CN104933719B - 一种积分图块间距离检测图像边缘方法 - Google Patents

Abstract

本发明一种积分图块间距离检测图像边缘方法，属于图像处理技术领域，本发明采用局部区块和间距离检测图像中的边缘；利用积分图加速完成图像块内像素的求和，并给出采用积分图完成高斯模板块内求和的方法，以此提高算法的执行效率，由实验分析可见，与Canny、欧式距离图、高斯曼哈顿距离图等算法相比，采用本发明方法的边缘提取结果不仅具备较高的重叠率，而且执行时间较少，其执行速度不会随图像尺寸的增加而大幅度降低；由实验结果可见，本发明方法具有较高的执行速度，图像的边缘检测结果更为细致准确，有着较高的实用性。

Description

一种积分图块间距离检测图像边缘方法

技术领域

本发明属于图像处理技术领域，具体涉及一种积分图块间距离检测图像边缘方法。

背景技术

图像边缘由不同性质区域边界构成，反映了局部区域内特征的差别，它作为图像基本特征之一，常被用于较高层次的图像处理与分析中，因此边缘检测是图像处理中的重要研究内容。常用的边缘检测法利用了多种微分算子进行检测；近年来出现了一些边缘检测结果较好的方法，其中包括水平集与距离图等方法。

现有技术中，林政宗等依据地标模板库进行初始化，采用一种可扩展区域能量泛函推动曲线进行演化，直至收敛得到海岸线检测结果；张文娟等利用水平集函数的2阶加权TGV半范近似边界长度，提出了基于加权TGV的Mumford-Shah模型，可以在提取图像边缘的同时抑制噪声干扰；关涛等提出了一种新颖的闭合轮廓提取方法，解决了当目标轮廓发生断裂时断点对于GVF外力场的影响问题，可以恢复目标轮廓中丢失的边角信息；这类方法运用了水平集理论完成图像边缘检测，由于受到迭代步长的限制，因此需要较长的算法处理时间。

采用距离图求解图像边缘信息是一种较新的方法，例如：一种基于欧式距离图的图像边缘检测方法(张闯，王婷婷，孙冬娇等，中国图象图形学报，2013，18(2)：176-183.)，其算法优点是对目标轮廓区域地检测效果较好，但该算法存目标边缘被“加粗”的问题，检测结果并不是准确的区域边缘；具体为：该方法通过引入人类视觉更关注周围像素的特点，采用区域间的欧氏距离作为度量像素间的差异，并通过实验验证了该方法可将边缘像素点的差异放大；

其中，d为像素间的距离，v[N_i]是以i为中心邻域内的像素灰度值，v[N_j]是以j为中心邻域内的像素灰度值；

由于区域欧氏距离的计算是通过累计区域间像素差异获得的，而没有考虑不同位置的像素对于区域中心的贡献不同，因此不能清晰地突出目标边缘；

再例如：结合高斯加权距离图的图像边缘提取方法(贾迪，孟祥福，孟琭，董娜，方金凤.中国图象图形学报，2014，1(19)：62-68.)考虑了区域内像素位置不同，对于中心像素的贡献度不同，通过引入高斯模板赋予不同位置像素的不同权值，较好地解决了边缘“加粗”的问题，最后采用无边缘活动轮廓模型迭代求解准确的边缘信息，具体为：通过引入高斯核函数可以将不同位置赋予不同权重，距离中心越近的点权值越高，越远的点权值越低，以此更好地突出图像边缘，因此提出如下高斯加权距离：

其中，G_R代表以R为半径的加权高斯核，R用于调整邻域的大小；

上述方法是以求取区块间像素差的绝对值为基础，获得图像边缘信息的，令区块半径大小为R，则相应的时间复杂度为O(M×N×R²)，随着R的增大，执行效率也将大为降低；

最后例如：RGB空间下结合高斯曼哈顿距离图的彩色图像边缘检测方法(贾迪，孟祥福，孟琭，董娜.电子学报.2014，42(2)：257-263.)，利用这种方法，引入高斯曼哈顿距离在RGB空间下完成边缘区域信息检测，尽管上述方法在边缘检测方面效果较好，但因其执行速度较慢，限制了算法的使用环境；

