CN105139391A - 一种雾霾天气交通图像边缘检测方法 - Google Patents

Abstract

本发明公开了一种雾霾天气交通图像边缘检测方法，步骤1：获取雾霾天气下交通图像；步骤2：对步骤1中获得的交通图像进行高斯滤波处理；步骤3：采用八方向边缘检测算子对步骤2中经过高斯滤波处理的交通图像进行边缘检测，获得图像的粗边缘；步骤4：采用边缘细化算子对经过步骤3处理后的交通图像进行边缘检测，得到图像的细边缘；步骤5：将步骤4中得到细化的图像边缘进行二值化，得到最终图像边缘。本发明采用八方向图像边缘检测算子，能够检测多个方向的图像边缘，改善了传统边缘检测算子只对水平和垂直方向敏感，其他方向不敏感的不足，提高了新边缘检测算子的性能，使其获得的图像边缘定位比较准确，具有良好的检测精度。

Description

一种雾霾天气交通图像边缘检测方法

技术领域

本发明属于图像处理技术领域，具体涉及一种雾霾天气交通图像边缘检测方法

背景技术

随着数字图像采集技术和处理技术的飞速发展，图像已成为人们获取信息的重要信息，而图像的边缘信息包含了图像中的大量信息，例如相机的人脸捕捉等都是基于对图像边缘的检测的研究。图像边缘的检测是机器视觉和图像处理的重要部分。

雾霾天气导致能见度降低,给人们的日常生活和出行带来很大影响，也给交通事故的发生留下了隐患。而且雾霾天气所导致的图像降质，图像离焦模糊对原有的图像边缘检测算法提出了更高的要求。而利用图像边缘检测算法对雾霾天气下获得的降质的交通图像进行处理，能够获得大量的有用信息。因此，对雾霾天气下交通图像边缘检测是十分有意义的。

传统的图像边缘检测都是根据已有的边缘检测算子如Robert边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子、Laplace边缘检测算子等。这些边缘检测算子图像纹理简单，干扰噪声比较小的理想情况下能够实现对大多数图像的边缘提取，但是在实际中对于雾霾天气下获得降质图像，传统的边缘检测算子由于检测方向有限、受噪声影响较大等严重缺陷，出现边缘检测不准确难以满足对雾霾天气下交通图像边缘检测的要求。

发明内容

本发明的目的在于提供一种雾霾天气交通图像边缘检测方法，以克服上述现有技术存在的缺陷，本发明采用八方向图像边缘检测算子，能够检测多个方向的图像边缘，改善了传统边缘检测算子只对水平和垂直方向敏感，其他方向不敏感的不足，提高了新边缘检测算子的性能，使其获得的图像边缘定位比较准确，具有良好的检测精度。

为达到上述目的，本发明采用如下技术方案：

一种雾霾天气交通图像边缘检测方法，包括以下步骤：

步骤1：获取雾霾天气下交通图像；

步骤2：对步骤1中获得的交通图像进行高斯滤波处理；

步骤3：采用八方向边缘检测算子对步骤2中经过高斯滤波处理的交通图像进行边缘检测，获得图像的粗边缘；

步骤4：采用边缘细化算子对经过步骤3处理后的交通图像进行边缘检测，得到图像的细边缘。

进一步地，步骤2中采用零均值离散高斯函数进行高斯滤波处理，公式如下：

式中，c是规范化系数，(i,j)为步骤1中获得的交通图像的坐标，σ为函数的宽度参数，g(i,j)表示步骤1获得的交通图像中要处理的像素点。

进一步地，步骤3中所述的八方向边缘检测算子的八个方向定义如下：建立一个极坐标系，定义极轴方向为0方向，逆时针旋转45度定义为1方向，逆时针旋转90度定义为2方向，逆时针旋转135度定义为3方向，逆时针旋转180度定义为4方向，逆时针旋转225度定义为5方向，逆时针旋转270度定义为6方向，逆时针旋转315度定义为7方向；每个方向的边缘算子如下表所示：

进一步地，步骤3中获得图像的粗边缘的方法为：分别用八个方向的边缘检测算子的3*3卷积模版与以图像中要处理的像素点为中心的3*3图像区域做卷积，得到该像素点在八个方向的偏导数，取其中的最大值作为该点的新的灰度值，以模版的方向作为该点的边缘方向，从而获得图像的粗边缘。

进一步地，步骤4中所述的边缘细化算子为5*5的边缘细化算子，形式如下：

进一步地，步骤4中获得图像的细边缘的方法为：在步骤3处理后的图像中选取5*5的区域与5*5的边缘细化算子进行卷积运算，求取图像粗边缘的二阶导数，以卷积得到的值作为细化后的图像上该点的灰度值，从而获得图像的细边缘。

进一步地，所述方法还包括步骤5：将步骤4中得到细化的图像边缘进行二值化，得到最终图像边缘。

进一步地，步骤5中进行二值化的方法为：

步骤5.1：设置一个阈值T，定义T的值为：T＝｜T_max-(T_max-T_min)/3｜，其中T_max,T_min分别为步骤4处理后的图像中灰度最大值和最小值；

步骤5.2：对步骤4处理后的图像中灰度值>T的像素点求出灰度平均值T₁，图像中灰度值<T的像素点求出灰度平均值T₂，定义参数T_new，T_new＝｜T₁-(T₁-T₂)/3｜；

步骤5.3：将T_new和T进行比较，若｜T-T_new｜＜1，则当前T_new即为最佳阈值，否则取T＝T_new，并重复步骤5.2及步骤5.3直至取到最佳阈值为止。

与现有技术相比，本发明具有以下有益的技术效果：

在对雾霾天气下交通图像进行边缘提取时，传统的边缘检测算子很难获得完整的图像边缘，本发明中提出的雾霾天气下交通图像边缘检测算法在能够获得较为完整的图像边缘的前提下，还能够对获得的图像边缘进行细化处理，使获得的图像边缘更加精准，得到的图像边缘质量优于传统的边缘检测算子获得的图像边缘。根据本发明方法提取到的图像边缘，对比现有算子获得的图像边缘，在获得比较明亮的图像边缘的同时，图像的边缘比较细，边缘定位比较准确，假边缘比较少，效果优于传统的边缘检测算子获得的图像边缘。

附图说明

图1是本发明的流程示意图；

图2是本发明与其它边缘检测算子对雾霾天气下交通图像边缘检测效果对比，其中，(a)为原始雾霾天气下交通图像，(b)经典Robert算子提取的图像边缘，(c)经典Sobel算子提取的图像边缘，(d)经典Laplace算子提取到的，(e)本发明提出的新算子提取到的图像边缘，(f)对新算子提取到的图像边缘二值化后得到的图像。

具体实施方式

下面结合附图对本发明作进一步详细描述：

参见图1和图2，本发明提供一种雾霾天气交通图像边缘检测方法，对经过高斯滤波预处理过的图像采用两组新的算子和图像依次进行卷积运算，实现准确、快速的检测图像的边缘。具体思路是，针对传统的Sobel算子只对水平和垂直方向敏感的不足，提出一个新的八个方向的边缘检测算子，作为第一组新算子。针对传统的Laplace边缘检测算子对受噪声影响较大的不足提出一种既能获得较细的图像边缘又能有较好的抗噪性能的算子作为第二组新算子。在整个过程中，使用两组新的算子依次进行卷积运算最后选取合适的阈值将边缘细化后的图像二值化，获得雾霾天气下交通图像的边缘。

具体步骤如下：

步骤1、获得雾霾天气下交通图像：利用图像采集设备，获得要处理的雾霾天气下的交通图像，并将获得降质图像转为灰度图，等待下一步处理。

步骤2、对步骤1中获得的含大量噪声的灰度图进行高斯滤波操作，降低图像中的干扰噪声。

高斯滤波是根据高斯函数的形状来选择权值的线性平滑滤波器。对于去除服从正态分布的噪声有很好的效果。对于二维的图像，我们选择零均值离散高斯函数做平滑滤波，

函数表达式如下：

其中c是规范化系数，i,j为当前图像的坐标，σ为函数的宽度参数,控制了函数的径向作用范围，g为获得的雾霾天气下交通图像，i和j分别表示图像的横竖坐标，那么我们就可以用g(i,j)表示图像中要处理的像素点。在这里我们设置滤波模版大小为3*3，减少图像中包含的噪声信息，对图像进行预处理。

步骤3、使用“八方向边缘检测算子”，对经过滤波预处理过的图像进行边缘检测，即用图像中的像素与八个模版中的各个系数分别相乘，获得八个方向上的梯度值，并取梯度最大值作为该点的灰度值。

