CN103955944A - 一种图像边缘检测方法及装置 - Google Patents

Abstract

本发明提供一种图像边缘检测方法和装置，通过本发明实施例提供的图像边缘检测方法，在获取M个初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子后，可以利用M个一阶边缘检测算子得到一阶边缘检测图像以及利用M个二阶边缘检测算子得到二阶边缘检测图像；然后将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，得到边缘检测图像。与现有技术相比，本发明实施例提供的图像边缘检测方法提出了同时基于一阶边缘检测算子和二阶边缘检测算子检测图像边缘的方法。并且经过发明人多次实验证明，将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算后，边缘检测图像中的噪声降低，从而提高边缘检测图像的抗噪能力。

Description

一种图像边缘检测方法及装置

技术领域

本发明涉及边缘检测技术领域，特别涉及一种图像边缘检测方法及装置。

背景技术

在智能化的人机交互过程和对计算机图像边缘检测的研究中，边缘检测作为图像的主要特征，边缘检测技术已经成为图像分割、目标区域识别和区域形状提取等图像分析的重要基础。迄今为止，边缘检测技术在科学研究、工业生产、军事技术和卫生等领域发挥着越来越重要的作用，对边缘检测技术的研究也日益受到人们的重视。

其中边缘是指图像周围像素灰度有阶跃变化或屋顶状变化的像素的集合，存在于目标与背景、目标与目标、区域与区域、基元与基元之间。图像具有方向和幅度两个特征，沿边缘走向，像素值变化比较平缓；垂直于边缘走向，像素值变化比较剧烈，可能呈现阶跃状，也可能呈现斜坡状。因此边缘可以分为两种：一种为阶跃性边缘，该阶跃性边缘两边的像素灰度值有着明显的不同；另一种为屋顶状边缘，该屋顶状边缘位于灰度值从增加到减少的变化转折点。对于阶跃性边缘，二阶方向导数在边缘处呈零交叉，而对于屋顶状边缘，二阶方向导数在边缘处取极值。

目前对于图像边缘检测主要采用微分运算，包括一阶微分边缘检测算子和二阶边缘微分算子，其中一阶微分边缘检测算子包括：Robert算子、Sobel算子和Prewitt算子，二阶边缘微分算子包括：Laplacian算子和Canny算子。但是在实际的图像边缘测中，由于图像中含有投影、畸变和噪声等干扰，采用传统的微分边缘检测算子进行图像边缘检测的效果并不理想。

发明内容

有鉴于此，本发明实施例提供一种图像边缘检测方法及装置，用于在不采用预滤波的情况下，提高边缘检测图像的抗噪能力，技术方案如下：

本发明实施例提供一种图像边缘检测方法，包括：

分别获取M个初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子，其中，N_i为初始设定的窗口大小，M为初始设定的窗口个数；

在得到M个一阶边缘检测算子和M个二阶边缘检测算子后，利用M个一阶边缘检测算子得到一阶边缘检测图像；

利用M个二阶边缘检测算子得到二阶边缘检测图像；

将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，得到边缘检测图像。

优选地，获取初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子，包括：

将检测图像划分为大小为(2N_i+1)×(2N_i+1)的多个矩形窗口，每个矩形窗口中的像素点坐标表示为其中r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，2N_i+1为边缘检测算子大小，t为所述矩形窗口中每个像素点之间的间隔系数，N_i为初始设定的窗口大小；

计算每个矩形窗口中每个像素点的一阶导数和二阶导数；

利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量；

利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量；

将每个矩形窗口的一阶向量重新排列为一阶边缘检测算子；

将每个矩形窗口的二阶向量重新排列为二阶边缘检测算子。

优选地，计算每个矩形窗口中每个像素点的一阶导数和二阶导数，包括：

依据公式 $f_j=\frac{r_j}{{\mathrm{\ρ}}^2}\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1)$ 计算每个矩形窗口中每个像素点的一阶导数；

依据如下公式计算每个矩形窗口中每个像素点的二阶导数，其中公式为： $h_j=-\frac{1}{{\mathrm{\ρ}}^2}(1-\frac{1}{{\mathrm{\ρ}}^2}{r}_j^2)\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1),$ ρ是边缘检测算子的尺度，且ρ∈R^m×n，R^m×n为待检测图像，m为待检测图像的行数，n为待检测图像的列数。

优选地，利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量，包括：

依据公式F_r＝A(I-eB)f构建每个矩形窗口的一阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵；

利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量，包括：

依据公式F_rr＝A(I-eB)h构建每个矩形窗口的二阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵。

