CN104966296B - 滑窗N‑Smoothlets图像边缘检测方法 - Google Patents
滑窗N‑Smoothlets图像边缘检测方法 Download PDFInfo
- Publication number
- CN104966296B CN104966296B CN201510333200.3A CN201510333200A CN104966296B CN 104966296 B CN104966296 B CN 104966296B CN 201510333200 A CN201510333200 A CN 201510333200A CN 104966296 B CN104966296 B CN 104966296B
- Authority
- CN
- China
- Prior art keywords
- edge
- smoothlets
- sliding window
- image
- intermediate zone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种滑窗N‑Smoothlets的图像边缘检测方法,属于图像处理领域,本发明通过增加每个图像宏块内基准线的数目,使得对于存在复杂边缘的图像在只有少量的变换块的情况下可以提高边缘拟合的能力;使用双阈值对是否提取边缘进行判断,在N‑Smoothlets变换块中,对每一条过渡带分别进行判断是否进行提取边缘,采用滑窗的方式可以通过设置滑窗每次的偏移量shift来改变图像边缘检测的精度,更能适应边缘的变化。本发明的方法利用N‑Smoothlets良好的线奇异性,可以在提取边缘的同时很好地抑制噪声的干扰,提高对图像中复杂边缘及弱小边缘的检测能力。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种滑窗N-Smoothlets图像边缘检测方法。
背景技术
图像边缘指图像中的像素值发生阶跃的地方,属于高频信息。而人类视觉系统决定了人眼对图像中的高频信息特别敏感,因此,图像边缘检测一直是图像处理中的关键问题之一,在图像分割、目标识别等领域应用十分广泛。
图像边缘检测算法主要可分为两大类:一是传统的基于微分算子的边缘检测算法;二是近年来兴起的新型边缘检测算法,主要包括基于多尺度分析思想的边缘检测、基于数学形态学的边缘检测以及基于分形理论的边缘检测算法等。经典的微分算子边缘检测算法虽然实现简单、运算复杂度低,但是却不能很好地抑制图像中的噪声,图像边缘提取与抗噪性始终是一对难以调和的矛盾。为解决边缘检测精度与抗噪性之间的矛盾,1983年,多尺度分析的思想出现,对于大的尺度算子边缘检测的精度差,但是抗噪性能好,小尺度的边缘检测算子对边缘的定位精度高但对噪声敏感,多尺度分析的思想解决了边缘检测精度与抗噪性之间的平衡问题,其中的的小波边缘检测方法取得了很多研究成果并得到了广泛的应用。
传统二维小波是由一维小波扩展而来,只具有有限个方向,因此不能对图像得到最稀疏的表示。基于多尺度几何分析Wedgelet的边缘检测算法弥补了这方面的不足,并且由于其是用线段而不是点来表示边缘,抗噪性能更好。但是基于Wedgelet的边缘检测算法虽然在将滑窗的尺寸size、偏移量shift等参数减小的情况下可以提高对灰度图像中复杂边缘和弱小边缘检测的精度滑窗,但该方法不能准确处理存在渐变的边缘图像块。
发明内容
本发明的目的是为了解决现有的边缘检测算法的准确性和弱小边缘检测能力,提出了滑窗N-Smoothlets图像边缘检测方法。
为了解决以上问题,本发明采用的技术方案如下:一种滑窗N-Smoothlets图像边缘检测方法,
包括如下步骤:
S1输入待处理的原图像F;
S2设置图像边缘检测算法中涉及到的参数,包括N-Smoothlets变换中滑窗的尺寸size、滑窗每一次的偏移量shift、判断边缘是否保留阈值T1、T2;
S3设置好N-Smoothlets滑窗尺寸size后,假设size大小为n×n像素;首先将N-Smoothlets滑窗置于原图像的左上角,对待处理图像中与滑窗重叠部分的区域执行一个图像宏块内的N-Smoothlets变换;然后将N-Smoothlets滑窗从图像左上角按照先列后行或先行后列的顺序每次移动shift个像素并在滑窗内作N-Smoothlets变换,其中N-Smoothlets基本变换块大小设置为与滑窗大小一致,即在每一个滑窗对应的图像宏块内只用一个N-Smoothlets对其进行描述,直至滑窗遍历完整幅图像后结束,得到对原始图像进行滑窗N-Smoothlets变换后的图像信息;
S4根据块类型不同分别判别:
S41宏块类型为A,即退化块
若变换后的图像块为退化块,则认为该块中不存在边缘信息;
S42宏块类型为W,即Wedgelet块
若变换后的图像块为Wedgelet块,则提取出该Wedgelet块对应的基准线作为图像块内的边缘;此时,只需要边缘判决条件一对其进行是否作为边缘信息保留的判定;具体判定条件如下:
条件一:根据每条过渡带两侧的灰度值ma、mb的差值与设定的阈值T1进行比较,作为判断是否保留该过渡带并进行边缘提取的第一个条件;条件一是判断两个区域灰度的对比情况;