因此，亟需一种方法解决上述问题。

发明内容

针对现有技术的不足，本发明提出一种积分图块间距离检测图像边缘方法，以达到提高执行速度和图像的边缘检测准确度的目的。

一种积分图块间距离检测图像边缘方法，包括以下步骤：

步骤1、确定待处理图像，并获得待处理图像的长和宽；

步骤2、获得待处理图像的积分图；

步骤3、设置积分图中矩形区域半径，即矩形区域的二分之一长和二分之一宽；

步骤4、将设置的二分之一长作为横坐标，将设置的二分之一宽作为纵坐标，获得中心坐标点，以上述坐标点为中心，在积分图中构建矩形区域；

步骤5、根据积分图中矩形区域的大小，确定高斯模板的大小，并构造与高斯模板大小相同的元素全部为1的矩阵，构造与矩形区域大小相同的元素全部为0的矩阵；

步骤6、采用上述元素全部为1的矩阵遍历元素全部为0的矩阵，确定遍历完成后，矩形区域中每个矩阵单元的遍历次数，进而获得一个由遍历次数所构成的矩阵；

步骤7、将上述由遍历次数所构成的矩阵进行分解，分解为1倍数的矩阵块，直到不能分解为止；

步骤8、根据分解后所获得的1倍数的矩阵块，采用积分图的方式累积获得中心坐标点的像素和；

步骤9、根据实际需求，采用高斯函数设置高斯模板调节中心区域权值与周边区域权值，再根据待处理图像的中心坐标点像素值、在中心坐标点位置处构建的边长为高斯模板边长的矩形区域像素和、及累积获得的中心坐标点的像素和，获得中心坐标点位置处的距离值；

步骤10、将中心坐标点横坐标加1，判断加1后的横坐标值是否小于设定值，若是，则返回执行步骤4，否则，执行步骤11；

步骤11、将中心坐标点纵坐标加1，判断加1后的纵坐标值是否小于设定值，若是，则返回执行步骤4，否则，执行步骤12；

步骤12、获得所有像素点的距离值中最大值和最小值，并根据上述最大值和最小值，将所有像素点的距离值进行灰度值的重新映射，获得映射后的归一化距离矩阵；

步骤13、将归一化距离矩阵作为待处理图像的边缘检测结果进行输出。

步骤9所述的获得中心坐标点位置处的距离值，公式如下：

其中，D(i，j)表示像素点(i，j)位置的距离值，λ₁表示高斯模版中心区域的权值，λ₂表示高斯模版周边区域的权值，即用于调节中心区域与周边区域的贡献度，I(i，j)表示像素点(i，j)位置的像素值，sum(I(i-r_g：i+r_g，j-r_g：j+r_g))表示在中心坐标点位置处构建的边长为高斯模板边长的矩形区域像素和，F(r_x，r_y，r_g)表示采用积分图的方式累积获得中心坐标点的像素和；r_x表示矩形区域的二分之一长，r_y表示矩形区域的二分之一宽，r_g表示高斯模板的边长。

步骤13所述的获得映射后的距离值，公式如下：

其中，D_M表示归一化距离矩阵，D_max表示所有像素点的距离值中最大值，D_min所有像素点的距离值中最小值，D表示每个像素点的距离值。

本发明优点：

本发明提出一种积分图块间距离检测图像边缘方法，采用局部区块和间距离检测图像中的边缘；利用积分图加速完成图像块内像素的求和，并给出采用积分图完成高斯模板块内求和的方法，以此提高算法的执行效率，由实验分析可见，与Canny、欧式距离图、高斯曼哈顿距离图等算法相比，采用本文方法的边缘提取结果不仅具备较高的重叠率，而且执行时间较少，其执行速度不会随图像尺寸的增加而大幅度降低；由实验结果可见，本发明方法具有较高的执行速度，图像的边缘检测结果更为细致准确，有着较高的实用性。