优选地，利用M个一阶边缘检测算子得到一阶边缘检测图像，包括：

基于公式 $I_i^1=\sqrt{{(I*G_i^1)}^2+{\left({(I*G_i^1)}^T\right)}^2},i=1,...,M,$ 获取M个一阶检测图像，其中为一阶边缘检测算子；

对M个所述一阶检测图像进行融合，得到融合后的检测图像 $I^1=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{I}_i^1;$

将融合后的检测图像I¹中的每个像素点与阈值进行比较，当融合后的检测图像I¹中的像素点大于阈值时，将所述大于阈值的像素点取值设置为1，当融合后的检测图像I¹中的像素点小于等于阈值时，将所述小于等于阈值的像素点取值设置为0，以得到一阶边缘检测图像；

利用M个二阶边缘检测算子得到二阶边缘检测图像，包括：基于公式获取M个二阶检测图像，其中为二阶边缘检测算子；

对M个所述二阶检测图像进行融合，得到融合后的检测图像 $I^2=I_1^2*I_2^2*...*I_M^2;$

获取融合后的检测图像I²中的零交叉像素点，将所述零交叉像素点的取值设置为1，其他像素点的取值设置为0，其中所述零交叉像素点为融合后的检测图像I²中图像曲线与X轴交叉的像素点。

本发明实施例还提供一种图像边缘检测装置，包括：

获取单元，用于分别获取M个初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子，其中，N_i为初始设定的窗口大小，M为初始设定的窗口个数；

第一图像获取单元，用于在得到M个一阶边缘检测算子和M个二阶边缘检测算子后，利用M个一阶边缘检测算子得到一阶边缘检测图像；

第二图像获取单元，用于利用M个二阶边缘检测算子得到二阶边缘检测图像；

运算单元，用于将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，得到边缘检测图像。

优选地，所述获取单元包括：

划分子单元，用于将检测图像划分为大小为(2N_i+1)×(2N_i+1)的多个矩形窗口，每个矩形窗口中的像素点坐标表示为其中r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，2N_i+1为边缘检测算子大小，t为所述矩形窗口中每个像素点之间的间隔系数，N_i为初始设定的窗口大小；

计算子单元，用于计算每个矩形窗口中每个像素点的一阶导数和二阶导数；

第一构建子单元，用于利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量；

第二构建子单元，用于利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量；

第一排列子单元，用于将每个矩形窗口的一阶向量重新排列为一阶边缘检测算子；

第二排列子单元，用于将每个矩形窗口的二阶向量重新排列为二阶边缘检测算子。

优选地，所述计算子单元计算每个矩形窗口中每个像素点的一阶导数和二阶导数，包括：

依据公式 $f_j=\frac{r_j}{{\mathrm{\ρ}}^2}\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1)$ 计算每个矩形窗口中每个像素点的一阶导数；

依据如下公式计算每个矩形窗口中每个像素点的二阶导数，其中公式为： $h_j=-\frac{1}{{\mathrm{\ρ}}^2}(1-\frac{1}{{\mathrm{\ρ}}^2}{r}_j^2)\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1),$ ρ是边缘检测算子的尺度，且ρ∈R^m×n，R^m×n为待检测图像，m为待检测图像的行数，n为待检测图像的列数。

优选地，所述第一构建子单元利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量，包括：

依据公式F_r＝A(I-eB)f构建每个矩形窗口的一阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵；

所述第二构建子单元利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量，包括：

依据公式F_rr＝A(I-eB)h构建每个矩形窗口的二阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵。

优选地，所述第一图像获取单元包括：第一获取子单元、第一融合子单元、比较子单元和第一赋值子单元；

所述第一获取子单元，用于基于公式 $I_i^1=\sqrt{{(I*G_i^1)}^2+{\left({(I*G_i^1)}^T\right)}^2},i=1,...,M,$ 获取M个一阶检测图像，其中为一阶边缘检测算子；

所述第一融合子单元，用于对M个所述一阶检测图像进行融合，得到融合后的检测图像

所述比较子单元，用于将融合后的检测图像I¹中的每个像素点与阈值进行比较；

所述第一赋值子单元，用于当融合后的检测图像I¹中的像素点大于阈值时，将所述大于阈值的像素点取值设置为1，当融合后的检测图像I¹中的像素点小于等于阈值时，将所述小于等于阈值的像素点取值设置为0，以得到一阶边缘检测图像；

