CN103886589A - 面向目标的自动化高精度边缘提取方法 - Google Patents

Abstract

本发明公开了一种面向目标的自动化高精度边缘提取方法，包括模型训练阶段与边缘提取阶段；其中模型训练阶段包括以下步骤：A1）基于HAAR特征的级联分类器的训练；A2）基于Canny算子和ASM模型的训练；A3）主动轮廓模型的训练；边缘提取阶段包括以下步骤：B1)采用级联结构对待处理图像中的非目标成分进行快速淘汰；B2）结合Canny算子和ASM模型寻找目标边缘的初始位置；B3）采用主动轮廓模型对初始位置进行校准；B4）将未达到边缘提取要求的样本作为数据库中的训练样本用以反馈调节整个系统。

Description

面向目标的自动化高精度边缘提取方法

技术领域

本发明涉及图像检测技术，尤其涉及的是一种面向目标的自动化高精度边缘提取方法。

背景技术

边缘是是人们描述、识别图像中目标（比如人脸、手、各种物体等）最的重要特征参数。数字图像边缘信息的提取(edgeextraction)，即边缘检测(edgedetection)在图像分割、目标整体操作（目标选中、整体复制、剪切等）中具有重要意义。

目前的边缘信息提取方法大多采用边缘提取算子(如Sobel算子、Kirsch算子、Prewitt算子、Roberts算子、Canny算子等)。在基于边缘提取算子的边缘信息提取方法中，特定的算子只能检测出特定方向的边缘信息，并且对噪声比较敏感，特别是复杂背景下边缘提取精度较差。有些学者用小波技术进行边缘提取，还有基于数学形态学如非线性滤波等方法的边缘信息提取方法。这些方法，虽然相对于算子类的方法有一定程度改进，但边缘提取精度仍离现实需求有较大差距。

还有研究者将主动轮廓模型(ActiveContourModel)方法应用在边缘信息提取中。Kass等人在1987年提出了主动轮廓模型，该模型通过在图像力和外部约束力的共同作用下，可控连续变形曲线的运动得到最终目标轮廓。但主动轮廓模型存在2个问题：一是它对初始位置非常敏感；二是由于模型的非凸性，它有可能收敛到局部极值点甚至发散。

Canny边缘提取算法有三个边缘检测准则:1)好的检测性能。不易漏检真实边缘,不把非边缘点作为边缘点检出,使输出的信噪比最大。2)好的定位精度。检测到的边缘点与实际边缘点位置最近。3)好的单边缘响应。算子检测到的边缘点与实际边缘点应该是一一对应的。

根据以上三个准则,Canny推导出最优边界检测算子的一个近似实现,即边界点位于图像被高斯函数平滑后的梯度幅度的极大值点。Canny算法的实现方案如图1所示。Canny边缘提取方案的最大缺点是容易受到图像噪声的干扰而导致提取的边缘不是或不完全是所要提取的目标（如人的眼睛）的边缘。

主动轮廓模型主要用于解决图像中目标物体的分割操作。理论上是可以解决二维乃至多维的情况，不过最初的模型是在二维图像上建立的。其主要思想为：1）在图像中初始化一个闭合曲线轮廓。只要保证将目标物体完全包含在曲线内部即可；2）构建能量方程。能量方程由两部分组成。一是以规范化曲线形状为目的的项，称为内能量（internalforce）；一是以靠近目标物体边缘为目的的项，称为外能量（externalforce）。实际效果上来说，最小化内能量使得曲线不断向内部紧缩且保持平滑，而外能量则是保证曲线紧缩到目标物体边缘时停止；3）根据能量方程，计算出表示曲线受力的欧拉方程（Eulerequation）。按照曲线各点的受力来对曲线进行变形，直至受力为0。此时能量方程达到最小值，曲线收敛到目标物体边缘。

能量方程依赖于曲线方程的参数化，不是曲线的本征（intrinsic）表示。因此不能处理变形过程中的拓扑变化，从而不能用于检测多目标的情况。而且，主动轮廓模型对初始位置非常敏感，对于复杂背景目标边缘信息的自动化提取精度难以保障。

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，首先采用基于级联检测方法确定目标的大致位置，减少背景对目标边缘信息的干扰；然后用经典的边缘提取算子与ASM模型[4]融合的方法对图像边缘初步定位，解决主动轮廓模型对初始位置敏感的问题；再用主动轮廓模型提取边缘信息，以解决传统边缘提取算子未利用目标先验信息的问题；最后将边缘提取过程中未达到预期的样本回传到模型训练子系统，并不断地学习，使得整个系统变得越来越智能，解决了传统方法缺乏智能性的问题。

本发明的技术方案如下：

一种面向目标的自动化高精度边缘提取方法，包括模型训练阶段与边缘提取阶段；其中模型训练阶段包括以下步骤：A1）基于HAAR特征的级联分类器的训练；A2）基于Canny算子和ASM模型的训练；A3）主动轮廓模型的训练；边缘提取阶段包括以下步骤：B1)采用级联结构对待处理图像中的非目标成分进行快速淘汰；B2）结合Canny算子和ASM模型寻找目标边缘的初始位置；B3）采用主动轮廓模型对初始位置进行校准；B4）将未达到边缘提取要求的样本作为数据库中的训练样本用以反馈调节整个系统。

所述的方法，所述步骤A1，首先选定某一边缘提取目标，准备足够多正样本和负样本，接着利用积分图计算图像HAAR特征，然后采用机器学习算法提取优秀的特征并形成一个强分类器，最后用级联结构将多个强分类器按级别分层组合成最终筛选器。

所述的的方法，所述的ASM模型的训练包括以下步骤：

Step1:先准备一组训练样本，该样本需要包括标定的特征点信息；标定特征点的过程是一个人机交互的过程，标注需要按照以下的原则进行：a、每幅图像标注的特征点必须相同；b、标注特征点的顺序也必须相同；

Step2:计算每一个特征点的权重值，在所有选取的特征点中，各个点的重要性是不一样的，具体表现在有些点是相对固定的，而有些点的变化却比较大，特征点的权重值就是为了反映不同位置特征点对于模型的重要性影响的不同；

Step3:配准；配准的目的就是为了能够对来自不同图像样本的相同特征点进行比较，以此来建立统计形状模型，用以反映形状变化的规律；配准的基本操作首先是以某个形状为基础，而将其他的形状进行放大缩小、旋转、平移等操作，目的是为了能够让那些图像的形状与基本的形状尽可能地接近；

Step4:全局性状模型的训练；首先利用配准后的图像标定点位置建立形状向量，然后对形状向量进行主成分分析进行降维处理，得到的特征向量和特征空间就构成了ASM模型；

Step5:局部特征的构建；ASM中采用近邻几个像元的梯度搜索为特征点寻找新的位置，采用更为严谨的梯度算子即Canny算子来进行位置的更新；

Canny算子的实现步骤：

Step1:用高斯滤波器平滑图像，去除图像噪声；一般选择方差为1.4的高斯函数模板和图像进行卷积运算；

Step2:用一阶偏导的有限差分来计算梯度的幅值和方向；

Step3:对梯度幅值应用非极大值抑制；幅值M越大，其对应的图像梯度值也越大，为确定边缘，必须细化幅值图像中的屋脊带，只保留幅值局部变化最大的点，生成细化的边缘；

Step4:用双阈值算法检测并且连接边缘；双阈值法使Canny算子提取的边缘点更具有鲁棒性，高低阈值分别表示为Hth和Lth，对于高阈值Hth的选择，基于计算出的图像梯度值对应的直方图进行选取；在一幅图像中，非边缘点数目在总图像像素点数目中占的比例表示为Hratio，根据图像梯度值对应的直方图累加，累加数目达到总像素数目的Hratio时，对应的图像梯度值设置为Hth；低阈值Lth的选择通过Lth=Lratio*Hth得到；最后通过对边缘点的标记和领域关系进行连接得到最后的边缘检测图。

所述的方法，所述的步骤B1，利用训练好的级联分类器子窗口对待提取图像进行滑动检测，由易到难，级联分类器的前几个分类器可以快速地将易分辨的非目标部分快速滤过，最后经过多层分类器的筛选，目标将会以尽可能少的干扰部分保存下来，以减少边缘提取的时间和误检率。

所述的方法，其特征在于，所述的步骤B2，截取下来的感兴趣区域将作为ASM模型的输入，经过图像对齐，模型内初始边缘确定，再借助Canny算子对邻域进行边缘矫正，最后得到一个较为精准的初始目标边缘。

本发明的基于级联检测和多种边缘提取算子融合的图像边缘提取技术，首先利用级联分类器在待提取图像中快速锁定目标，然后依托先验知识采用ASM与Canny算子相结合的方法对目标边缘进行初定位，最后借助主动轮廓模型提取最佳边缘。

本发明较传统方法有三个显著的优点：1）级联分类器的加入可以快速准确地过滤图像冗余信息，特别是在背景较为复杂的情况下；2）ASM与Canny算法的结合可以有效地补充Canny算法先验知识的不足并提高ASM中初始轮廓邻域的搜索能力；3）最后一环节加入的主动轮廓模型引入能量将上一步提取的轮廓进一步优化矫正，达到真正的目标边缘高精度提取的目的。

附图说明

图1Canny边缘提取方案

图2本发明技术方案整体框架图；

图3级联分类器的训练

图4HAAR特征的基本类型；

图5积分图；

图6HAAR特征值计算；

图7基于Canny算子和ASM模型的训练

图8级联分类器的工作方式；

图9改进前的人脸轮廓提取，左图为sobel边缘提取，右图为Canny边缘提取；

图10改进后的人脸轮廓提取；从左到右依次为人脸锁定、特征点锁定、边缘提取。

其中矩形框代表人脸以及眼睛鼻子嘴巴大概位置的锁定，中间图中的圆点代表ASM模型对脸部特征点的捕捉，最后一幅图的白色线条为脸部轮廓。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

参考图2，本发明技术方案包括模型训练阶段与边缘提取阶段。其中模型训练阶段包括：1）基于HAAR特征的级联分类器的训练；2）基于Canny算子和ASM模型的训练；3）主动轮廓模型的训练；边缘提取阶段包括：1)采用级联结构对待处理图像中的非目标成分进行快速淘汰；2）结合Canny算子和ASM模型寻找目标边缘的初始位置；3）采用主动轮廓模型对初始位置进行校准；4）将未达到边缘提取要求的样本作为数据库中的训练样本用以反馈调节整个系统。

实施例1模型训练阶段

1.1级联分类器的训练

首先选定某一边缘提取目标，准备足够多正样本（目标图像）和负样本（不包含目标的任何图像），接着利用积分图计算图像HAAR特征，然后采用机器学习算法提取优秀的体征并形成一个强分类器，最后用级联结构将多个强分类器按级别分层组合成最终筛选器。

HAAR特征是一种梯度特征，这类特征模板都是由两个或是多个全等的矩形相邻组合而成，特征模板内有白色和黑色两种矩形，并将此特征模板的特征值定义为白色矩形像素和减去黑色矩形像素和。常用的几种简单特征及其旋转特征分为：边缘特征、线性特征、中心环绕特征（如图4）。特别注意，根据具体情况我们需要设计更利于实用的新型特征类型。此外，HAAR特征也可以有其他特征替代。

对于图像内一点A(x,y)，定义其积分图ii(x,y)为

$\mathrm{ii}(x,y)=\underset{x^{\′}\≤x,y^{\′}\≤y}{\mathrm{\Σ}}i(x^{\′},y^{\′});---\left(1\right)$

其中i(x',y')为点(x',y')处的“原始图”，是此点的颜色值；对于灰度图象，其值为0-255。s(x,y)为点(x,y)及其方向上所有原始图像之和（如图5），称为“列积分和”，可以定义为：

$s(x,y)=\underset{y^{\′}\≤y}{\mathrm{\Σ}}i(x,y^{\′});---\left(2\right)$

了解积分图的原理之后，可以利用它对HAAR特征进行快速计算。矩形特征的特征值计算。以图4中的1(b)特征模板为例，按照之前定义的特征模板的特征值为白色区域像素和减去黑色区域像素和，由刚才的证明可知：