当过渡带两侧的灰度值差值的绝对值|ma-mb|足够大时,可认为此时过渡带两侧灰度值变化十分明显,更容易被判定为边缘;当过渡带两侧的灰度值差值的绝对值|ma-mb|比较小时,可认为此时过渡带两侧灰度值变化较小,不容易被判定为边缘;
S43宏块类型为S,即为N-Smoothlets块,包括宏块内存在1、2、3条过渡带的情况,N代表过渡带最大数量;
若变换后的图像块为N-Smoothlets块,即包括宏块内存在1、2、3条过渡带的情况,则依次对N-Smoothlets的N条过渡带两侧的灰度值求差值|ma-mb|;
若两侧的灰度值差值小于设定好的阈值T1,即|ma-mb|<T1,不满足边缘判决条件一,认为该边缘为伪边,舍弃;
若两侧的灰度值差值大于等于设定好的阈值T1,即|ma-mb|≥T1,满足边缘判决条件一;再比较过渡带宽r与T2的关系,若r>T2,满足边缘判决条件一,不满足边缘判决条件二,认为该边缘为伪边,舍弃;若r≤T2,同时满足边缘判决条件一与二,则计算过渡带的中线信息作为边缘保留;
S5对各滑窗N-Smoothlets提取出的边缘信息进行叠加,输出对原图像F进行边缘提取后的边缘图像
作为优选,滑窗尺寸size为8×8像素,阈值T1为20、阈值T2为1。
作为优选,滑窗每一次的偏移量shift可以取8、6、4、3个像素。
本发明的有益效果:本发明利用N-Smoothlets变换具有多尺度、多方向逼近边缘的特点可以有效提取图像中的弱小边缘和复杂边缘。采用滑窗的方式可以通过设置滑窗每次的偏移量shift来改变图像边缘检测的精度,更能适应边缘的变化。另外,由于N-Smoothlets良好的线奇异性,在边缘提取的过程中可以有效地抑制强噪声的干扰。实验验证了滑窗N-Smoothlets边缘检测算法较Wedgelet边缘检测算法对弱小边缘和复杂边缘的检测非常有效。
附图说明
图1:不同算法下Lena图像的边缘检测结果;
(a)原始图像;(b)Wedgelet,shift=8;(c)Wedgelet,shift=6;(d)Wedgelet,shift=4;(e)Wedgelet,shift=3;(f)N-Smoothlets,shift=8;(g)N-Smoothlets,shift=6;(h)N-Smoothlets,shift=4;(i)N-Smoothlets,shift=3。
图2:不同算法下Peppers图像的边缘检测结果;
(a)原始图像;(b)Wedgelet,shift=8;(c)Wedgelet,shift=6;(d)Wedgelet,shift=4;(e)Wedgelet,shift=3;(f)N-Smoothlets,shift=8;(g)N-Smoothlets,shift=6;(h)N-Smoothlets,shift=4;(i)N-Smoothlets,shift=3。
图3:不同算法下House图像的边缘检测结果
(a)原始图像;(b)Wedgelet,shift=8;(c)Wedgelet,shift=6;(d)Wedgelet,shift=4;(e)Wedgelet,shift=3;(f)N-Smoothlets,shift=8;(g)N-Smoothlets,shift=6;(h)N-Smoothlets,shift=4;(i)N-Smoothlets,shift=3。
图4:不同算法下Bird图像的边缘检测结果;
(a)原始图像;(b)Wedgelet,shift=8;(c)Wedgelet,shift=6;(d)Wedgelet,shift=4;(e)Wedgelet,shift=3;(f)N-Smoothlets,shift=8;(g)N-Smoothlets,shift=6;(h)N-Smoothlets,shift=4;(i)N-Smoothlets,shift=3。
具体实施方式
下面结合附图和具体实验对本发明做进一步的说明。
首先对本发明方法提到的两个边缘判决条件进行说明。本发明方法中,使用双阈值对是否提取边缘进行判断。在N-Smoothlets变换块中,对每一条过渡带分别进行判断是否进行提取边缘,具体判定条件如下:
条件一:根据每条过渡带两侧的灰度值ma、mb差值与设定的阈值T1进行比较,作为判断是否保留该过渡带并进行边缘提取的第一个条件;条件1是判断两个区域灰度的对比情况;
当过渡带两侧的灰度值差值的绝对值|ma-mb|足够大时,可认为此时过渡带两侧灰度值变化十分明显,更容易被判定为边缘;当过渡带两侧的灰度值差值的绝对值|ma-mb|比较小时,可认为此时过渡带两侧灰度值变化较小,不容易被判定为边缘。
条件二:将每条过渡带的宽度r与设定的阈值T2进行比较,作为判断是否保留该过渡带并进行边缘提取的第二个条件;条件2是判断灰度的渐变情况。
当过渡带两侧灰度值相等时,过渡带的宽度越窄,说明此时图像中的边缘类型更接近于阶跃型边缘,从人类视觉系统特性来说此时的灰度变化带来的视觉效果更易被认为是边缘信息;反之,过渡带宽度越宽,边缘特征越不明显。因此,当过渡带宽度r<T2时,保留该边缘。
当过渡带的宽度相等时,|ma-mb|越大越容易被认为是边缘。因此,本发明提出的N-Smoothlets边缘检测方法中,阈值T2的大小是随着|ma-mb|的值发生变化的:当|ma-mb|较大时,T2可适当调大;反之,T2应该降低;