所述第二图像获取单元包括：第二获取子单元、第二融合子单元和第二赋值子单元；

所述第二获取子单元，用于基于公式获取M个二阶检测图像，其中为二阶边缘检测算子；

所述第二融合子单元，用于对M个所述二阶检测图像进行融合，得到融合后的检测图像 $I^2=I_1^2*I_2^2*...*I_M^2;$

第二赋值子单元，用于获取融合后的检测图像I²中的零交叉像素点，将所述零交叉像素点的取值设置为1，其他像素点的取值设置为0，其中所述零交叉像素点为融合后的检测图像I²中图像曲线与X轴交叉的像素点。

通过本发明实施例提供的图像边缘检测方法，在获取M个初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子后，可以利用M个一阶边缘检测算子得到一阶边缘检测图像以及利用M个二阶边缘检测算子得到二阶边缘检测图像；然后将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，得到边缘检测图像。与现有技术相比，本发明实施例提供的图像边缘检测方法提出了同时基于一阶边缘检测算子和二阶边缘检测算子检测图像边缘的方法。

并且经过发明人多次实验证明，将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算后，边缘检测图像中的噪声降低，从而提高边缘检测图像的抗噪能力。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的图像边缘检测方法的流程图；

图2是图1中步骤101的流程图；

图3是本发明实施例进行实验验证的摄像师图像的示意图；

图4是对图3采用LS-SVM处理后的结果示意图；

图5是对图3采用本发明处理后的结果示意图；

图6是对图3采用Gaussian和LS-SVM结合处理后的结果示意图；

图7是对图3采用Gaussian和本发明结合处理后的结果示意图；

图8是对图3中噪声级别为5时采用LS-SVM处理后的结果示意图；

图9是对图3中噪声级别为5时采用本发明处理后的结果示意图；

图10是对图3中噪声级别为5时采用Gaussian和LS-SVM处理后的结果示意图；

图11是对图3中噪声级别为5时采用Gaussian和本发明处理后的结果示意图；

图12是对图3中噪声级别为5时采用Gaussian和LS-SVM处理后的结果示意图；

图13是对图3中噪声级别为5时采用Gaussian和本发明处理后的结果示意图；

图14是本发明实施例提供的图像边缘检测装置的结构示意图；

图15是图14中获取单元的结构示意图；

图16是图14中第一图像获取单元的结构示意图；

图17是图14中第二图像获取单元的结构示意图。

具体实施方式

发明人经过多次实验发现，单独采用一阶边缘检测算子和二阶边缘检测算子进行图像边缘检测时，其抑制噪声的能力较差，而将一阶边缘检测算子和二阶边缘检测算子相结合使用，并对利用一阶边缘检测算子得到的一阶边缘检测图像和利用二阶边缘检测算子得到的二阶边缘检测图像进行逻辑与运算，可以有效降低边缘检测图像中的噪声，提高抗噪能力。基于此实验发现，提出了本发明实施例提供的图像边缘检测方法。

为了使本领域技术人员更好地理解本发明，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明实施例提供的图像边缘检测方法的流程图，该图像边缘检测方法通过将一阶边缘检测算子和二阶边缘检测算子相结合使用，并对利用一阶边缘检测算子得到的一阶边缘检测图像和利用二阶边缘检测算子得到的二阶边缘检测图像进行逻辑与运算得到边缘检测图像，可以包括以下步骤：

101：分别获取M个初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子。

其中，N_i为初始设定的窗口大小，M为初始设定的窗口个数，在实际应用过程中，窗口个数M以及窗口大小可以与待检测图像的大小相关。一般情况下，初始设定的窗口为从3开始的正整数。

并且在本发明实施例中每个初始设定的窗口N_i对应的一阶边缘检测算子可以是Robert算子、Sobel算子和Prewitt算子中的任意一种，每个初始设定的窗口N_i对应的二阶边缘微分算子可以是Laplacian算子和Canny算子中的任意一种。

当然，本发明实施例还可以将Robert算子、Sobel算子和Prewitt算子这三个一阶边缘检测算子联合使用，也可以将Sobel算子和Prewitt算子这两个二阶边缘检测算子联合使用。其中所谓联合使用是指至少有两个初始设定的窗口N_i对应两个不同的边缘检测算子。

例如：在对某一个图像进行边缘检测时设定五个初始设定窗口N_i，其中初始设定窗口N₁对应一阶边缘检测算子Robert算子，二阶边缘检测算子为Laplacian算子，而初始设定窗口N₂对应一阶边缘检测算子Sobel算子，二阶边缘检测算子为Canny算子。

