CN103177260B - 一种彩色图像边界提取方法 - Google Patents

Abstract

本发明涉及一种彩色图像边界提取方法，根据彩色图像主要包含的色彩信息和亮度信息，在边界提取的过程中同时考虑色彩信息和亮度信息的边界提取，并将两者融合起来，得到更加完善的边界图像。本发明设计了一种基于亮度信息和向量空间的彩色图像Canny边界提取方法，分别计算亮度信息和向量空间的梯度值及方向，然后对两组梯度值单独进行非极大值抑制，设定高低阈值，分别融合得到的高阈值图像和低阈值图像，最后利用形态学处理得到最终边界。

Description

一种彩色图像边界提取方法

技术领域

本发明涉及计算机视觉、数字图像处理领域，尤其是一种彩色图像边界提取方法。

背景技术

彩色图像边界是指图像中周围像素值有阶跃变化的那些像素的集合，即图像局部变化最显著的部分。边界提取算法通常分为三类：输出合成，梯度合成及向量方法。输出合成，先对彩色图像的各分量独立边缘检测，然后合成前面的结果作为最后边缘；梯度合成，先合成各分量的梯度，然后边缘检测；向量方法将彩色图像看作向量，充分利用色彩信息，可以获得比较理想的边缘。

目前灰度图像边界提取技术已相当成熟，彩色边界提取最直接的方法就是将彩色图像转变为灰度图像，然后利用现有灰度图像边界提取技术提取边界。然而彩色图像有90％的边缘和灰度图像中的边缘相同，有10％的边缘在灰度图像中是检测不到的，人在视觉上感知边缘位置的依据是亮度值和色彩等信息。

采用基于向量空间的彩色图像Canny算法可以充分利用色彩信息。首先将彩色图像R、G、B分量在向量空间计算梯度，得到向量空间梯度值及方向角，然后依据方向角对梯度图像进行非极大值抑制，计算高低两个阈值，最后在8邻域内连接边界点得到边界图像。

如上所述，采用彩色图像转灰度图像再进行边界提取将丢失10％的色彩边界；并且在彩色图像转到灰度图像的过程中也会有大量彩色相关信息丢失；采用基于向量空间的彩色图像Canny算法可以充分利用色彩信息，但是会忽略一些亮度信息。

因此，本发明针对以上问题提出充分融合亮度信息和色彩信息的彩色图像边界提取方案，以提高彩色图像边界提取的精确性和高效性，同时尽量保持原有的算法复杂度。

发明内容

有鉴于此，本发明的目的是提供一种彩色图像边界提取方法。

本发明采用以下方案实现：一种彩色图像边界提取方法，其特征在于，包括以下步骤：

S1：提取彩色图像的亮度信息I和彩色信息R、G、B；

S2：对所述亮度信息I和彩色信息R、G、B分别进行高斯平滑，得到平滑后的亮度信息i和彩色信息r、g、b；

S3：对所述亮度信息i和彩色信息r、g、b分别求高斯一阶偏导，并计算所述亮度信息i的亮度梯度值G_i(x，y)和方向以及所述彩色信息r、g、b在向量空间中的向量梯度值F_v(x，y)和方向θ(x，y)；

S4：对所述亮度梯度值G_i(x，y)和向量梯度值F_v(x，y)分别进行非极大值抑制，并分别记为亮度梯度值G和向量梯度值F；

S5：对所述亮度梯度值G和向量梯度值F分别进行双阈值分割，得到亮度梯度值G的高阈值边界图像N_gh(x，y)和低阈值边界图像N_gl(x，y)以及向量梯度值F的高阈值边界图像N_fh(x，y)和低阈值边界图像N_fl(x，y)；

S6：融合所述亮度梯度值G的高阈值边界图像N_gh(x，y)和向量梯度值F的高阈值边界图像N_fh(x，y)得到高阈值图像N_h(x，y)，并融合所述亮度梯度值G的低阈值边界图像N_gl(x，y)和向量梯度值F的低阈值边界图像N_fl(x，y)得到低阈值图像N_l(x，y)；