当过渡带两侧的灰度值差值的绝对值|ma-mb|大于阈值T1并且过渡带的宽度r小于阈值T2两个条件同时满足时,则从对应的过渡带中计算该过渡带的中线作为边缘信息保留。
下面结合附图给出具体的实施过程:
基于滑窗N-Smoothlets的图像边缘提取算法中,对于宏块内只存在一条过渡带的情况,此时的变换宏块等同于Smoothlet变换块,只需计算这条过渡带两侧像素值的差值以及过渡带的宽度,根据两个判决条件判断是否保留该边缘。对于宏块内存在两条过渡带的情况,首先计算第一条过渡带两侧的灰度值以及过渡带宽度,根据两个判决条件判断是否保留该边缘,然后对第二条过渡带进行相同的操作;以此类推到宏块内存在三条过渡带的情况。
结合附图对本发明的实验数据进行说明。
为验证基于N-Smoothlets变换的图像边缘检测算法的性能,多次改变实验中滑窗N-Smoothlets变换的参数对不同参数下的边缘检测结果进行全方位的比较;另外,为便于比较算法的性能,实验结果中同时给出了滑窗Wedgelet边缘检测算法对图像的边缘检测结果。
滑窗Wedgelet边缘检测算法说明如下:基于滑窗Wedgelet的图像边缘检测是设定一个固定大小的滑窗,由此滑窗去遍历待提取边缘的图像,在滑窗遍历到的图像局部区域做一个宏块内的Wedgelet变换,在Wedgelet变换的基础上,提取出基准线作为检测出的图像边缘信息保留。设输入图像为F,大小为m×n像素,滑窗尺寸size,滑窗每次的偏移量为shift,判断边缘是否为伪边的阈值T,基于Wedgelet的图像边缘检测算法的伪代码如下所示,其中,ma、mb为Wedgelet变换后图像宏块内基准线两侧的灰度值。
输入:F、m、n、size、shift、T;
输出:原图像F的边缘提取图像;
1)对(i=0;i+size<m;i+=shift);
2)对(j=0;j+size<n;j+=shift);
3)执行Smoothlet变换,计算ma、mb的差值;
4)对任意滑窗Smoothlet;
5)如果(|ma-mb|>T);
6)画出基准线作为图像边缘保留。
实验中,基于滑窗N-Smoothlets的边缘提取算法各参数如下:滑窗尺寸size为8×8像素,阈值T1为20、阈值T2为1(对大量图像进行实验选取的经验值),滑窗每一次的偏移量shift分别取8、6、4、3个像素。不同算法下对Lena、Peppers、House、Bird四幅图的边缘提取结果分别如图1到图4所示。
从图1到图4可以看出:滑窗N-Smoothlets边缘检测算法较滑窗Wedgelet边缘检测算法可以很好地检测出图像中的复杂边缘以及弱小边缘,在Lena的头发处以及脸部细节、Peppers中辣椒的根蒂处、Bird中鹦鹉的羽翼处都可以看出N-Smoothlets边缘检测算法较Wedgelet边缘检测算法的优势。以Bird图像为例,图4中用椭圆圈出的部分验证了N-Smoothlets对弱小边缘和复杂边缘的检测能力,与其它变换参数相同情况下的Wedgelet边缘检测结果(附图4(d))则不能很好地检测出这些弱小边缘以及复杂边缘,当偏移量shift较大时,N-Smoothlets边缘检测算法较Wedgelet边缘检测算法对弱小边缘和复杂边缘的检测能力更为突出。这是因为N-Smoothlets宏块中最多有N条基准线去拟合原图像中的边缘,而Wedgelet在一个宏块内最多只有一条基准线对原图像边缘进行拟合,N-Smoothlets边缘检测算法较Wedgelet边缘检测算法的优势在滑窗尺寸较大以及偏移量shift较大时体现的尤为明显。
另外,N-Smoothlets边缘检测算法通过设置滑窗的偏移量shift可以有效地控制边缘检测的精度。当shift较大时,滑窗会发生重叠,同一条边缘会在不同的滑窗中被多次检出,因此,可以有效地降低边缘被“漏检”的概率。
综上所述,本发明利用N-Smoothlets变换具有多尺度、多方向逼近边缘的特点可以有效提取图像中的弱小边缘和复杂边缘。采用滑窗的方式可以通过设置滑窗每次的偏移量shift来改变图像边缘检测的精度,更能适应边缘的变化。另外,由于N-Smoothlets良好的线奇异性,在边缘提取的过程中可以有效地抑制强噪声的干扰。实验验证了滑窗N-Smoothlets边缘检测算法较Wedgelet边缘检测算法对弱小边缘和复杂边缘的检测非常有效。
本领域的普通技术人员将会意识到,这里所述的基于滑窗N-Smoothlets的实验是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实验。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种滑窗N-Smoothlets图像边缘检测方法,其特征在于:包括以下步骤:
S1输入待处理的原图像F;
S2设置图像边缘检测算法中涉及到的参数,包括N-Smoothlets变换中滑窗的尺寸size、滑窗每一次的偏移量shift、判断边缘是否保留阈值T1、T2;