102：在得到M个一阶边缘检测算子和M个二阶边缘检测算子后，利用M个一阶边缘检测算子得到一阶边缘检测图像。

103：利用M个二阶边缘检测算子得到二阶边缘检测图像。

在本发明实施例中，一阶边缘检测图像是利用一阶边缘检测算子得到的边缘检测图像，相应的二阶边缘检测图像是利用二阶边缘检测算子得到的边缘检测图像。

当一阶边缘检测算子和二阶边缘检测算子为现有边缘检测算子时，其可以采用现有边缘检测算子得到边缘检测图像的方式获取边缘检测图像，如采用一阶边缘检测算子卷积的方式，对此本发明实施例不再加以阐述。

104：将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，得到边缘检测图像。

在得到一阶边缘检测图像和二阶边缘检测图像后，发明人对这两个边缘检测图像采用何种逻辑运算得到边缘检测图像进行反复实验验证，在实验验证过程中发现逻辑或运算得到的边缘检测图像中的噪声明显小于其他逻辑运算，且其运算难度低于多个逻辑运算结合运算的难度，因此本发明实施例优选将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，来降低边缘检测图像中的噪声，提高抗噪能力。

此外，本发明实施例还提供获取初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子的其他方式，其流程图可以参阅图2所示，可以包括以下步骤：

1011：将检测图像划分为大小为(2N_i+1)×(2N_i+1)的多个矩形窗口，每个矩形窗口中的像素点坐标表示为其中坐标采用卡迪尔坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，2N_i+1为边缘检测算子大小，t为矩形窗口中每个像素点之间的间隔系数，N_i为初始设定的窗口大小。

在本发明实施例中，间隔系数t可以依据矩形窗口大小设置，当然也可以为不同大小的矩形窗口设置相同的间隔系数t，如间隔系数t＝2。

1012：计算每个矩形窗口中每个像素点的一阶导数和二阶导数。其中在计算一阶导数和二阶导数时，可以分别依据如下公式计算：

依据公式 $f_j=\frac{r_j}{{\mathrm{\ρ}}^2}\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1)$ 计算每个矩形窗口中每个像素点的一阶导数；

依据公式 $h_j=-\frac{1}{{\mathrm{\ρ}}^2}(1-\frac{1}{{\mathrm{\ρ}}^2}{r}_j^2)\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},$ j＝1,...,(2N_i+1)×(2N_i+1)计算每个矩形窗口中每个像素点的二阶导数，其中ρ是边缘检测算子的尺度，且ρ∈R^m×n，R^m×n为待检测图像，m为待检测图像的行数，n为待检测图像的列数。ρ可以根据待检测图像设置，具体本发明实施例不再阐述。

1013：利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量。其构建过程可以是：依据公式F_r＝A(I-eB)f构建每个矩形窗口的一阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵，Ω矩阵如下表示：

1014：利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量。其构建过程可以是：依据公式F_rr＝A(I-eB)h构建每个矩形窗口的二阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵，Ω矩阵如下表示：

1015：将每个矩形窗口的一阶向量重新排列为一阶边缘检测算子。

1016：将每个矩形窗口的二阶向量重新排列为二阶边缘检测算子。

在排列一阶边缘检测算子和二阶边缘检测算子时，可以将相应的向量按照向量列重新排列，也可以是按照向量行重新排列。如按列重新排列的方式为：假设一阶向量F_r＝[f₁,f₂,f₃,f₄,…,f₁₆]^T，则按列重新排列后的一阶边缘检测算子为： $G_i^1=\left[\begin{array}{cccc}& & & \·\\ f_1& f_5& \·\·\·& \·\\ & & & \·\\ & & & \·\\ f_2& f_6& \·\·\·& \·\\ & & & \·\\ & \·& & \·\\ f_3& \·& \·\·\·& \·\\ & \·& & \·\\ & \·& & \\ f_4& \·& \·\·\·& f_{16}\\ & \·& & \end{array}\right].$

相应的，在采用图2所示方式获取一阶边缘检测算子和二阶边缘检测算子后，其获取一阶边缘检测图像和二阶边缘检测图像的方式如下：

利用M个一阶边缘检测算子得到一阶边缘检测图像的过程可以包括：首先，基于公式 $I_i^1=\sqrt{{(I*G_i^1)}^2+{\left({(I*G_i^1)}^T\right)}^2},i=1,...,M,$ 获取M个一阶检测图像，为一阶边缘检测算子，即将待检测图像与每个一阶边缘检测算子进行卷积得到一阶检测图像；

其次，对M个一阶检测图像进行融合，得到融合后的检测图像即将卷积后的一阶检测图像进行加和平均得到融合后的检测图像。

最后，将融合后的检测图像I¹中的每个像素点与阈值进行比较，当融合后的检测图像I¹中的像素点大于阈值时，将大于阈值的像素点取值设置为1，当融合后的检测图像I¹中的像素点小于等于阈值时，将小于等于阈值的像素点取值设置为0，以得到一阶边缘检测图像。

