定分割阈值，将满足阈值条件的像素点提取出来，就得到ROI区域。具体地，如图2所示，为提取ROI区域时的流程图。

U31）求取当前坐标分量下每个像素点的梯度值。

求取像素点的梯度值有多种实现方法。本具体实施方式中采用Sobel算子求取每个像素点的梯度值。具体地，采用Sobel算子一阶偏导的有限差分计算并保存当前像素点的水平方向的方向导数G（x）和竖直方向的方向导数G（y），根据如下公式计算得到当前像素点的梯度值

如采用其它算子求助梯度值，则相应有其它求取方法以及计算公式，本具体实施方式中不再一一举例说明。

如前述转换到YUV颜色坐标系中，则此处计算得到的图像中各像素点的Y坐标下的梯度值存储在对应的矩阵f_Y(m，n)、各像素点的U坐标下的梯度值存储在对应的矩阵f_U(m，n)、各像素点的V坐标下的梯度值存储在对应的矩阵f_V(m,n)中。

U32）根据梯度值直方图确定分割阈值。

确定分割阈值为确定高阈值T_H和低阈值T_L。阈值设定的方法是，先找到图像像素点梯度值中最大梯度Tmax和最小梯度Tmin。通常情况下Tmin很小，一般趋近与0，可以忽略不计，而Tmax很大。找到最大梯度Tmax和最小梯度Tmin后，设定高阈值T_H与低阈值T_L分别满足如下关系：T_H=Tmax/n；T_L=T_H/2；其中，数值n的设定满足使大于T_H的像素点数占总像素数目的15%～20%。按照如上方式设定分割阈值中高阈值，低阈值数据组合，高阈值T_H的大小只依赖于最大梯度值Tmax，且要求大于高阈值T_H的像素点总数占所有像素点数目的15%～20%。取占15%～20%，使得提取的ROI区域既能保留原图像中重要区域的信息，也不至于使得ROI区域太大而无法达到后续提高整个边缘检测过程效率的目的。

U33）将满足分割阈值条件的像素点提取出来，得到当前坐标分量下的图像中感兴趣区域。

针对步骤U32）为确定高阈值T_H和低阈值T_L的过程，此处步骤U33）中提取边缘处像素点时，即为将梯度值大于高阈值T_H的像素点归入矩阵f1中；将梯度值大于低阈值T_L的像素点归入矩阵f2中，将矩阵f2中孤立的点作为噪声滤除掉得到矩阵f3，将矩阵f1和矩阵f3叠加，得到当前坐标分量下的图像中感兴趣区域。

按照如上提取ROI区域的方式可分别提取得到多个坐标分量下的感兴趣区域。如取占总像素点数目的18%，则直接从梯度直方图选择值较大的占总像素点数据18%的像素点归入矩阵f1，其中这一部分像素点中梯度值最小的值即对应高阈值T_H。而低阈值T_L是高阈值T_H的一半，即相应确定低阈值T_L，进而选取像素点归入矩阵f2。上述阈值设置方式以及提取像素点过程，无需人为参与过程，计算机只需在给定梯度区间内进行选择，可提高提取ROI区域过程的工作效率。另外，本具体实施方式中，设置高低阈值的方式，相对于传统边缘提取算法中以单一阈值作为边缘点和非边缘点的评判标准来说，提高了阈值设置的合理性，有利于提高后续边缘检测结果的准确性。

如上提取得到各坐标分量下的ROI区域后，即进入步骤U4）边缘检测过程。

U4）边缘检测：对步骤U3）提取的各个坐标分量下感兴趣区域进行边缘检测，得到各个坐标分量下的边缘图像，将各个坐标分量下的边缘图像组合叠加得到最终边缘图像。

此步骤中，针对步骤U3）提取得到的各个坐标分量下的ROI区域，分别检测边缘图像，即得到各个坐标分量下的边缘图像，然后将各个坐标分量下的边缘图像进行组合叠加，得到最终的边缘提取结果。至此，完成对一幅彩色图像的感兴趣区域的边缘提取。

步骤U4）中涉及到的边缘检测有多种成熟的算法，如梯度算子、拉普拉斯算子、LOG算子以及Canny算子等，各算子对不同类型的图像在处理方面都有各自的优势。本具体实施方式中优选地按照如下方式进行边缘提取：

41）对当前坐标分量下的感兴趣区域采用Sobel算子进行边缘检测得到边缘图像，作为边缘主体图像；对当前坐标分量下的感兴趣区域采用Canny算子进行边缘检测得到边缘图像，作为边缘补充图像。

详细地，Sobel算子检测得到边缘主体图像I（包括，第一个坐标分量下得到边缘图像I1，第二个坐标分量下得到边缘图像I2，第三个坐标分量下得到边缘图像I3，依此类推），用Canny算子检测得到边缘补充图像I’(同样地包括，第一个坐标分量下得到边缘图像I1’，第二个坐标分量下得到边缘图像I2’，第三个坐标分量下得到边缘图像I3’，依此类推)。由Sobel算子和Canny算子特点得知边缘主体图像I中所含边缘点较边缘补充图像I’中少。

