CN105160661A - 基于中心像素相似权的彩色图像边缘提取方法 - Google Patents
基于中心像素相似权的彩色图像边缘提取方法 Download PDFInfo
- Publication number
- CN105160661A CN105160661A CN201510512622.7A CN201510512622A CN105160661A CN 105160661 A CN105160661 A CN 105160661A CN 201510512622 A CN201510512622 A CN 201510512622A CN 105160661 A CN105160661 A CN 105160661A
- Authority
- CN
- China
- Prior art keywords
- pixel
- tested
- pixels
- similarity weight
- point
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于中心像素相似权的彩色图像边缘提取方法,主要解决了现有技术在提取彩色图像边缘时,没有考虑彩色像素的高度相关性,计算复杂度高,结构元素没有考虑到图像的局部特征,会导致边缘漏检的问题。本发明的步骤为:提取待测像素点的像素值、计算待测像素点的相似权、确定待测像素点的相似权阈值、确定自适应结构元素、膨胀待测像素点、腐蚀待测像素点、确定图像边缘。本发明引入了像素的相似权、相似权阈值、自适应结构元素,具有综合考虑彩色像素的高度相关性、计算复杂度低、易于硬件实现、提取的图像边缘精确的优点。
Description
技术领域
本发明属于电子计算技术领域,更进一步涉及图像数据处理技术领域中的一种基于中心像素相似权的彩色图像边缘提取方法。本发明通过彩色图像中心像素的相似权产生自适应结构元素,提取彩色图像边缘。可以应用于通信、气象生物、军事、机器人视觉、医学等技术领域中提取彩色图像的边缘。
背景技术
边缘作为图像的一种基本特征,包含了物体形状的重要信息,而彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到越来越多的关注。自然图像中,颜色和亮度边缘信息对于场景理解都具有重要作用,所以从复杂自然图像中有效的提取边缘信息很重要。
目前主要存在的彩色图像边缘检测方法是:首先将彩色图像转换到各种颜色空间,并分别计算颜色和亮度边缘,再合并颜色信息和亮度信息来提取图像的边缘。
朱晓临、陈嫚、李雪艳、朱园珠在其发表的论文“结合形态学变形虫和复合颜色空间的彩色图像边缘检测模型”(《计算机辅助设计与图形学学报》2014年07期第1060~1066页)提出一种基于形态学变形虫(自适应结构元素)并联合使用HSV空间和RGB空间的彩色图像边缘检测方法。该方法的实现过程为:首先在HSV空间中计算变形虫结构元素,然后借助HSV空间中的度量,并将其转换到RGB空间中完成向量的排序;再在RGB空间中,通过计算上述变形虫结构元素中像素间距离最小值定义边缘强度,最后借用算子的思想得到单像素边缘。该方法存在不足之处是:在提取彩色图像边缘时,没有考虑彩色像素矢量的高度相关性,处理过程颜色空间转换频繁,计算复杂度高、步骤繁琐。
刘直芳、游志胜、曹刚、徐欣在其发表的论文“基于多尺度彩色形态矢量算子的边缘检测”(《中国图象图形学报》2002年09期第888~893页)提出了一种新的多尺度的彩色形态矢量边缘检测算子。该方法的实现过程为:利用不同尺度形态边缘检测算子来检测不同尺度下的边缘强度,再对不同尺度下的边缘强度图进行合并,从而得到新的边缘强度图象该方法所选取的人为的改变结构元素尺度。该方法存在不足之处是:在提取彩色图像边缘时,所选的结构元素没有考虑到图像的局部特征,会导致边缘漏检,或产生新的边缘。
清华大学深圳研究生院申请的专利“一种彩色图像的边缘提取方法”(专利申请号201210535132.5,公布号102999916A)中公开一种彩色图像的边缘提取方法。该方法的实现过程为,首先对原始彩色图像进行滤波处理,将滤波后的彩色图像转换到颜色空间坐标系中,然后分别提取各个坐标分量下的图像中感兴趣区域,最后提取的各个坐标分量下感兴趣区域进行边缘检测,得到各个坐标分量下的边缘图像,将各个坐标分量下的边缘图像组合叠加得到最终边缘图像。该方法存在不足之处是:将不同坐标分量分别进行边缘检测,最后组合得到最终边缘图像,导致检测结果不准确,会漏检边缘或者产生新的边缘。
发明内容
本发明的目的在于克服上述现有技术的不足,提出一种基于中心像素相似权的彩色图像边缘提取方法,通过计算彩色像素的相似权,针对彩色图像不同位置空间的像素点构造不同结构元素,充分考虑了彩色图像像素矢量的相关性、彩色图像的全局信息和局部信息,从而很好的保证了图像边缘细节完整性,提高了图像边缘提取的效果。