S7：在所述低阈值图像N_l(x，y)的8邻域寻找能够连接到所述高阈值图像N_h(x，y)的边界点，并连接成轮廓得到边界图像。

在本发明一实施例中，所述步骤S2中，利用高斯滤波公式G(x，y)＝f(x，y)*H(x，y)进行高斯滤波，其中σ为方差；对于亮度信息I，令f(x，y)＝I，平滑结果为i，对于彩色信息R、G、B，分别令f(x，y)＝R,f(x，y)＝G,f(x，y)＝B，平滑结果分别为r、g、b。

在本发明一实施例中，所述步骤S3中，所述亮度信息i的亮度梯度值和方向对所述彩色信息r、g、b分别求高斯一阶偏导得所述彩色信息r、g、b在向量空间中的向量梯度值 $F_v(x,y)={\{\frac{1}{2}\[(g_{xx}+g_{yy})+(g_{xx}-g_{yy})cos2\mathrm{\θ}+2g_{xy}sin2\mathrm{\θ}\]\}}^{\frac{1}{2}}$ 和方向 $\mathrm{\θ}(x,y)=\frac{1}{2}\arctan \[\frac{2g_{xy}}{g_{xx}-g_{yy}}\],$ 其中， $g_{xx}=|\frac{\∂R}{\∂x}{|}^2+|\frac{\∂G}{\∂x}{|}^2+|\frac{\∂B}{\∂x}{|}^2,g_{yy}=|\frac{\∂R}{\∂y}{|}^2+|\frac{\∂G}{\∂y}{|}^2+|\frac{\∂B}{\∂y}{|}^2,$ $g_{xy}=\frac{\∂R}{\∂x}\frac{\∂R}{\∂y}+\frac{\∂G}{\∂x}\frac{\∂G}{\∂y}+\frac{\∂B}{\∂x}\frac{\∂B}{\∂y}.$

在本发明一实施例中，所述步骤S4中，对于亮度梯度值G_i(x，y)，进行非极大值抑制的插值计算时，权重由与的比值得到；对于向量梯度值F_v(x，y)，进行非极大值抑制的插值计算时，首先保存梯度最大时对应的角度θ_max(x，y)，然后选择tan(θ_max(x，y))或cot(θ_max(x，y))作为权重。

在本发明一实施例中，所述步骤S5中，选定两个阈值T_l和T_h，且T_l＜T_h，从亮度梯度值G中去除梯度值小于T_h的梯度值，得到高阈值边界图像N_gh(x，y)，去除梯度值小于T_l的梯度值，得到低阈值边界图像N_gl(x，y)；从向量梯度值F中去除梯度值小于T_h的梯度值，得到高阈值边界图像N_fh(x，y)，去除梯度值小于T_l的梯度值，得到低阈值边界图像N_fl(x，y)。

在本发明一实施例中，所述T_l＝0.4T_h。

在本发明一实施例中，所述步骤S6中，所述融合方法为求并集。

在本发明一实施例中，所述步骤S7中，还采用二值图像单位像素细化所述轮廓得到最终边界图像。

本发明与现有技术相比具有如下优点：

1.现有的边界提取方法中，有的将彩色图像转变为灰度图像提取边界，这样会丢失部分色彩信息；有的在向量空间提取边界充分利用了色彩信息，但是忽略了一些亮度信息；而本发明则结合彩色图像特点，融合色彩信息和亮度信息，使得提取的边界更丰富。

2.现有技术中，向量梯度在非极大值抑制过程中无x方向和y方向信息或采用其近似信息来计算插值权重，无法达到准确的权重计算要求，从而降低了非极大值抑制的效果；而本发明在计算像素点的梯度的基础上，利用最大梯度的角度信息，并将其作为计算插值的权重，由此可以更加全面、精确的进行非极大值抑制，最终得到满足要求的梯度值。