比如阈值为θ，为待检测图像中的第k行第p列的像素点，当时，表示该像素点为边缘点，则令当当时，表示该像素点为非边缘点，则令

利用M个二阶边缘检测算子得到二阶边缘检测图像的过程可以如下：首先基于公式获取M个二阶检测图像，其中为二阶边缘检测算子。

其次，对M个二阶检测图像进行融合，得到融合后的检测图像由于二阶边缘算子对噪声比较敏感，采用二阶边缘检测算子获得的边缘图像中噪声较多，所以本发明实施例将不同二阶边缘检测算子得到的边缘图像通过卷积的方式处理来降低采用二阶边缘检测算子得到的边缘图像中的噪声。

最后，获取融合后的检测图像I²中的零交叉像素点，将零交叉像素点的取值设置为1，其他像素点的取值设置为0，其中零交叉像素点为融合后的检测图像I²中图像曲线与X轴交叉的像素点。

下面以实际图像将本发明实施例基于图1和图2结合的方法与其他方法进行对比来说明本发明实施例提供的方法可以提高抗噪能力。如图3所示的摄像师图像，该摄像师图像为256×256的图像，初始设定的窗口个数M＝3，窗口大小分别为N₁＝8，N₂＝9，N₃＝10，间隔系数t＝2。对比方法为本发明实施例基于图1和图2结合的方法、基于最小二乘支持向量机的方法(简称为LS-SVM)、高斯滤波+LS-SVM，在图3所示摄像师图像中无噪声和有噪声的情况下进行对比，其噪声等级采用σ表示，σ为高斯白噪声的标准差，对比结果如图4-图13所示，在σ＝5时，本发明不用滤波器的效果比LSSVM在无噪声情况下不使用滤波器的效果还要好。在其他噪声等级上，本发明的抗噪能力也优于其他方法。

与上述方法实施例相对应，本发明实施例还提供一种图像边缘检测装置，其结构示意图如图14所示，可以包括：获取单元11、第一图像获取单元12、第二图像获取单元13和运算单元14。其中，

获取单元11，用于分别获取M个初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子，其中，N_i为初始设定的窗口大小，M为初始设定的窗口个数，在实际应用过程中，窗口个数M以及窗口大小可以与待检测图像的大小相关。一般情况下，初始设定的窗口为从3开始的正整数。

并且在本发明实施例中每个初始设定的窗口Ni对应的一阶边缘检测算子可以是Robert算子、Sobel算子和Prewitt算子中的任意一种，每个初始设定的窗口N_i对应的二阶边缘微分算子可以是Laplacian算子和Canny算子中的任意一种。

当然，本发明实施例还可以将Robert算子、Sobel算子和Prewitt算子这三个一阶边缘检测算子联合使用，也可以将Sobel算子和Prewitt算子这两个二阶边缘检测算子联合使用。其中所谓联合使用是指至少有两个初始设定的窗口N_i对应两个不同的边缘检测算子。

例如：在对某一个图像进行边缘检测时设定五个初始设定窗口N_i，其中初始设定窗口N₁对应一阶边缘检测算子Robert算子，二阶边缘检测算子为Laplacian算子，而初始设定窗口N₂对应一阶边缘检测算子Sobel算子，二阶边缘检测算子为Canny算子。

第一图像获取单元12，用于在得到M个一阶边缘检测算子和M个二阶边缘检测算子后，利用M个一阶边缘检测算子得到一阶边缘检测图像。

第二图像获取单元13，用于利用M个二阶边缘检测算子得到二阶边缘检测图像。

在本发明实施例中，一阶边缘检测图像是利用一阶边缘检测算子得到的边缘检测图像，相应的二阶边缘检测图像是利用二阶边缘检测算子得到的边缘检测图像。

当一阶边缘检测算子和二阶边缘检测算子为现有边缘检测算子时，第一图像获取单元12和第二图像获取单元13可以采用现有边缘检测算子得到边缘检测图像的方式获取边缘检测图像，如采用一阶边缘检测算子卷积的方式，对此本发明实施例不再加以阐述。

运算单元14，用于将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，得到边缘检测图像。

在得到一阶边缘检测图像和二阶边缘检测图像后，发明人对这两个边缘检测图像采用何种逻辑运算得到边缘检测图像进行反复实验验证，在实验验证过程中发现逻辑或运算得到的边缘检测图像中的噪声明显小于其他逻辑运算，且其运算难度低于多个逻辑运算结合运算的难度，因此本发明实施例优选将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，来降低边缘检测图像中的噪声，提高抗噪能力。

此外，本发明实施例还提供获取初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子的其他方式，其获取单元11的结构示意图可以参阅图15所示，可以包括：划分子单元111、计算子单元112、第一构建子单元113、第二构建子单元114、第一排列子单元115和第二排列子单元116。其中，

划分子单元111，用于将检测图像划分为大小为(2N_i+1)×(2N_i+1)的多个矩形窗口，每个矩形窗口中的像素点坐标表示为其中r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，2N_i+1为边缘检测算子大小，t为矩形窗口中每个像素点之间的间隔系数，N_i为初始设定的窗口大小。

在本发明实施例中，间隔系数t可以依据矩形窗口大小设置，当然也可以为不同大小的矩形窗口设置相同的间隔系数t，如间隔系数t＝2。

计算子单元112，用于计算每个矩形窗口中每个像素点的一阶导数和二阶导数。例如计算子单元112可以依据公式 $f_j=\frac{r_j}{{\mathrm{\ρ}}^2}\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1)$ 计算每个矩形窗口中每个像素点的一阶导数。

计算子单元112可以依据如下公式计算每个矩形窗口中每个像素点的二阶导数，其中公式为： $h_j=-\frac{1}{{\mathrm{\ρ}}^2}(1-\frac{1}{{\mathrm{\ρ}}^2}{r}_j^2)\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1),$ ρ是边缘检测算子的尺度，且ρ∈R^m×n，R^m×n为待检测图像，m为待检测图像的行数，n为待检测图像的列数。ρ可以根据待检测图像设置，具体本发明实施例不再阐述。

第一构建子单元113，用于利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量。

其构建过程可以是：依据公式F_r＝A(I-eB)f构建每个矩形窗口的一阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵，Ω矩阵如下表示：

第二构建子单元114，用于利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量。

其构建过程可以是：依据公式F_rr＝A(I-eB)h构建每个矩形窗口的二阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵，Ω矩阵如下表示：

第一排列子单元115，用于将每个矩形窗口的一阶向量重新排列为一阶边缘检测算子。

第二排列子单元116，用于将每个矩形窗口的二阶向量重新排列为二阶边缘检测算子。

在排列一阶边缘检测算子和二阶边缘检测算子时，可以将相应的向量按照向量列重新排列，也可以是按照向量行重新排列。如按列重新排列的方式为：假设一阶向量F_r＝[f₁,f₂,f₃,f₄,…,f₁₆]^T，则按列重新排列后的一阶边缘检测算子为： $G_i^1=\left[\begin{array}{cccc}& & & \·\\ f_1& f_5& \·\·\·& \·\\ & & & \·\\ & & & \·\\ f_2& f_6& \·\·\·& \·\\ & & & \·\\ & \·& & \·\\ f_3& \·& \·\·\·& \·\\ & \·& & \·\\ & \·& & \\ f_4& \·& \·\·\·& f_{16}\\ & \·& & \end{array}\right].$

相应的，获取单元11在采用图15所示结构获取一阶边缘检测算子和二阶边缘检测算子时，第一图像获取单元12和第二图像获取单元13的结构示意图分别如图16和17所示，具体结构介绍如下：

第一图像获取单元12可以包括：第一获取子单元121、第一融合子单元122、比较子单元123和第一赋值子单元124。

第一获取子单元121，用于基于公式 $I_i^1=\sqrt{{(I*G_i^1)}^2+{\left({(I*G_i^1)}^T\right)}^2},i=1,...,M,$ 获取M个一阶检测图像，其中为一阶边缘检测算子，即将待检测图像与每个一阶边缘检测算子进行卷积得到一阶检测图像。

第一融合子单元122，用于对M个一阶检测图像进行融合，得到融合后的检测图像即将卷积后的一阶检测图像进行加和平均得到融合后的检测图像。

比较子单元123，用于将融合后的检测图像I¹中的每个像素点与阈值进行比较。

第一赋值子单元124，用于当融合后的检测图像I¹中的像素点大于阈值时，将大于阈值的像素点取值设置为1，当融合后的检测图像I¹中的像素点小于等于阈值时，将小于等于阈值的像素点取值设置为0，以得到一阶边缘检测图像。