S3设置好N-Smoothlets滑窗尺寸size后,假设size大小为n×n像素;首先将N-Smoothlets滑窗置于原图像的左上角,对待处理图像中与滑窗重叠部分的区域执行一个图像宏块内的N-Smoothlets变换;然后将N-Smoothlets滑窗从图像左上角按照先列后行或先行后列的顺序每次移动shift个像素并在滑窗内作N-Smoothlets变换,其中N-Smoothlets基本变换块大小设置为与滑窗大小一致,即在每一个滑窗对应的图像宏块内只用一个N-Smoothlets对其进行描述,直至滑窗遍历完整幅图像后结束,得到对原始图像进行滑窗N-Smoothlets变换后的图像信息;
S4根据块类型不同分别判别:
S41宏块类型为A,即退化块
若变换后的图像块为退化块,则认为该块中不存在边缘信息;
S42宏块类型为W,即Wedgelet块
若变换后的图像块为Wedgelet块,则提取出该Wedgelet块对应的基准线作为图像块内的边缘;此时,只需要边缘判决条件一对其进行是否作为边缘信息保留的判定;具体判定条件如下:
条件一:根据每条过渡带两侧的灰度值ma、mb的差值与设定的阈值T1进行比较,作为判断是否保留该过渡带并进行边缘提取的第一个条件;条件一是判断两个区域灰度的对比情况;
当过渡带两侧的灰度值差值的绝对值|ma-mb|足够大时,可认为此时过渡带两侧灰度值变化十分明显,更容易被判定为边缘;当过渡带两侧的灰度值差值的绝对值|ma-mb|比较小时,可认为此时过渡带两侧灰度值变化较小,不容易被判定为边缘;
S43宏块类型为S,即N-Smoothlets块,包括宏块内存在1、2、3条过渡带的情况,N代表过渡带最大数量;
若变换后的图像块为N-Smoothlets块,即包括宏块内存在1、2、3条过渡带的情况,则依次对N-Smoothlets的N条过渡带两侧的灰度值求差值|ma-mb|;
若两侧的灰度值差值小于设定好的阈值T1,即|ma-mb|<T1,不满足边缘判决条件一,认为该边缘为伪边,舍弃;
若两侧的灰度值差值大于等于设定好的阈值T1,即|ma-mb|≥T1,满足边缘判决条件一;再比较过渡带宽r与T2的关系,若r>T2,满足边缘判决条件一,不满足边缘判决条件二,认为该边缘为伪边,舍弃;若r≤T2,同时满足边缘判决条件一与二,则计算过渡带的中线信息作为边缘保留;
S5对各滑窗N-Smoothlets提取出的边缘信息进行叠加,输出对原图像F进行边缘提取后的边缘图像
2.根据权利要求1所述的一种滑窗N-Smoothlets图像边缘检测方法,其特征在于:滑窗尺寸size为8×8像素,阈值T1为20、阈值T2为1。
3.根据权利要求1所述的一种滑窗N-Smoothlets图像边缘检测方法,其特征在于:滑窗每一次的偏移量shift可以取8、6、4、3个像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510333200.3A CN104966296B (zh) | 2015-06-16 | 2015-06-16 | 滑窗N‑Smoothlets图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510333200.3A CN104966296B (zh) | 2015-06-16 | 2015-06-16 | 滑窗N‑Smoothlets图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104966296A CN104966296A (zh) | 2015-10-07 |
CN104966296B true CN104966296B (zh) | 2018-01-09 |
Family
ID=54220327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510333200.3A Active CN104966296B (zh) | 2015-06-16 | 2015-06-16 | 滑窗N‑Smoothlets图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104966296B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251307B (zh) * | 2016-08-02 | 2018-12-04 | 电子科技大学 | 基于Extended Smoothlets变换的图像近似方法 |
CN108053380A (zh) * | 2017-12-14 | 2018-05-18 | 电子科技大学 | 一种基于hees变换的图像近似方法 |
CN112907587B (zh) * | 2021-04-01 | 2022-03-01 | 西南石油大学 | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 |