区域A的像素值=ii₄+ii₁-(ii₂+ii₃)；   （3）

区域B的像素值=ii₆+ii₃-(ii₄+ii₅)；   （4）

所以此特征模板的特征值为：

(ii₄-ii₃)-(ii₂-ii₁)+(ii₄-ii₃)-(ii₆-ii₅)；   （5）

待所有特征值计算完毕则可采用机器学习方法进行分类器的训练，这里的机器学习算法有很多选择，可以是神经网络、支持向量机、决策树以及其他统计模型等。需要注意的是在训练过程中需要分层次训练，这样可以构建级联结构以便快速淘汰非目标信息。

1.2基于Canny算子和ASM模型的训练

参考图7，首先选取一组训练样本，用一组特征点来描述样本的形状，然后对各样本的形状进行配准（使得形状尽可能地相似），对这些配准后的形状向量利用主分量分析方法进行统计建模得到物体形状的统计学描述，最后利用建立的模型在新的图像中搜索物体轮廓，从而定位出目标物体。ASM依靠一个由人工标定特征点的训练集来得到一个平均的人脸形状（MeanShape）之后，在平均形状点的邻接区域进行搜索得到目标形状（Shape）。

由ASM训练得到的平均形状模型能很好地覆盖各种人脸几何外形子空间，具有较高的定位精度；同时，采用灰度和梯度信息指导形状模型收敛速度也较快，并且可以提高收敛的概率。而前文介绍的Canny算子可以替换ASM中的领域搜索算法进行目标形状的搜索，从而优化ASM模型，提高目标边缘初始位置的精度。

ASM训练实施步骤：

Step1:要先准备一组训练样本，该样本需要包括标定的特征点信息。标定特征点的过程是一个人机交互的过程，一般是采取手工标注的方式，标注需要按照以下的原则进行：1、每幅图像标注的特征点必须相同；2、标注特征点的顺序也必须相同。

Step2:计算每一个特征点的权重值，我们知道在所有选取的特征点中，各个点的重要性是不一样的，具体表现在有些点是相对固定的，而有些点的变化却比较大，特征点的权重值就是为了反映不同位置特征点对于模型的重要性影响的不同。

Step3:配准。样本空间中的所有图像，在手工标注完成以后，就形成了一个特征点的模型库，但这些模型的大小、方向以及位置都不相同，无法对其进行统计建模，也不能找出它们之间存在着的变形规律。配准的目的就是为了能够对来自不同图像样本的相同特征点进行比较，以此来建立统计形状模型，用以反映形状变化的规律。配准的基本操作首先是以某个形状为基础，而将其他的形状进行放大缩小、旋转、平移等操作，目的是为了能够让那些图像的形状与基本的形状尽可能地接近。

Step4:全局性状模型的训练。首先利用配准后的图像标定点位置建立形状向量，然后对形状向量进行主成分分析进行降维处理，得到的特征向量和特征空间就构成了ASM模型。

Step5:局部特征的构建。ASM中采用近邻几个像元的梯度搜索为特征点寻找新的位置，而本发明则采用更为严谨的梯度算子（Canny算子）来进行位置的更新。

Canny算法的实现步骤：

Step1:用高斯滤波器平滑图像，去除图像噪声。一般选择方差为1.4的高斯函数模板和图像进行卷积运算。

Step2:用一阶偏导的有限差分来计算梯度的幅值和方向。

Step3:对梯度幅值应用非极大值抑制。幅值M越大，其对应的图像梯度值也越大，但这还不足以确定边缘，因为这里仅把图像快速变化的问题转化成求幅值局部最大值问题，为确定边缘，必须细化幅值图像中的屋脊带，只保留幅值局部变化最大的点，生成细化的边缘。

Step4:用双阈值算法检测并且连接边缘。双阈值法使Canny算子提取的边缘点更具有鲁棒性，高低阈值分别表示为Hth和Lth，对于高阈值Hth的选折，基于计算出的图像梯度值对应的直方图进行选取。在一幅图像中，非边缘点数目在总图像像素点数目中占的比例表示为Hratio，根据图像梯度值对应的直方图累加，累加数目达到总像素数目的Hratio时，对应的图像梯度值设置为Hth。低阈值Lth的选择通过Lth=Lratio*Hth得到。最后通过对边缘点的标记和领域关系进行连接得到最后的边缘检测图。

1.3主动轮廓模型（ACM）的构建

首先提供样本目标图像的初始轮廓的位置，并对其定义一个初始能量函数，使轮廓沿能量降低的方向靠近。当初始能量函数达到最小的时候，提供的初始轮廓收敛到图形中目标的真实轮廓。通过遗传算法或其他参数优化算法，选出该模型中最佳的一组参数用以确定该模型。

在实际应用中,我们需要对Snake模型离散化,计算的是曲线的各个控制点的能量值,定义的能量函数如下：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{E}_i=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(a_i{E}_{\mathrm{continuity},i}+{\mathrm{\β}}_i{E}_{\mathrm{curvature},i}+{\mathrm{\γ}}_i{E}_{\mathrm{image},i});---\left(6\right)$

其中内部能量的连续性项能量为：

$E_{\mathrm{continuity},i}=\frac{|d_{\mathrm{mean}}-|v_i-v_{i-1}\left|\right|-\mathrm{Smalles}{t}_{i\_\mathrm{continuity}}}{{L\arg \mathrm{est}}_{i\_\mathrm{continuity}}-\mathrm{Smalle}{\mathrm{st}}_{i\_\mathrm{continuity}}}---\left(7\right)$

dmean表示曲线上相邻点的平均距离,相邻点间的间距与平均值越接近,其能量值越小,这样即保证了平滑,又避免了堆积。

内部能量的曲率项能量表示为：

$\frac{u_i^{\mathrm{\ω}}\·u_{i+1}^{\mathrm{\ω}}}{\left|u_i^{\mathrm{\ω}}\right|\·\left|u_{i+1}^{\mathrm{\ω}}\right|}=\frac{(x_i-x_{i-1})(x_{i+1}-x_i)+(v_i-v_{i-1})(v_{i-1}-v_i)}{\sqrt{[{(x_i-x_{i-1})}^2+{(y_i-y_{i-1})}^2][{(x_{i-1}-x_i)}^2+{(y_{i-1}-y_i)}^2]}}---\left(8\right)$

其中

是向量

和

之间夹角的余弦值，用来估算边缘上各个点的曲率。

而图像能量表示图像的约束条件,根据有利边界点的原则,边界点应具有较小的值，其表达是如下：

$E_{\mathrm{image},i}=\frac{{\mathrm{Smallest}}_{i\_\mathrm{image}}-{\mathrm{\φ}}_{\mathrm{edge}}\left(v_i\right)}{{L\arg \mathrm{est}}_{i\_\mathrm{image}}-\mathrm{Small}{\mathrm{est}}_{i\_\mathrm{image}}}---\left(9\right)$

φ_edge(v_i)是边缘检测算子，Smallest_{i_image}和Largest_{i_image}是待考察点的邻域内φ_edge(v_i)的最小值和最大值，式中主要用于归一化计算。

最后，在确定能量函数后,对曲线按照能量最小进行迭代。

实施例2边缘提取阶段

2.1非目标影响部分的快速淘汰

参考图8，利用训练好的级联分类器子窗口对待提取图像进行滑动检测，由易到难，级联分类器的前几个分类器可以快速地将易分辨的非目标部分快速滤过，最后经过多层分类器的筛选，目标将会以尽可能少的干扰部分保存下来，以减少边缘提取的时间和误检率。

2.2目标边缘初定位

截取下来的感兴趣区域将作为ASM模型的输入，经过图像对齐，模型内初始边缘确定，再借助Canny算子对邻域进行边缘矫正，最后得到一个较为精准的初始目标边缘。

2.3边缘的最终确定

该阶段利用主动轮廓模型（ACM模型）对边缘进行最后的收敛，提取目标边缘。

2.4数据库的补充

通过评价标准对提取结果进行评价，若未通过标准则目标将会被记录并加入数据库进行下一次训练，用以整个边缘提取系统的补充学习。

实验结果表明本发明方案在保证速度的基础上较大幅度提高了边缘提取精度。图9和图10分别为传统方法与本方案的初步人脸轮廓提取的试验结果。从图中可以看出本方案通过人脸锁定和特征点提取能更准确地将冗余信息去除掉，最终达到高精度边缘提取的目的。