42）采用Canny算子连接边缘图像的方法连接所述边缘主体图像和边缘补充图像，得到当前坐标分量下的边缘图像。

Canny算子连接图像时边缘主体图像I和边缘补充图像I’时，对图像I进行扫描，当遇到一个非零灰度的像素点p（x，y）时，跟踪以p（x，y）为开始点的轮廓线，直到轮廓线的终点q（x，y）。检测图像I’中与图像I中像素点q（x，y）点位置对应的像素点s（x，y）的8个邻近区域。如果在像素点s（x，y）的8个邻近区域中有非零像素点s’（x，y）存在，则将图像I’中非零像素点s’（x，y）包括到图像I中，作为像素点r（x，y）。从像素点r（x，y）开始，重复前述步骤，直到在图像I和图像I’中都无法继续为止，表示已完成对图像I中包含像素点p（x，y）的轮廓线的连接。之后，寻找下一条轮廓线。重复上述连接步骤，直到图像I中找不到新轮廓线为止。对各坐标分量下的边缘主体图像Ik，边缘补充图像Ik’均进行上述连接操作，即得到各坐标分量下的边缘图像。

本具体实施方式中，按照上述优选方式检测各坐标分量的边缘图像，检测过程中综合利用Sobel算子和Canny算子进行边缘提取，然后对两个边缘检测结果进行边缘连接，得到相对完整的边缘图像。该优选方法综合了Sobel算子和Canny算子边缘检测的优势，得到的边缘图像既具有Sobel算子检测较连续的特点，又具有Canny算子检测边缘信息较完整的特点。

本具体实施方式中，通过步骤U1）-U4）即完成一幅彩色图像的边缘图像提取。本具体实施方式中，先提取得到ROI区域，而ROI区域才是实际应用中人们关注较多，信息较集中的区域。针对ROI区域单独分析与处理，考虑ROI区域的特征提取边缘图像，而不是对整体图像进行边缘检测，相对于目前多数方法只能针对图像整体检测，本具体实施方式针对感兴趣区域提取边缘图像，从而达到减少信息处理量、提高图像处理运算速度，提高边缘检测算子相对搜索半径的目的。同时边缘提取时直接针对彩色图像进行处理，省略了灰度转换的步骤，相对于灰度图像的边缘提取保留了较多的边缘信息，边缘漏检率下降，使最终边缘提取结果更加连续完整，改善了边缘提取效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下做出若干替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (9)

1.一种彩色图像的边缘提取方法，其特征在于：包括以下步骤：

1）对待处理的原始彩色图像进行滤波处理；

2）将滤波后的彩色图像转换到颜色空间坐标系中；

3）分别提取各个坐标分量下的图像中感兴趣区域；

4）边缘检测：对步骤3）提取的各个坐标分量下感兴趣区域进行边缘检测，得到各个坐标分量下的边缘图像，将各个坐标分量下的边缘图像组合叠加得到最终边缘图像。

2.根据权利要求1所述的彩色图像的边缘提取方法，其特征在于：所述步骤3）中提取当前坐标分量下的图像中感兴趣区域包括以下步骤：31）求取当前坐标分量下每个像素点的梯度值；32）根据梯度值直方图确定分割阈值；33）将满足分割阈值条件的像素点提取出来，得到当前坐标分量下的图像中感兴趣区域。

3.根据权利要求2所述的彩色图像的边缘提取方法，其特征在于：所述步骤32）中按照如下方式确定高阈值T_H和低阈值T_L：T_H=Tmax/n，T_L=T_H/2，其中，Tmax为像素点梯度值中的最大者，n的设定满足使梯度值大于T_H的像素点数占总像素点数目的15%～20%。

4.根据权利要求3所述的彩色图像的边缘提取方法，其特征在于：所述步骤33）中，将梯度值大于高阈值T_H的像素点归入矩阵f1中；将梯度值大于低阈值T_L的像素点归入矩阵f2中，将矩阵f2中孤立的点作为噪声滤除掉得到矩阵f3，将矩阵f1和矩阵f3叠加，得到当前坐标分量下的图像中感兴趣区域。

5.根据权利要求2所述的彩色图像的边缘提取方法，其特征在于：所述步骤31）中采用Sobel算子求取每个像素点的梯度值，即当前像素点（x，y）的梯度值

其中，G（x）为根据Sobel算子计算的当前像素点的水平方向的方向导数，G（y）为根据Sobel算子计算的当前像素点的垂直方向的方向导数。

6.根据权利要求1所述的彩色图像的边缘提取方法，其特征在于：所述步骤4）中进行当前坐标分量下的边缘检测时，包括以下步骤：41）对当前坐标分量下的感兴趣区域采用Sobel算子进行边缘检测得到边缘图像，作为边缘主体图像；对当前坐标分量下的感兴趣区域采用Canny算子进行边缘检测得到边缘图像，作为边缘补充图像；42）采用Canny算子连接边缘图像的方法连接所述边缘主体图像和边缘补充图像，得到当前坐标分量下的边缘图像。

7.根据权利要求1所述的彩色图像的边缘提取方法，其特征在于：所述步骤1）中进行滤波处理时，分别采用三个不同的尺度的高斯滤波器进行三次滤波处理，得到第一滤波图像，第二滤波图像和第三滤波图像；将所述第一滤波图像，第二滤波图像和第三滤波图像进行组合，得到最终滤波后的彩色图像。

8.根据权利要求1所述的彩色图像的边缘提取方法，其特征在于：所述步骤2）中所述颜色空间坐标系为YUV坐标系。

9.根据权利要求1所述的彩色图像的边缘提取方法，其特征在于：所述步骤2）中所述颜色空间坐标系为Lab坐标系、YIQ坐标系、HSL坐标系、HSV坐标系、HIS坐标系或CMYK坐标系。

Images