CN114170228B (zh) * | 2022-02-14 | 2022-04-19 | 西南石油大学 | 一种计算机图像边缘检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329402A (zh) * | 2008-06-20 | 2008-12-24 | 西安电子科技大学 | 基于改进Wedgelet的多尺度SAR图像边缘检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10129542B2 (en) * | 2013-10-17 | 2018-11-13 | Futurewei Technologies, Inc. | Reference pixel selection and filtering for intra coding of depth map |
-
2015
- 2015-06-16 CN CN201510333200.3A patent/CN104966296B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329402A (zh) * | 2008-06-20 | 2008-12-24 | 西安电子科技大学 | 基于改进Wedgelet的多尺度SAR图像边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
Edge Detection by Sliding Wedgelets;Agnieszka Lisowska;《Image Analysis and Recognition》;20111231;第50-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104966296A (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Entropy-based window selection for detecting dim and small infrared targets | |
Khawaja et al. | An improved retinal vessel segmentation framework using frangi filter coupled with the probabilistic patch based denoiser | |
Batool et al. | Fast detection of facial wrinkles based on Gabor features using image morphology and geometric constraints | |
CN104299229B (zh) | 一种基于时空域背景抑制的红外弱小目标检测方法 | |
CN103729842B (zh) | 基于局部统计特征与整体显著性分析的织物疵点检测方法 | |
CN104966296B (zh) | 滑窗N‑Smoothlets图像边缘检测方法 | |
CN105513035A (zh) | 一种被动毫米波图像中人体隐匿物品的检测方法及其系统 | |
Bai et al. | Hit-or-miss transform based infrared dim small target enhancement | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN101527043B (zh) | 基于运动目标轮廓信息的视频对象分割方法 | |
CN103413303A (zh) | 基于联合显著性的红外目标分割方法 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
Wang et al. | Fast infrared maritime target detection: Binarization via histogram curve transformation | |
CN104966285A (zh) | 一种显著性区域的检测方法 | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN104778710A (zh) | 一种基于量子理论的形态学图像边缘检测方法 | |
Tahseen et al. | Binarization Methods in Multimedia Systems when Recognizing License Plates of Cars | |
CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN104537632A (zh) | 基于边缘提取的红外图像直方图增强方法 | |
CN103325123A (zh) | 一种基于自适应神经模糊推理系统的图像边缘检测方法 | |
CN112329677B (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN105205829A (zh) | 基于改进的二维Otsu的变电站红外图像分割方法 | |
Ye et al. | An improved algorithm for Harris corner detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |