CN104732530A - 一种图像边缘的检测方法 - Google Patents

Abstract

本发明公开了一种图像边缘的检测方法。该方法包括：滤除空间目标图像中的噪声；计算单一尺度下图像的形态学梯度；根据所述单一尺度下图像的形态学梯度，计算得到多尺度形态学梯度图像；确定多尺度形态学梯度图像中的极大值点的位置；使用过零点位置模板选取对应的形态学梯度边缘，并根据预设阈值去除伪边缘；保留目标边缘的主干并去除边缘中的碎片，得到所述空间目标图像的边缘。通过使用本发明所提供的图像边缘的检测方法，可以有效地提取空间目标图像的边缘信息。

Description

一种图像边缘的检测方法

技术领域

本发明涉及目标检测技术领域，特别涉及一种图像边缘的检测方法。

背景技术

边缘检测对于空间目标自适应图像中目标与背景、目标部件间的区分十分重要。边缘是空间目标几何形态识别中重要的特征信息，也有利于空间目标结构的直观展示。目前，被广泛使用的边缘提取算法(例如，Sobel、Canny等算法)的本质是基于图像边缘处的一阶和二阶导数特征。例如，Canny算子同时考虑图像边缘的连接性，因此被广泛地用于普通图像的边缘提取，并取得了很好的效果。

然而，在针对空间目标成像时，由于成像受大气湍流和成像系统噪声的影响，目标成像较模糊，因此，采用现有技术中的边缘提取算法的效果并不明显，难以提取到图像的边缘信息。因此，亟待提出一种可以有效提取空间目标图像的边缘信息的方法。

发明内容

有鉴于此，本发明提供一种图像边缘的检测方法，从而可以有效地提取空间目标图像的边缘信息。

本发明的技术方案具体是这样实现的：

一种图像边缘的检测方法，该方法包括：

滤除空间目标图像中的噪声；

计算单一尺度下图像的形态学梯度；

根据所述单一尺度下图像的形态学梯度，计算得到多尺度形态学梯度图像；

确定多尺度形态学梯度图像中的极大值点的位置；

使用过零点位置模板选取对应的形态学梯度边缘，并根据预设阈值去除伪边缘；

保留目标边缘的主干并去除边缘中的碎片，得到所述空间目标图像的边缘。

较佳的，所述滤除空间目标图像中的噪声包括：

使用三维块匹配去噪算法滤除所述空间目标图像中的高斯噪声。

较佳的，使用如下公式计算单一尺度下图像的形态学梯度：

G(f)＝(f⊕B)-(fΘB)；

其中，G(f)为单一尺度下图像的形态学梯度，f为滤除噪声后的空间目标图像，B为结构元，⊕和Θ分别表示形态学处理中的膨胀运算和腐蚀运算。

较佳的，使用如下的公式计算得到多尺度形态学梯度图像：

$\mathrm{MG}\left(f\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left[((f\⊕B_i)-\left(\mathrm{f\Θ}{B}_i\right))\mathrm{\Θ}{B}_{i-1}\right];$

其中，MG(f)为多尺度形态学梯度；B_i为第i个结构元，其尺寸为(2i+1)×(2i+1)；n为尺度数。

较佳的，所述确定多尺度形态学梯度图像中的极大值点的位置可以包括：

使用高斯滤波器对所述多尺度形态学梯度图像进行低通滤波；

使用Prewitt算子计算出所述多尺度形态学梯度图像在水平和竖直两个方向上的一阶导数；

使用过零点检测方法检测出梯度图像中极值点所对应的位置。

较佳的，所述预设阈值为：

边缘最大值的10％。

较佳的，所述保留目标边缘的主干并去除边缘中的碎片包括：

利用像素的连通性，将目标边缘分割成一个或多个连通部分；

计算每个连通部分的面积，将面积小于预设第二阈值的连通部分去除。

如上可见，在本发明所提供的图像边缘的检测方法中，在本发明所提供的图像边缘的检测方法中，基于形态学梯度算子对空间目标图像进行边缘提取，为了改善单一结构元进行形态学处理时，边缘定位的准确性和边缘的抗噪性之间的矛盾，利用数学形态学的基本运算，设计并使用了符合被处理图像边缘特性的多尺度形态学梯度来检测局部突变信息从而获取图像的边缘信息，使用了多个不同尺度的结构元进行边缘检测，使用了多个不同尺度下的形态学算子对空间目标图像进行形态学的腐蚀、膨胀操作，通过相邻尺度间进行求差计算得到近似的图像边缘轮廓。通过多个尺度上的处理，可以有效地弱化噪声影响，同时保持边缘的准确，有效地弥补了单尺度边缘检测算法的不足，大大提高了空间目标边缘提取的准确性和鲁棒性，便于目标分割、目标识别、目标跟踪等后续图像处理。而且，本发明所提供的上述方法中，多尺度形态学边缘无需输入参数，能够描述在不同尺度下的目标边缘情况，连通性好、噪声小，更能够准确描述空间目标的形态特征。