传统的边缘检测算子一般只能只对图像的两个方向进检测检测。例如Sobel边缘检测算子，该算子以像素点f(x,y)周围3*3的区域为模版，计算x,y方向上的偏导数，即：

Δ_xf＝f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)-

f(x-1,y-1)-2f(x,y+1)-f(x+1,y+1)

Δ_yf＝f(x+1,y+1)+2f(x+1,y)+f(x+1,y-1)-

f(x-1,y-1)-2f(x,y+1)-f(x-1,y-1)

梯度表达式为：

卷积算子形式为：

从这类检测方向单一的边缘检测算子中，我们很容易看出，这类算子在对复杂图像进行边缘检测时，受只对单一方向进行边缘检测的局限，容易造成部分边缘信息丢失，或者边缘定位不准确。因此针对这一问题，我们提出的了“八方向图像边缘检测算子”。我们建立一个极坐标系以极轴方向为“0方向”，逆时针旋转45度定义为“1方向”，以此类推每逆时针旋转45度定义一个方向，可以获得定义的八个方向，在这八个方向上，我们定义的每个方向的边缘检测算子如下所示：

在检测过程中，分别用各个3*3卷积模版与以图像中要处理的像素点为中心的3*3图像区域做卷积，就可以得到该像素点在八个方向的偏导数，取其中的最大值作为该点的新的灰度值，以模版的方向作为该点的边缘方向。而获得图像的粗边缘。

步骤4、将步骤3中获得的图像粗边缘作为对象，用边缘细化算子对其进行边缘检测，得到细化后的图像边缘。

与一阶梯度算子相比，如果图像上具有斜率等宽的宽区域，一阶梯度算子可能会将局部宽区域作为边缘检测出来，得到的图像边缘比较粗，图像边缘定位不够准确。而Laplace边缘检测算子为二阶算子，能够得到一阶梯度的变化率(斜率)。因此，用Laplace边缘检测算子对图像粗边缘进行细化是可行的。运算形式和算子如下所示：

运算形式：

卷积算子形式：

但同时，由于Laplace边缘检测算子属于标量，从其运算方式和算子形式中我们就可以看出，属于各向同性的运算，对灰度变化敏感，同时也受噪声影响较大。因此难以满足雾霾天气下降质图像的边缘提取。

为了满足边缘细化的同时又有一定的抗噪性能的要求我们提出了第二组新算子。新算子采用滤波和拉普拉斯边缘检测算子相结合的形式，提出了这组5*5的边缘细化算子形式如下所示：

从新算子的形式上我们就可以看出，新算子在边缘检测的同时也对图像进行了滤波，对于干扰噪声较大的图像效果效果要优于传统的3*3的拉普拉斯算子。在使用时，与步骤3中类似，我们在图像中选取5*5的区域与上述的5*5新算子进行卷积运算，边缘细化算子为二阶微分算子，将其与得到的图像粗边缘进行卷积，本质是求取图像粗边缘的二阶导数，以卷积得到的值作为细化后的图像上该点的灰度值，就可以获得图像的边缘。

步骤5、将细化后的图像边缘二值化，得到最后的图像边缘。

在二值化时，我们选择的是基于迭代法的图像二值化，具体操作的步骤是：我们预先设置一个阈值T，在这里我们定义T的值为：T＝｜T_max-(T_max-T_min)/3｜，其中T_max,T_min分别为图像中灰度最大值和最小值，我们对图像中灰度值>T的像素点求出灰度平均值T1，图像中灰度值<T的像素点求出灰度平均值T2，再定义参数T_new，T_new＝｜T₁-(T₁-T₂)/3｜，将T_new和T进行比较，若｜T-T_new｜＜1，则当前T_new即为最佳阈值，否则取T＝T_new，对图像中灰度值>T的像素点求出灰度平均值T1，图像中灰度值<T的像素点求出灰度平均值T2，计算T_new与当前T进行比较，循环上述比较操作，直到取到最佳阈值为止。

从图2可以看出，图2中(a)为原始雾霾天气下交通图像，我们分别实用传统的边缘检测方法和本文中提出的边缘方法对图(a)进行边缘提取。首先我们实用了经典Robert算子来提取的图(a)的图像边缘，获得的图像边缘如图(b)所示，从图中我们可以看出获得的图像边缘不够清晰，比较暗。图(c)是使用经典Sobel算子提取的图像边缘，可以看出获得的图像边缘比较亮，但是图像边缘比较粗，边缘定位不够准确，而且部分边缘细节也没有提取到。图(d)是由经典Laplace算子提取到的，可以看出提取到的图像边缘比较精细，但是图像边缘整体比较暗。图(e)是本发明提出的新方法提取到的图像边缘，对比前面几种算子获得的图像边缘，可以看到图(e)在获得比较明亮的图像边缘的同时，图像的边缘比较细，边缘定位比较准确，假边缘比较少，效果优于传统的边缘检测算子获得的图像边缘。图(f)为对新算子提取到的图像边缘二值化后得到的图像。

Claims (8)

1.一种雾霾天气交通图像边缘检测方法，其特征在于，包括以下步骤：

步骤1：获取雾霾天气下交通图像；

步骤2：对步骤1中获得的交通图像进行高斯滤波处理；

步骤3：采用八方向边缘检测算子对步骤2中经过高斯滤波处理的交通图像进行边缘检测，获得图像的粗边缘；

步骤4：采用边缘细化算子对经过步骤3处理后的交通图像进行边缘检测，得到图像的细边缘。

2.根据权利要求1所述的一种雾霾天气交通图像边缘检测方法，其特征在于，步骤2中采用零均值离散高斯函数进行高斯滤波处理，公式如下：

$g(i,j)={\mathrm{ce}}^{-(i^2-j^2)/{2\mathrm{\&sigma;}}^2}$

式中，c是规范化系数，(i,j)为步骤1中获得的交通图像的坐标，σ为函数的宽度参数，g(i,j)表示步骤1获得的交通图像中要处理的像素点。

3.根据权利要求1所述的一种雾霾天气交通图像边缘检测方法，其特征在于，步骤3中所述的八方向边缘检测算子的八个方向定义如下：建立一个极坐标系，定义极轴方向为0方向，逆时针旋转45度定义为1方向，逆时针旋转90度定义为2方向，逆时针旋转135度定义为3方向，逆时针旋转180度定义为4方向，逆时针旋转225度定义为5方向，逆时针旋转270度定义为6方向，逆时针旋转315度定义为7方向；每个方向的边缘算子如下表所示：

4.根据权利要求3所述的一种雾霾天气交通图像边缘检测方法，其特征在于，步骤3中获得图像的粗边缘的方法为：分别用八个方向的边缘检测算子的3*3卷积模版与以图像中要处理的像素点为中心的3*3图像区域做卷积，得到该像素点在八个方向的偏导数，取其中的最大值作为该点的新的灰度值，以模版的方向作为该点的边缘方向，从而获得图像的粗边缘。

5.根据权利要求1所述的一种雾霾天气交通图像边缘检测方法，其特征在于，步骤4中所述的边缘细化算子为5*5的边缘细化算子，形式如下：

$\left[\begin{array}{ccccc}0& 0& -1& 0& 0\\ 0& -1& -1& -1& 0\\ -1& -1& 12& -1& -1\\ 0& -1& -1& -1& 0\\ 0& 0& -1& 0& 0\end{array}\right].$

6.根据权利要求5所述的一种雾霾天气交通图像边缘检测方法，其特征在于，步骤4中获得图像的细边缘的方法为：在步骤3处理后的图像中选取5*5的区域与5*5的边缘细化算子进行卷积运算，求取图像粗边缘的二阶导数，以卷积得到的值作为细化后的图像上该点的灰度值，从而获得图像的细边缘。

7.根据权利要求1所述的一种雾霾天气交通图像边缘检测方法，其特征在于，所述方法还包括步骤5：将步骤4中得到细化的图像边缘进行二值化，得到最终图像边缘。

8.根据权利要求7所述的一种雾霾天气交通图像边缘检测方法，其特征在于，步骤5中进行二值化的方法为：

步骤5.1：设置一个阈值T，定义T的值为：T＝|T_max-(T_max-T_min)/3|，其中T_max,T_min分别为步骤4处理后的图像中灰度最大值和最小值；

步骤5.2：对步骤4处理后的图像中灰度值>T的像素点求出灰度平均值T₁，图像中灰度值<T的像素点求出灰度平均值T₂，定义参数T_new，T_new＝|T₁-(T₁-T₂)/3|；

步骤5.3：将T_new和T进行比较，若|T-T_new|＜1，则当前T_new即为最佳阈值，否则取T＝T_new，并重复步骤5.2及步骤5.3直至取到最佳阈值为止。