附图说明

图1为本发明一种实施例的边缘检测结果分析示意图，其中，图(a)为原始图像，图(b)为图(a)的矩阵值示意图，图(c)为图(a)的内侧边缘示意图，图(d)为图(a)的外侧边缘示意图；

图2为本发明一种实施例的高斯模板与块内系数示意图，其中，图(a)为高斯模板，图(b)为图(a)高斯模板内系数近似值示意图，图(c)为高斯模板块内系数示意图；

图3为本发明一种实施例的原始图像局部放大区域示意图；

图4为本发明一种实施例的积分图块间距离检测图像边缘方法流程图；

图5为本发明一种实施例的待处理图像；

图6为本发明一种实施例的矩阵分解示意图，其中，图(a)为采用3*3矩阵遍历7*7矩阵得到的矩阵块，图(b)为权重为λ₁的中心区域分解图，图(c)为权重为λ₂的域分解图，图(d)～图(k)为图(c)的矩阵分解图；

图7为本发明一种实施例的模拟图像实验结果示意图，其中，图(a)为原图，图(b)为Canny算法边缘提取图，图(c)为欧式距离算法边缘提取图，图(d)为高斯曼哈顿距离算法边缘提取图，图(e)为本发明算法边缘提取图，图(f)为人工标注边缘提取图；

图8为本发明一种实施例的人物边缘提取结果对比图，其中，图(a)为原图，图(b)为Canny算法边缘提取图，图(c)为本发明方法执行一次边缘提取图，图(d)为本发明方法执行两次边缘提取图；图(e)为本发明方法执行三次边缘提取图；图(f)为本发明方法执行四次边缘提取图；图(g)为本发明方法执行五次边缘提取图；

图9为本发明一种实施例的建筑边缘提取结果对比图，其中，图(a)为原图，图(b)为Canny算法边缘提取图，图(c)为欧氏距离算法边缘提取图，图(d)为灰度空间的高斯曼哈顿距离算法边缘提取图；图(e)为本发明方法执行一次边缘提取图；图(f)为本发明方法执行两次边缘提取图；

图10为本发明一种实施例的遥感图像边缘提取结果对比图，其中，图(a)为原图，图(b)为Canny算法边缘提取图，图(c)为欧氏距离算法边缘提取图，图(d)为灰度空间的高斯曼哈顿距离算法边缘提取图；图(e)为本发明方法执行一次边缘提取图；图(f)为本发明方法执行两次边缘提取图；

图11为本发明一种实施例的算法执行速度对比图，其中，图(a)为区域半径r＝1时与其它边缘提取方法的对比图，图(b)为区域半径r＝2时与其它边缘提取方法的对比图，图(c)为区域半径r＝3时与其它边缘提取方法的对比图，图(d)为区域半径r＝4时与其它边缘提取方法的对比图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

本发明实施例中，采用积分图解决现有技术中的问题；通常，图像中的局部区域由相似灰度值构成，而图像分割正是将这些区域提取的技术和过程，因此本发明实施例将“区块间像素差的绝对值”修改为“区块间像素差”，因此，提出如下方程：

d＝∑(v[P_α]-v[P_β]) (5)

公式(5)首先求取区块间像素的差异，然后将差异值累加，以此检测图像的边缘；该方法的原理为：1)灰度相似区域的差异累积趋于0；2)边缘区域的差异累积较大；公式(5)计算中的累积值会存在负数，但并不会影响最终的边缘检测结果；

本发明实施例中，图1(a)为图1(b)对应的图像，极限化该方法，令区块半径R为0，并令所有权值为1，则计算图1(b)中左侧节点的累积值为：-2550，该值在最后输出图像时计为0；计算图1(b)中右侧节点时得到正值，将边缘位置凸显出来，如图1(d)所示的边缘，针对于图1(a)所提取的边缘为图1(c)及图1(d)两种情况，均是正确的。

本发明实施例中，将小范围内邻域特征考虑进来，通过比较相邻区域内所有像素的差异来确定中心位置的梯度，将高斯模板引入到距离图的计算中，较好地解决了边缘被“加粗”的问题；