附图说明

图1为本发明实施例中的图像边缘的检测方法的流程示意图。

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，以下参照附图并举实施例，对本发明进一步详细说明。

本实施例提供了一种图像边缘的检测方法。

图1为本发明实施例中的图像边缘的检测方法的流程示意图。如图1所示，本发明实施例中的图像边缘的检测方法主要包括如下所述的步骤：

步骤101，滤除空间目标图像中的噪声。

由于原始的空间目标图像中一般都包括较多的噪声，会对图像的边缘提取造成比较严重的干扰，得到很多的伪边缘和伪纹理，从而影响后续的分割处理的准确性。因此，在本步骤中，将对空间目标图像进行去噪处理，滤除空间目标图像中的噪声。

较佳的，在本发明的具体实施例中，可以使用三维块匹配去噪算法(BM3D)滤除空间目标图像中的高斯噪声。

步骤102，计算单一尺度下图像的形态学梯度。

较佳的，在本发明的具体实施例中，可以使用如下所述的公式计算单一尺度下图像的形态学梯度：

G(f)＝(f⊕B)-(fΘB)    (1)

其中，G(f)为单一尺度下图像的形态学梯度，f为滤除噪声后的空间目标图像，B为结构元，⊕和Θ分别表示形态学处理中的膨胀运算和腐蚀运算。

步骤103，根据所述单一尺度下图像的形态学梯度，计算得到多尺度形态学梯度图像。

由于小尺度的结构元计算可以更好的定位图像边缘的位置，但是也容易受到图像残留噪声的干扰，而大尺度的结构元计算所得梯度最大值虽然可能与图像边缘不一致，但是大尺度的结构元计算的抗噪声性能比较好。为了结合上述两种计算的优点，在本发明的技术方案中，将使用多个尺度下的结构元计算形态学梯度。

因此，较佳的，在本发明的具体实施例中，可以使用如下所述的公式计算得到多尺度形态学梯度图像：

$\mathrm{MG}\left(f\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left[((f\⊕B_i)-\left(\mathrm{f\Θ}{B}_i\right))\mathrm{\Θ}{B}_{i-1}\right]---\left(2\right)$

其中，MG(f)为多尺度形态学梯度；B_i为第i个结构元，其尺寸为(2i+1)×(2i+1)；n为尺度数。

由此可知，在本发明的技术方案中，可以使用n个尺度下的结构元计算形态学梯度。

步骤104，确定多尺度形态学梯度图像中的极大值点的位置。

在本步骤中，将查找并确定上述多尺度形态学梯度图像中的极大值点的位置，这些极大值点即对应了所述空间目标图像的多尺度边缘。

较佳的，在本发明的具体实施例中，所述确定多尺度形态学梯度图像中的极大值点的位置可以包括：

步骤41，使用高斯滤波器对所述多尺度形态学梯度图像进行低通滤波。

由于多尺度形态学梯度图像中可能包含了较多的局部极小值点，因此在本步骤中，将首先使用高斯滤波器对所述多尺度形态学梯度图像进行低通滤波，以尽量去除多尺度形态学梯度图像的局部极小值点。

步骤42，使用Prewitt算子计算出所述多尺度形态学梯度图像在水平和竖直两个方向上的一阶导数。

步骤43，使用过零点检测方法检测出梯度图像中极值点所对应的位置。

过零检测法是现有技术中的一种经典的调制域分析方法，因此在此不再赘述。

另外，为了避免在几乎为常量的图像区域内检测出对应于非显著边缘的过零点，在本发明的技术方案中，将仅限定于使用在边缘区域附近检测出的过零点。

步骤105，使用过零点位置模板选取对应的形态学梯度边缘，并根据预设阈值去除伪边缘。

在本发明的技术方案中，可以根据实际应用情况预先设置上述预设阈值的取值。例如，较佳的，在本发明的具体实施例中，所述预设阈值为：边缘最大值的10％。此时，小于上述预设阈值的边缘部分即为伪边缘，将在本步骤中被去除。