3.现有技术中，对向量梯度提取阈值后直接进行8邻域连接，并且在此过程中无亮度信息的参与，所以对边界的提取的效果有所影响；而本发明增加了亮度信息，对像素的描述增加了准确性，并且在提取阈值信息后，对亮度和向量梯度的高、低阈值分别进行融合，在融合后的低阈值图像中的8邻域进行判断，寻找可以与高阈值图像相连的点，对可以连接的点进行连接，再利用二值图像细化边界，得到最终的边界，整个过程清晰，得到的结果明显优于现有的技术方案。

附图说明

图1是本发明提取边界图像的方法流程图。

图2是本发明非极大值抑制4个方向角。

图3是本发明非极大值抑制3×3邻域的4条梯度线。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下将通过具体实施例和相关附图，对本发明作进一步详细说明。

本发明提供一种彩色图像边界提取方法，其特征在于，包括以下步骤：

S1：提取彩色图像的亮度信息I和彩色信息R、G、B；

S2：对所述亮度信息I和彩色信息R、G、B分别进行高斯平滑，得到平滑后的亮度信息i和彩色信息r、g、b；

S3：对所述亮度信息i和彩色信息r、g、b分别求高斯一阶偏导，并计算所述亮度信息i的亮度梯度值G_i(x，y)和方向以及所述彩色信息r、g、b在向量空间中的向量梯度值F_v(x，y)和方向θ(x，y)；

S4：对所述亮度梯度值G_i(x，y)和向量梯度值F_v(x，y)分别进行非极大值抑制，并分别记为亮度梯度值G和向量梯度值F；

S5：对所述亮度梯度值G和向量梯度值F分别进行双阈值分割，得到亮度梯度值G的高阈值边界图像N_gh(x，y)和低阈值边界图像N_gl(x，y)以及向量梯度值F的高阈值边界图像N_fh(x，y)和低阈值边界图像N_fl(x，y)；

S6：融合所述亮度梯度值G的高阈值边界图像N_gh(x，y)和向量梯度值F的高阈值边界图像N_fh(x，y)得到高阈值图像N_h(x，y)，并融合所述亮度梯度值G的低阈值边界图像N_gl(x，y)和向量梯度值F的低阈值边界图像N_fl(x，y)得到低阈值图像N_l(x，y)；

S7：在所述低阈值图像N_l(x，y)的8邻域寻找能够连接到所述高阈值图像N_h(x，y)的边界点，并连接成轮廓得到边界图像。

如图1所示，本发明提取彩色图像的边界图像方法流程主要为：首先，提取彩色图像的亮度信息I和彩色信息R、G、B；然后进行高斯平滑得到亮度信息i和彩色信息r、g、b并对其分别求高斯一阶偏导；接着，计算亮度信息i的亮度梯度值Gi和方向以及彩色信息r、g、b在向量空间中的向量梯度值Fv和方向θ；分别对亮度梯度值Gi和向量梯度值Fv非极大值抑制得到亮度梯度值G和向量梯度值F；然后分别对亮度梯度值G和向量梯度值F进行双阈值分割，并分别融合高阈值图像和低阈值图像；接着在低阈值图像的8邻域寻找可以连接到高阈值图像的边界点，并连接成轮廓得到边界图像，最后采用二值图像单位像素细化所述轮廓得到最终的边界图像。

所述步骤S2中，利用高斯滤波公式G(x，y)＝f(x，y)*H(x，y)进行高斯滤波，滤除图像中的噪声，其中σ为方差；对于亮度信息I，令f(x，y)＝I，平滑结果为i，对于彩色信息R、G、B，分别令f(x，y)＝R,f(x，y)＝G,f(x，y)＝B，平滑结果分别为r、g、b。