比如阈值为θ，为待检测图像中的第k行第p列的像素点，当时，表示该像素点为边缘点，则令当当时，表示该像素点为非边缘点，则令

第二图像获取单元13包括：第二获取子单元131、第二融合子单元132和第二赋值子单元133。

第二获取子单元131，用于基于公式获取M个二阶检测图像，其中为二阶边缘检测算子。

第二融合子单元132，用于对M个二阶检测图像进行融合，得到融合后的检测图像由于二阶边缘算子对噪声比较敏感，采用二阶边缘检测算子获得的边缘图像中噪声较多，所以本发明实施例将不同二阶边缘检测算子得到的边缘图像通过卷积的方式处理来降低采用二阶边缘检测算子得到的边缘图像中的噪声。

第二赋值子单元133，用于获取融合后的检测图像I²中的零交叉像素点，将零交叉像素点的取值设置为1，其他像素点的取值设置为0，其中零交叉像素点为融合后的检测图像I²中图像曲线与X轴交叉的像素点。

需要说明的是，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。对于装置类实施例而言，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。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种图像边缘检测方法及装置进行详细介绍，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 (10)

1.一种图像边缘检测方法，其特征在于，包括：

分别获取M个初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子，其中，N_i为初始设定的窗口大小，M为初始设定的窗口个数；

在得到M个一阶边缘检测算子和M个二阶边缘检测算子后，利用M个一阶边缘检测算子得到一阶边缘检测图像；

利用M个二阶边缘检测算子得到二阶边缘检测图像；

将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，得到边缘检测图像。

2.根据权利要求1所述的方法，其特征在于，获取初始设定的窗口Ni对应的一阶边缘检测算子和二阶边缘检测算子，包括：

将检测图像划分为大小为(2N_i+1)×(2N_i+1)的多个矩形窗口，每个矩形窗口中的像素点坐标表示为其中r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，2N_i+1为边缘检测算子大小，t为所述矩形窗口中每个像素点之间的间隔系数，N_i为初始设定的窗口大小；

计算每个矩形窗口中每个像素点的一阶导数和二阶导数；

利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量；

利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量；

将每个矩形窗口的一阶向量重新排列为一阶边缘检测算子；

将每个矩形窗口的二阶向量重新排列为二阶边缘检测算子。

3.根据权利要求2所述的方法，其特征在于，计算每个矩形窗口中每个像素点的一阶导数和二阶导数，包括：

依据公式 $f_j=\frac{r_j}{{\mathrm{\ρ}}^2}\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1)$ 计算每个矩形窗口中每个像素点的一阶导数；

依据如下公式计算每个矩形窗口中每个像素点的二阶导数，其中公式为： $h_j=-\frac{1}{{\mathrm{\ρ}}^2}(1-\frac{1}{{\mathrm{\ρ}}^2}{r}_j^2)\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1),$ ρ是边缘检测算子的尺度，且ρ∈R^m×n，R^m×n为待检测图像，m为待检测图像的行数，n为待检测图像的列数。

4.根据权利要求3所述的方法，其特征在于，利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量，包括：

依据公式Fr＝A(I-eB)f构建每个矩形窗口的一阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵；

利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量，包括：

依据公式F_rr＝A(I-eB)h构建每个矩形窗口的二阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵。

5.根据权利要求4所述的方法，其特征在于，利用M个一阶边缘检测算子得到一阶边缘检测图像，包括：

基于公式 $I_i^1=\sqrt{{(I*G_i^1)}^2+{\left({(I*G_i^1)}^T\right)}^2},i=1,...,M,$ 获取M个一阶检测图像，其中为一阶边缘检测算子；

对M个所述一阶检测图像进行融合，得到融合后的检测图像 $I^1=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{I}_i^1;$

将融合后的检测图像I¹中的每个像素点与阈值进行比较，当融合后的检测图像I¹中的像素点大于阈值时，将所述大于阈值的像素点取值设置为1，当融合后的检测图像I¹中的像素点小于等于阈值时，将所述小于等于阈值的像素点取值设置为0，以得到一阶边缘检测图像；

利用M个二阶边缘检测算子得到二阶边缘检测图像，包括：基于公式获取M个二阶检测图像，其中为二阶边缘检测算子；

对M个所述二阶检测图像进行融合，得到融合后的检测图像 $I^2=I_1^2*I_2^2*...*I_M^2;$

获取融合后的检测图像I²中的零交叉像素点，将所述零交叉像素点的取值设置为1，其他像素点的取值设置为0，其中所述零交叉像素点为融合后的检测图像I²中图像曲线与X轴交叉的像素点。