高斯函数计算方法如下：

其中，v[P_α]是以α为中心邻域内的像素灰度值，v[P_β]是以β为中心邻域内的像素灰度值，参数h为方差，用于调节高斯函数的形状，h取值越大，则邻域像素被赋予的贡献度越多；

本发明实施例中，如图2所示，给出了一种3×3的高斯模板；如图2中图(a)所示，中心节点的值为0.5977，远高于邻域其它节点值，图2中图(b)为图2中图(a)四舍五入后得到的值，可以将其看做高斯模板的近似值，使用图2中图(c)代表这种关系；令3×3矩阵中心像素值为I(i，j)，sum(*)为矩阵求和，则其高斯和为：

其中，s表示(i，j)点的距离值，λ₁表示中心像素点的权重值，λ₂表示中心像素点邻域其他点的权重值；

为了提高算法的执行效率，将式(7)中的矩阵求和通过积分图的方式进行运算；积分图的概念最早是由Paul Viola等人提出，该图上任意一点的值是指从灰度图像的左上角与当前点所围成的矩形区域内所有像素点灰度值之和，令SAT(*)为当前位置的积分值，图3给出了利用积分图求解矩形内像素和的示例。

图3中的矩形区域ABCD是以I(i，j)为中心，边长分别为2r_x与2r_y构成；通常累计矩形内像素和需要遍历2r_x×2r_y次，而通过积分图计算，则可通过矩形四点的加减运算得到：

利用式(8)计算图2中图(c)中λ₁＝λ₂的情况；在本发明实施例的求解过程中，需要将中心区域像素的累计值与邻域内的累计值相减并求和，而高斯模板的引入将使得λ₁≠λ₂，因此可以采用上述积分图的方法计算sum(I(i-1：i+1，j-1：j+1))，最后通过式(7)的计算获得最终结果，利用上述方法计算块间距离，并结合局部区块内和距离，给出本发明的积分图距离检测法。

本发明实施例中，积分图块间距离检测图像边缘方法，方法流程图如图4所示，包括以下步骤：

步骤1、确定待处理图像，并获得待处理图像的长和宽；

本发明实施例中，如图5所示为待处理图像，待处理图像的长为256，宽为256；

步骤2、获得待处理图像的积分图；

步骤3、设置积分图中矩形区域半径，即矩形区域的二分之一长和二分之一宽；

本发明实施例中，设置积分图中矩形区域半径r_x、r_y，其中，r_x取值为7、r_y取值为7；

步骤4、将设置的二分之一长作为横坐标，将设置的二分之一宽作为纵坐标，获得中心坐标点(i，j)，以上述坐标点(i，j)为中心，在积分图中构建矩形区域；

步骤5、根据积分图中矩形区域的大小，确定高斯模板的大小，并构造与高斯模板大小相同的元素全部为1的矩阵，构造与矩形区域大小相同的元素全部为0的矩阵；

本发明实施例中，高斯模板的大小为3×3；

步骤6、采用上述元素全部为1的矩阵遍历元素全部为0的矩阵，确定遍历完成后，矩形区域中每个矩阵单元的遍历次数，进而获得一个由遍历次数所构成的矩阵；

本发明实施例中，遍历完成后获得的由遍历次数所构成的矩阵如图6中图(a)所示，使用3×3的高斯模板(元素均为1)，遍历整个区域；

步骤7、将上述由遍历次数所构成的矩阵进行分解，分解为1倍数的矩阵块，直到不能分解为止；

本发明实施例中，分解后获得的1倍数的矩阵块如图6中图(b)至图(k)所示；每点的累计次数如图6(a)所示，四角的节点只计算一次，边缘部分越靠近中心位置的计算3次；由于高斯模板的中心权重与其它部分的权重不同，因此将图6(a)分解为图6(b)与图6(c)；在图6(c)中，所有点的权重值均为λ₂，图6(b)中的权重值为λ₁，这是由于中心位置的高权重节点只计算一次；为了利用积分图求取图6(b)内所有像素的和，将其分解为图6中图(d)～图(k)，图(d)～图(k)的像素和均可通过式(8)计算得到；