所述步骤S3中，所述亮度信息i的亮度梯度值和方向对所述彩色信息r、g、b分别求高斯一阶偏导得 和所述彩色信息r、g、b在向量空间中的向量梯度值 $F_v(x,y)={\{\frac{1}{2}\[(g_{xx}+g_{yy})+(g_{xx}-g_{yy})cos2\mathrm{\θ}+2g_{xy}sin2\mathrm{\θ}\]\}}^{\frac{1}{2}}$ 和方向 $\mathrm{\θ}(x,y)=\frac{1}{2}\arctan \[\frac{2g_{xy}}{g_{xx}-g_{yy}}\],$ 其中， $g_{xx}=|\frac{\∂R}{\∂x}{|}^2+|\frac{\∂G}{\∂x}{|}^2+|\frac{\∂B}{\∂x}{|}^2,g_{yy}=|\frac{\∂R}{\∂y}{|}^2+|\frac{\∂G}{\∂y}{|}^2+|\frac{\∂B}{\∂y}{|}^2,g_{xy}=\frac{\∂R}{\∂x}\frac{\∂R}{\∂y}+\frac{\∂G}{\∂x}\frac{\∂G}{\∂y}+\frac{\∂B}{\∂x}\frac{\∂B}{\∂y}.$

所述步骤S4中，由于8邻域中每两个点对于中心像素是对称的，所以可规定4个方向角如图2所示，x，y方向为坐标轴正方向，4个方向角范围如下：

方向角1：(注：图中y方向向下为正)

方向角2： $\{-\frac{\mathrm{\π}}{2},-\frac{\mathrm{\π}}{4}\]\∪(\frac{\mathrm{\π}}{2},\frac{3}{4}\mathrm{\π}\],$

方向角3： $\{-\frac{3}{4}\mathrm{\π},-\frac{\mathrm{\π}}{2}\]\∪(\frac{\mathrm{\π}}{4},\frac{\mathrm{\π}}{2}\],$

方向角4： $\{-\mathrm{\π},-\frac{3}{4}\mathrm{\π}\]\∪(0,\frac{\mathrm{\π}}{4}\].$

如图3所示，3×3邻域有4条梯度线，沿梯度线某一方向的梯度值，由与该梯度线方向相邻的两个梯度值插值得到。对于亮度梯度值G_i(x，y)，在8邻域分别进行非极大值抑制的插值计算时，权重由与的比值得到；在向量空间中，没有明显的x方向和y方向分量值，所以，对于向量梯度值F_v(x，y)，在8邻域分别进行非极大值抑制的插值计算时，首先保存梯度最大时对应的角度θ_max(x，y)，然后选择tan(θ_max(x，y))或cot(θ_max(x，y))作为权重，接着，将邻域中心像素M处的梯度值F_M与图3中沿梯度线(黑色直线)的两个插值比较大小。如果F_M不比沿梯度线上的两个插值都大，则令F_M＝0。记非极大值抑制后亮度梯度值为G，向量梯度值为F。

所述步骤S5中，选定两个阈值T_l和T_h，且T_l＜T_h，较佳的取T_l＝0.4T_h，从亮度梯度值G中去除梯度值小于T_h的梯度值，得到高阈值边界图像N_gh(x，y)，去除梯度值小于T_l的梯度值，得到低阈值边界图像N_gl(x，y)；从向量梯度值F中去除梯度值小于T_h的梯度值，得到高阈值边界图像N_fh(x，y)，去除梯度值小于T_l的梯度值，得到低阈值边界图像N_fl(x，y)。

所述步骤S6中，所述融合方法为求并集，即N_h(x，y)＝N_gh(x，y)|N_fh(x，y)，N_l(x，y)＝N_gl(x，y)|N_fl(x，y)。

所述步骤S7中，还采用二值图像单位像素细化所述轮廓得到最终边界图像。

上列较佳实施例，对本发明的目的、技术方案和优点进行了进一步详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种彩色图像边界提取方法，其特征在于，包括以下步骤：

S1：提取彩色图像的亮度信息I和彩色信息R、G、B；

S2：对所述亮度信息I和彩色信息R、G、B分别进行高斯平滑，得到平滑后的亮度信息i和彩色信息r、g、b；

S3：对所述亮度信息i和彩色信息r、g、b分别求高斯一阶偏导，并计算所述亮度信息i的亮度梯度值G_i(x，y)和方向以及所述彩色信息r、g、b在向量空间中的向量梯度值F_v(x，y)和方向θ(x，y)；

S4：对所述亮度梯度值G_i(x，y)和向量梯度值F_v(x，y)分别进行非极大值抑制，并分别记为亮度梯度值G和向量梯度值F；

S5：对所述亮度梯度值G和向量梯度值F分别进行双阈值分割，得到亮度梯度值G的高阈值边界图像N_gh(x，y)和低阈值边界图像N_gl(x，y)以及向量梯度值F的高阈值边界图像N_fh(x，y)和低阈值边界图像N_fl(x，y)；

S6：融合所述亮度梯度值G的高阈值边界图像N_gh(x，y)和向量梯度值F的高阈值边界图像N_fh(x，y)得到高阈值图像N_h(x，y)，并融合所述亮度梯度值G的低阈值边界图像N_gl(x，y)和向量梯度值F的低阈值边界图像N_fl(x，y)得到低阈值图像N_l(x，y)；

S7：在所述低阈值图像N_l(x，y)的8邻域寻找能够连接到所述高阈值图像N_h(x，y)的边界点，并连接成轮廓得到边界图像；

所述步骤S3中，所述亮度信息i的亮度梯度值和方向对所述彩色信息r、g、b分别求高斯一阶偏导得 和所述彩色信息r、g、b在向量空间中的向量梯度值 $F_v(x,y)={\{\frac{1}{2}\[(g_{xx}+g_{yy})+(g_{xx}-g_{yy})cos2\mathrm{\θ}+2g_{xy}sin2\mathrm{\θ}\]\}}^{\frac{1}{2}}$ 和方向 $\mathrm{\θ}(x,y)=\frac{1}{2}\arctan \[\frac{2g_{xy}}{g_{xx}-g_{yy}}\],$ 其中， $g_{xx}={\left|\frac{\∂R}{\∂x}\right|}^2+{\left|\frac{\∂G}{\∂x}\right|}^2+{\left|\frac{\∂B}{\∂x}\right|}^2,g_{yy}={\left|\frac{\∂R}{\∂y}\right|}^2+{\left|\frac{\∂G}{\∂y}\right|}^2+{\left|\frac{\∂B}{\∂y}\right|}^2,g_{xy}=\frac{\∂R}{\∂x}\frac{\∂R}{\∂y}+\frac{\∂G}{\∂x}\frac{\∂G}{\∂y}+\frac{\∂B}{\∂x}\frac{\∂B}{\∂y}.$

所述步骤S4中，对于亮度梯度值G_i(x，y)，进行非极大值抑制的插值计算时，权重由与的比值得到；对于向量梯度值F_v(x，y)，进行非极大值抑制的插值计算时，首先保存梯度最大时对应的角度θ_max(x，y)，然后选择tan(θ_max(x，y))或cot(θ_max(x，y))作为权重。

2.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S2中，利用高斯滤波公式G(x，y)＝f(x，y)*H(x，y)进行高斯滤波，其中σ为方差；对于亮度信息I，令f(x，y)＝I，平滑结果为i，对于彩色信息R、G、B，分别令f(x，y)＝R,f(x，y)＝G,f(x，y)＝B，平滑结果分别为r、g、b。

3.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S5中，选定两个阈值T_l和T_h，且T_l＜T_h，从亮度梯度值G中去除梯度值小于T_h的梯度值，得到高阈值边界图像N_gh(x，y)，去除梯度值小于T_l的梯度值，得到低阈值边界图像N_gl(x，y)；从向量梯度值F中去除梯度值小于T_h的梯度值，得到高阈值边界图像N_fh(x，y)，去除梯度值小于T_l的梯度值，得到低阈值边界图像N_fl(x，y)。

4.根据权利要求3所述的一种彩色图像边界提取方法，其特征在于：所述T_l＝0.4T_h。

5.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S6中，所述融合方法为求并集。

6.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S7中，还采用二值图像单位像素细化所述轮廓得到最终边界图像。