6.一种图像边缘检测装置，其特征在于，包括：

获取单元，用于分别获取M个初始设定的窗口N_i对应的一阶边缘检测算子和二阶边缘检测算子，其中，N_i为初始设定的窗口大小，M为初始设定的窗口个数；

第一图像获取单元，用于在得到M个一阶边缘检测算子和M个二阶边缘检测算子后，利用M个一阶边缘检测算子得到一阶边缘检测图像；

第二图像获取单元，用于利用M个二阶边缘检测算子得到二阶边缘检测图像；

运算单元，用于将一阶边缘检测图像和二阶边缘检测图像进行逻辑或运算，得到边缘检测图像。

7.根据权利要求6所述的装置，其特征在于，所述获取单元包括：

划分子单元，用于将检测图像划分为大小为(2N_i+1)×(2N_i+1)的多个矩形窗口，每个矩形窗口中的像素点坐标表示为其中r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，2N_i+1为边缘检测算子大小，t为所述矩形窗口中每个像素点之间的间隔系数，N_i为初始设定的窗口大小；

计算子单元，用于计算每个矩形窗口中每个像素点的一阶导数和二阶导数；

第一构建子单元，用于利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量；

第二构建子单元，用于利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量；

第一排列子单元，用于将每个矩形窗口的一阶向量重新排列为一阶边缘检测算子；

第二排列子单元，用于将每个矩形窗口的二阶向量重新排列为二阶边缘检测算子。

8.根据权利要求7所述的装置，其特征在于，所述计算子单元计算每个矩形窗口中每个像素点的一阶导数和二阶导数，包括：

依据公式 $f_j=\frac{r_j}{{\mathrm{\ρ}}^2}\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1)$ 计算每个矩形窗口中每个像素点的一阶导数；

依据如下公式计算每个矩形窗口中每个像素点的二阶导数，其中公式为： $h_j=-\frac{1}{{\mathrm{\ρ}}^2}(1-\frac{1}{{\mathrm{\ρ}}^2}{r}_j^2)\×\exp \{-(r_j^2+c_j^2)/2{\mathrm{\ρ}}^2\},j=1,...,(2N_i+1)\×({2N}_i+1),$ ρ是边缘检测算子的尺度，且ρ∈R^m×n，R^m×n为待检测图像，m为待检测图像的行数，n为待检测图像的列数。

9.根据权利要求8所述的装置，其特征在于，所述第一构建子单元利用每个矩形窗口中每个像素点的一阶导数构建每个矩形窗口的一阶向量，包括：

依据公式F_r＝A(I-eB)f构建每个矩形窗口的一阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵；

所述第二构建子单元利用每个矩形窗口中每个像素点的二阶导数构建每个矩形窗口的二阶向量，包括：

依据公式F_rr＝A(I-eB)h构建每个矩形窗口的二阶向量，其中e是全1向量，I是单位矩阵，A＝Ω^-1，Ω中的元素Ω_kj＝exp{-((r_k-r_j)²+(c_k-c_j)²)/2ρ²}，k,j＝1,...,(2N_i+1)×(2N_i+1)，(r_k,c_k)和(r_j,c_j)是矩形窗口中的像素点坐标，且r_j,c_j∈{-tN_i,-t(N_i-1),...,tN_i}，r_k,c_k∈{-tN_i,-t(N_i-1),...,tN_i}，通过循环获取像素点坐标可以获取到Ω矩阵。

10.根据权利要求9所述的装置，其特征在于，所述第一图像获取单元包括：第一获取子单元、第一融合子单元、比较子单元和第一赋值子单元；

所述第一获取子单元，用于基于公式 $I_i^1=\sqrt{{(I*G_i^1)}^2+{\left({(I*G_i^1)}^T\right)}^2},i=1,...,M,$ 获取M个一阶检测图像，其中为一阶边缘检测算子；

所述第一融合子单元，用于对M个所述一阶检测图像进行融合，得到融合后的检测图像

所述比较子单元，用于将融合后的检测图像I¹中的每个像素点与阈值进行比较；

所述第一赋值子单元，用于当融合后的检测图像I¹中的像素点大于阈值时，将所述大于阈值的像素点取值设置为1，当融合后的检测图像I¹中的像素点小于等于阈值时，将所述小于等于阈值的像素点取值设置为0，以得到一阶边缘检测图像；

所述第二图像获取单元包括：第二获取子单元、第二融合子单元和第二赋值子单元；

所述第二获取子单元，用于基于公式获取M个二阶检测图像，其中为二阶边缘检测算子；

所述第二融合子单元，用于对M个所述二阶检测图像进行融合，得到融合后的检测图像

第二赋值子单元，用于获取融合后的检测图像I²中的零交叉像素点，将所述零交叉像素点的取值设置为1，其他像素点的取值设置为0，其中所述零交叉像素点为融合后的检测图像I²中图像曲线与X轴交叉的像素点。