步骤8、根据分解后所获得的1倍数的矩阵块，采用积分图的方式累积获得中心坐标点的像素和；

令Fig6(*)代表图6中的第*号图的像素和，因此图6中图(a)的像素和计算最后可以通下式完成：

∑Fig6(a)＝λ₁Fig6(b)+λ₂Fig6(d～k)；

其中，∑Fig6(a)表示图6中图(a)的像素和，Fig6(b)表示图6中图(b)的像素和，Fig6(d～k)表示图6中图(d)～图(k)的像素和，通过式(8)计算得到；

步骤9、根据实际需求，采用高斯函数设置高斯模板调节中心区域权值与周边区域权值，再根据待处理图像的中心坐标点像素值、在中心坐标点位置处构建的边长为高斯模板边长的矩形区域像素和、及累积获得的中心坐标点的像素和，获得中心坐标点位置处的距离值；

所述的获得中心坐标点位置处的距离值，公式如下：

其中，D(i，j)表示像素点(i，j)位置的距离值，λ₁表示高斯模版中心区域的权值，λ₂表示高斯模版周边区域的权值，即用于调节中心区域与周边区域的贡献度，I(i，j)表示像素点(i，j)位置的像素值，sum(I(i-r_g：i+r_g，j-r_g：j+r_g))表示在中心坐标点位置处构建的边长为高斯模板边长的矩形区域像素和，F(r_x，r_y，r_g)表示采用积分图的方式累积获得中心坐标点的像素和，本发明实施例中，构造r_g×r_g值为1的矩阵A，并构造r_x×r_y值为0的矩阵B，以A遍历B，记录遍历过程中B的每个矩阵单元的遍历次数，并将遍历次数作为矩阵进行输出作为F(r_x，r_y，r_g)的返回值，例如图6中的图(a)的像素和；r_x表示矩形区域的二分之一长，r_y表示矩形区域的二分之一宽，r_g表示高斯模板的边长。

步骤10、将中心坐标点横坐标加1，判断加1后的横坐标值是否小于设定值，若是，则返回执行步骤4，否则，执行步骤11；

步骤11、将中心坐标点纵坐标加1，判断加1后的纵坐标值是否小于设定值，若是，则返回执行步骤4，否则，执行步骤12；

步骤12、获得所有像素点的距离值中最大值和最小值，并根据上述最大值和最小值，将所有像素点的距离值进行灰度值的重新映射，获得映射后的归一化距离矩阵；

步骤13、将归一化距离矩阵作为待处理图像的边缘检测结果进行输出。

所述的获得映射后的距离值，公式如下：

其中，D_M表示归一化距离矩阵，D_max表示所有像素点的距离值中最大值，D_min所有像素点的距离值中最小值，D表示每个像素点的距离值。

本发明实施例中，将上述边缘检测结果为初始距离矩阵，通过水平集类方法(蛇模型、几何活动轮廓模型等)迭代求取连续性边缘。

实验分析

本发明实施例中，采用结构简单的模拟图像进行实验直观地验证本发明的有效性，实验结果如图7中图(a)～图(f)所示，其中，图(a)为原始图像，由圆、三角、方块构成；图(b)～图(f)是由图(a)经不同算法处理后得到的边缘检测结果；对比图7中图(d)与图7中图(c)可见，加入了高斯模板的曼哈顿距离图对边缘提取的细致程度更好；与图7中图(b)的Canny边缘图相比，可以直观地看出角点附近的边缘检测结果与原图边缘更为吻合；图7中图(e)为采用本发明方法得到的实验结果，与图7中图(d)相比相差不多，实验证明，采用本发明方法处理结构简单的图像可以获得较好地边缘检测结果；图7中图(f)为人工标注结果；

使用如下重叠率计算公式定量比较图7中不同方法的处理结果：

其中，A为人工标注结果，B为采用不同算法得到的边缘检测结果，S为重叠率，其取值范围是(0～1)，S的值越大则边缘检测结果越好；

表1给出了图7中的边缘检测结果重叠率对比，具体如下：

表1

	canny	欧式距离	高斯曼哈顿距离	本发明方法
					圆形	78.33％	25.38％	57.83％	97.91％
三角形	78.83％	27.32％	62.45％	98.23％
					矩形	69.39％	25.57％	60.04％	100％