步骤106，保留目标边缘的主干并去除边缘中的碎片，得到所述空间目标图像的边缘。

经过上述边缘检测后的图像中仍然有许多噪声，因此在本步骤中，需要保留目标边缘的主干并去除边缘中的碎片，从而得到所述空间目标图像的边缘。

较佳的，在本发明的具体实施例中，所述保留目标边缘的主干并去除边缘中的碎片包括：

利用像素的连通性，将目标边缘分割成一个或多个连通部分；

计算每个连通部分的面积，将面积小于预设第二阈值的连通部分去除。

在本发明的技术方案中，可以根据实际应用情况预先设置上述预设第二阈值的取值。

通过上述的步骤101～106，即可得到所述空间目标图像的边缘。

综上可知，在本发明所提供的图像边缘的检测方法中，基于形态学梯度算子对空间目标图像进行边缘提取，为了改善单一结构元进行形态学处理时，边缘定位的准确性和边缘的抗噪性之间的矛盾，利用数学形态学的基本运算，设计并使用了符合被处理图像边缘特性的多尺度形态学梯度来检测局部突变信息从而获取图像的边缘信息，使用了多个不同尺度的结构元进行边缘检测，使用了多个不同尺度下的形态学算子对空间目标图像进行形态学的腐蚀、膨胀操作，通过相邻尺度间进行求差计算得到近似的图像边缘轮廓。通过多个尺度上的处理，可以有效地弱化噪声影响，同时保持边缘的准确，有效地弥补了单尺度边缘检测算法的不足，大大提高了空间目标边缘提取的准确性和鲁棒性，便于目标分割、目标识别、目标跟踪等后续图像处理。而且，本发明所提供的上述方法中，多尺度形态学边缘无需输入参数，能够描述在不同尺度下的目标边缘情况，连通性好、噪声小，更能够准确描述空间目标的形态特征。

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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (7)

1.一种图像边缘的检测方法，其特征在于，该方法包括：

滤除空间目标图像中的噪声；

计算单一尺度下图像的形态学梯度；

根据所述单一尺度下图像的形态学梯度，计算得到多尺度形态学梯度图像；

确定多尺度形态学梯度图像中的极大值点的位置；

使用过零点位置模板选取对应的形态学梯度边缘，并根据预设阈值去除伪边缘；

保留目标边缘的主干并去除边缘中的碎片，得到所述空间目标图像的边缘。

2.根据权利要求1所述的方法，其特征在于，所述滤除空间目标图像中的噪声包括：

使用三维块匹配去噪算法滤除所述空间目标图像中的高斯噪声。

3.根据权利要求2所述的方法，其特征在于，使用如下公式计算单一尺度下图像的形态学梯度：

G(f)＝(f⊕B)-(fΘB)；

其中，G(f)为单一尺度下图像的形态学梯度，f为滤除噪声后的空间目标图像，B为结构元，⊕和Θ分别表示形态学处理中的膨胀运算和腐蚀运算。

4.根据权利要求3所述的方法，其特征在于，使用如下所述的公式计算得到多尺度形态学梯度图像：

$\mathrm{MG}\left(f\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left[((f\⊕B_i)-\left(\mathrm{f\Θ}{B}_i\right))\mathrm{\Θ}{B}_{i-1}\right];$

其中，MG(f)为多尺度形态学梯度；B_i为第i个结构元，其尺寸为(2i+1)×(2i+1)；n为尺度数。

5.根据权利要求4所述的方法，其特征在于，所述确定多尺度形态学梯度图像中的极大值点的位置可以包括：

使用高斯滤波器对所述多尺度形态学梯度图像进行低通滤波；

使用Prewitt算子计算出所述多尺度形态学梯度图像在水平和竖直两个方向上的一阶导数；

使用过零点检测方法检测出梯度图像中极值点所对应的位置。

6.根据权利要求5所述的方法，其特征在于，所述预设阈值为：

边缘最大值的10％。

7.根据权利要求6所述的方法，其特征在于，所述保留目标边缘的主干并去除边缘中的碎片包括：

利用像素的连通性，将目标边缘分割成一个或多个连通部分；

计算每个连通部分的面积，将面积小于预设第二阈值的连通部分去除。