本发明中：1）级联筛选算法中的特征可以是HAAR也可以是LBP、HOG等其他纹理特征描述方式；2）级联结构中的强分类器可以是ADABOOST分类器、神经网络也可以是其他任何机器学习算法；3）ASM可以由任何改进版本的ASM或者AAM模型替代；4）Canny算子可以由其他成熟的边缘检测算子代替。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种面向目标的自动化高精度边缘提取方法，其特征在于，包括模型训练阶段与边缘提取阶段；其中模型训练阶段包括以下步骤：A1）基于HAAR特征的级联分类器的训练；A2）基于Canny算子和ASM模型的训练；A3）主动轮廓模型的训练；边缘提取阶段包括以下步骤：B1)采用级联结构对待处理图像中的非目标成分进行快速淘汰；B2）结合Canny算子和ASM模型寻找目标边缘的初始位置；B3）采用主动轮廓模型对初始位置进行校准；B4）将未达到边缘提取要求的样本作为数据库中的训练样本用以反馈调节整个系统。

2.根据权利要求1所述的方法，其特征在于，所述步骤A1，首先选定某一边缘提取目标，准备足够多正样本和负样本，接着利用积分图计算图像HAAR特征，然后采用机器学习算法提取优秀的特征并形成一个强分类器，最后用级联结构将多个强分类器按级别分层组合成最终筛选器。

3.根据权利要求1所述的方法，其特征在于，所述的ASM模型的训练包括以下步骤：

Step1:先准备一组训练样本，该样本需要包括标定的特征点信息；标定特征点的过程是一个人机交互的过程，标注需要按照以下的原则进行：a、每幅图像标注的特征点必须相同；b、标注特征点的顺序也必须相同；

Step2:计算每一个特征点的权重值，在所有选取的特征点中，各个点的重要性是不一样的，具体表现在有些点是相对固定的，而有些点的变化却比较大，特征点的权重值就是为了反映不同位置特征点对于模型的重要性影响的不同；

Step3:配准；配准的目的就是为了能够对来自不同图像样本的相同特征点进行比较，以此来建立统计形状模型，用以反映形状变化的规律；配准的基本操作首先是以某个形状为基础，而将其他的形状进行放大缩小、旋转、平移等操作，目的是为了能够让那些图像的形状与基本的形状尽可能地接近；

Step4:全局性状模型的训练；首先利用配准后的图像标定点位置建立形状向量，然后对形状向量进行主成分分析进行降维处理，得到的特征向量和特征空间就构成了ASM模型；

Step5:局部特征的构建；ASM中采用近邻几个像元的梯度搜索为特征点寻找新的位置，采用更为严谨的梯度算子即Canny算子来进行位置的更新；

Canny算子的实现步骤：

Step1:用高斯滤波器平滑图像，去除图像噪声；一般选择方差为1.4的高斯函数模板和图像进行卷积运算；

Step2:用一阶偏导的有限差分来计算梯度的幅值和方向；

Step3:对梯度幅值应用非极大值抑制；幅值M越大，其对应的图像梯度值也越大，为确定边缘，必须细化幅值图像中的屋脊带，只保留幅值局部变化最大的点，生成细化的边缘；

Step4:用双阈值算法检测并且连接边缘；双阈值法使Canny算子提取的边缘点更具有鲁棒性，高低阈值分别表示为Hth和Lth，对于高阈值Hth的选择，基于计算出的图像梯度值对应的直方图进行选取；在一幅图像中，非边缘点数目在总图像像素点数目中占的比例表示为Hratio，根据图像梯度值对应的直方图累加，累加数目达到总像素数目的Hratio时，对应的图像梯度值设置为Hth；低阈值Lth的选择通过Lth=Lratio*Hth得到；最后通过对边缘点的标记和领域关系进行连接得到最后的边缘检测图。

4.根据权利要求1所述的方法，其特征在于，所述的步骤B1，利用训练好的级联分类器子窗口对待提取图像进行滑动检测，由易到难，级联分类器的前几个分类器可以快速地将易分辨的非目标部分快速滤过，最后经过多层分类器的筛选，目标将会以尽可能少的干扰部分保存下来，以减少边缘提取的时间和误检率。

5.根据权利要求1所述的方法，其特征在于，所述的步骤B2，截取下来的感兴趣区域将作为ASM模型的输入，经过图像对齐，模型内初始边缘确定，再借助Canny算子对邻域进行边缘矫正，最后得到一个较为精准的初始目标边缘。

Images