从实验结果上看，采用本发明方法所获得的边缘检测结果与人工标注结果的重叠率最高，其次为canny、高斯曼哈顿距离、欧式距离；

由于欧式距离没有对邻域权重进行区分，导致边缘加粗的情况较为明显，因此增加了分母项A∪B的值；高斯曼哈顿距离图由于引入了高斯核函数，从而对邻域权重进行了较好分配，但该方法所引入的绝对值计算会使检测结果出现双边缘的情况，即图7中图(a)中目标的内侧与外侧边缘；与高斯曼哈顿距离图方法相比，本发明方法在计算距离的过程中，同一目标的内侧及外侧只会出现一次“正值”，因此该方法获得了较高的重叠率；

本发明实施例中，采用CPU主频为3.2GH，内存2G的计算机作为实验环境；选用几类不同的图像作为实验数据，包括人物、建筑及遥感图像。对本发明算法进行边缘检测，令区域半径为r(rx＝ry)，高斯核函数的方差h取1，实验结果如图8～图10所示。

图8中图(a)是一幅含有人物的图像，图8中图(b)为采用Canny算法得到的处理结果，可见帽子上的装饰绒毛及眼睛位置的边缘检测结果较为凌乱；图8中图(c)～图(g)为采用不同的区域半径得到的边缘检测结果；与图8中图(b)相比，可以直观地看到细节部分描述较好；随着区域半径的增加，由块距离计算而产生的噪声将会降低，但边缘部分也会得到相应地加粗与增强。

图9中图(a)为一幅建筑图像，由植被、楼房、路灯等部分组成；图9中图(b)是由Canny算法处理得到的结果，该幅图像中较好地突出了楼房和路灯的边缘，而房屋细节描述不够，如房顶的瓦线等。图9中图(c)为相应的欧式距离图，尽管已经将边缘检测出来，但边缘部分的“加粗”使得到的结果质量较差；与图9中图(c)相比，图9中图(d)边缘部分提取细致，边缘提取结果与实际边缘部分吻合。图9中图(e)～(f)也较好地突出了各类楼房、路灯，且边缘检测结果细致。

图10中图(a)是一幅遥感图像。对比图10中图(b)与图10中图(c)可见，前者边缘检测较为细致，但部分区域的检测结果不够准确，如房屋的角点部分，而后者边缘检测细致程度不够理想。图10中图(c)的边缘检测结果与实际边缘结果更为吻合；图10中图(e)～图(f)随着r值的增加，噪声逐渐降低，与图10中图(c)相比噪声有所增加，可以通过增加r值获得理想的边缘检测结果。

由此可见，随着趋于半径r的增加，检测出的图像边缘将会“加粗”，同时会消除部分噪声。因此，当图像中存在较多噪声时，可以通过增加区域半径r的值消除部分噪声，或者通过去噪效果较好的BM3D、各项异性扩散等方法先进行去噪预处理。当图像质量较高时可令r＝1，则边缘检测结果更为细致准确；

图11中图(a)～图(d)分别为不同r值下的算法执行速度对比。可见随着r值的增大，本发明方法与canny方法的执行时间没有明显增加，而由于欧式距离图、高斯曼哈顿距离图的算法复杂度增加了，因此算法执行时间大幅增加；观察图1中图(a)，随着图像尺寸的增加，canny算法与本发明方法的执行时间均略有增加，但幅度不大，在处理1024×768的图像时分别耗时1.7秒与4.6秒。由于本发明方法增加了积分图及块内和的求解，因此耗时略高于canny方法。与上述两种方法相比，欧式距离图、高斯曼哈顿距离图方法的执行时长较高，使其应用环境受到了较大限制；

本发明在分析了欧氏距离图求取图像边缘的基础上，给出一种采用局部区块内和距离的检测图像边缘的方法；通过对图像块内求和过程的分析，给出利用积分图求取高斯模板块内求和方法，提高了算法的执行速度；以模拟图像与真实图像作为实验数据，将实验结果与近期相关算法做比较，证明了本发明方法不仅有着准确的边缘检测结果，同时随着图像尺寸的增加，依然能够保持较短的处理时间，实用性较强。

Claims (3)

1.一种利用积分图块间距离检测图像边缘方法，其特征在于，包括以下步骤：

步骤1、确定待处理图像，并获得待处理图像的长和宽；

步骤2、获得待处理图像的积分图；

步骤3、设置积分图中矩形区域半径，即矩形区域的二分之一长和二分之一宽；

步骤4、将设置的二分之一长作为横坐标，将设置的二分之一宽作为纵坐标，获得中心坐标点，以上述坐标点为中心，在积分图中构建矩形区域；

步骤5、根据积分图中矩形区域的大小，确定高斯模板的大小，并构造与高斯模板大小相同的元素全部为1的矩阵，构造与矩形区域大小相同的元素全部为0的矩阵；

步骤6、采用上述元素全部为1的矩阵遍历元素全部为0的矩阵，确定遍历完成后，矩形区域中每个矩阵单元的遍历次数，进而获得一个由遍历次数所构成的矩阵；

步骤7、将上述由遍历次数所构成的矩阵进行分解，分解为1倍数的矩阵块，直到不能分解为止；

步骤8、根据分解后所获得的1倍数的矩阵块，采用积分图的方式累积获得中心坐标点的像素和；

步骤9、根据实际需求，采用高斯函数设置高斯模板调节中心区域权值与周边区域权值，再根据待处理图像的中心坐标点像素值、在中心坐标点位置处构建的边长为高斯模板边长的矩形区域像素和、及累积获得的中心坐标点的像素和，获得中心坐标点位置处的距离值；

步骤10、将中心坐标点横坐标加1，判断加1后的横坐标值是否小于设定值，若是，则返回执行步骤4，否则，执行步骤11；

步骤11、将中心坐标点纵坐标加1，判断加1后的纵坐标值是否小于设定值，若是，则返回执行步骤4，否则，执行步骤12；

步骤12、获得所有像素点的距离值中最大值和最小值，并根据上述最大值和最小值，将所有像素点的距离值进行灰度值的重新映射，获得映射后的归一化距离矩阵；

步骤13、将归一化距离矩阵作为待处理图像的边缘检测结果进行输出。

2.根据权利要求1所述的利用积分图块间距离检测图像边缘方法，其特征在于，步骤9所述的获得中心坐标点位置处的距离值，公式如下：

$D(i,j)=({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)I(i,j)+{\mathrm{\λ}}_{2}sum\left(I\right(i-r_g:i+r_g,j-r_g:j+r_g\left)\right)-\frac{F(r_x,r_y,r_g)}{(2r_x+1)\×(2r_y+1)}---\left(1\right)$

其中，D(i，j)表示像素点(i，j)位置的距离值，λ₁表示高斯模板中心区域的权值，λ₂表示高斯模板周边区域的权值，即λ₁和λ₂用于共同调节中心区域与周边区域的贡献度，I(i，j)表示像素点(i，j)位置的像素值，sum(I(i-r_g：i+r_g，j-r_g：j+r_g))表示在中心坐标点位置处构建的边长为高斯模板边长的矩形区域像素和，F(r_x，r_y，r_g)表示采用积分图的方式累积获得中心坐标点的像素和；r_x表示矩形区域的二分之一长，r_y表示矩形区域的二分之一宽，r_g表示高斯模板的边长。

3.根据权利要求1所述的利用积分图块间距离检测图像边缘方法，其特征在于，步骤13所述的归一化距离矩阵，公式如下：

$D_M=\frac{D-D_{max}}{D_{max}-D_{min}}\×255---\left(2\right)$

其中，D_M表示归一化距离矩阵，D_max表示所有像素点的距离值中最大值，D_min表示所有像素点的距离值中最小值，D表示每个像素点的距离值。