为实现上述目的,本发明的步骤包括如下:
(1)提取图像中待测像素点的像素值:
选取红绿蓝RGB彩色空间,从所选取的红绿蓝RGB彩色空间中提取待测像素点的像素值;
(2)计算待测像素点的相似权:
(2a)以待测像素点为中心,选择多个邻域像素点组成一个N×N大小的像素点矩阵,其中N取值的下界为大于等于3的奇数,上界为小于等于输入彩色图像高度和宽度像素尺寸的奇数;
(2b)按照下式,计算待测像素点与其N×N大小的像素点矩阵中像素点的相似权:
其中,W(c,j)表示N×N大小的像素点矩阵中任一像素点c相对于待测像素点j的相似权,c表示N×N大小的像素点矩阵中的任一像素点,j表示待测像素点,|·|表示绝对值操作,log表示对数操作,exp表示自然常数e,表示平方根操作,Bj、Gj、Rj分别表示待测像素点j的蓝色、绿色、红色通道的像素值,Bc、Gc、Rc表示N×N大小的像素点矩阵中任一像素点c的蓝色、绿色、红色通道的像素值,Σ表示求和操作,∈表示属于符号,N(j)表示以待测像素点j为中心,N×N大小的像素点矩阵;
(3)确定待测像素点的相似权阈值:
(3a)定义一个N+5的全局浮点型数组,N为像素点矩阵的宽度,并将全局浮点型数组初始化为零;
(3b)用待测像素点与其四邻域像素点位置的相似权覆盖全局浮点型数组的前五个值;
(3c)将全局浮点型数组中的元素,按照从小到大进行排序;
(3d)按照下式,确定相似权阈值:
F(j)=W(j,j)+m*[W0+W1+W2-3*W(j,j)]
其中,F(j)表示待测像素点j的相似权阈值,j表示待测像素点,W(j,j)表示待测像素点与其本身的相似权,m表示权阈值增长参数,m的取值范围为1.0~10.0,*表示乘法操作,W0,W1,W2表示全局浮点型数组中前三个值;
(4)选取自适应结构元素:
(4a)比较像素点矩阵的相似权与相似权阈值,将相似权小于等于相似权阈值的像素点作为结构元素;
(4b)剔除结构元素中不满足以待测像素点为中心的凸集像素点,将剩余的像素点作为自适应结构元素;
(5)膨胀待测像素点:
将结构元素范围内所有像素点的蓝色、绿色、红色通道像素值加和,将加和后的最大值的像素点作为待测像素点膨胀后的像素点;
(6)腐蚀待测像素点:
将结构元素范围内所有像素点的蓝色、绿色、红色通道像素值加和,将加和后的最小值的像素点作为待测像素点腐蚀后的像素点;
(7)确定图像边缘:
将膨胀后像素点的蓝色、绿色、红色通道的像素值分别减去待腐蚀后像素点蓝色、绿色、红色通道的像素值,对像素值差值取绝对值,将取绝对值后的像素点作为彩色图像边缘。
本发明与现有技术相比具有如下优点:
第一,本发明由于引入了像素的相似权和相似权阈值确定自适应结构元素,克服了现有技术在提取彩色图像边缘时,没有考虑彩色像素的高度相关性,处理过程颜色空间转换频繁,计算复杂度高、步骤繁琐的不足,使得本发明在提取彩色图像边缘时具有综合考虑彩色像素的高度相关性,计算复杂度低,易于硬件实现的优点。
第二,本发明由于引入了自适应结构元素对彩色图像进行膨胀和腐蚀操作,克服了现有技术在提取彩色图像边缘时,所选的结构元素没有考虑到图像的局部特征,会导致边缘漏检,或产生新的边缘的不足,使得本发明在提取彩色图像边缘时具有提取的图像边缘精确,不会漏掉任何边缘的优点。
附图说明
图1是本发明的流程图;
图2是本发明的仿真实验结果图。
具体实施方式
下面结合附图,对本发明实现的步骤作进一步的详细描述。
参照附图1,本发明的具体步骤如下。
步骤1,提取图像中待测像素点的像素值。
选取红绿蓝RGB彩色空间,从所选取的红绿蓝RGB彩色空间中提取待测像素点的像素值。
步骤2,计算待测像素点的相似权。
以待测像素点为中心,选择多个邻域像素点组成一个N×N大小的像素点矩阵,其中N取值的下界为大于等于3的奇数,上界为小于等于输入彩色图像高度和宽度像素尺寸的奇数。
按照下式,计算待测像素点与其N×N大小的像素点矩阵中像素点的相似权:
其中,W(c,j)表示N×N大小的像素点矩阵中任一像素点c相对于待测像素点j的相似权,c表示N×N大小的像素点矩阵中的任一像素点,j表示待测像素点,|·|表示绝对值操作,log表示对数操作,exp表示自然常数e,表示平方根操作,Bj、Gj、Rj分别表示待测像素点j的蓝色、绿色、红色通道的像素值,Bc、Gc、Rc表示N×N大小的像素点矩阵中任一像素点c的蓝色、绿色、红色通道的像素值,Σ表示求和操作,∈表示属于符号,N(j)表示以待测像素点j为中心,N×N大小的像素点矩阵。
步骤3,确定待测像素点的相似权阈值。
定义一个N+5的全局浮点型数组,N为像素点矩阵的宽度,并将全局浮点型数组初始化为零。
用待测像素点与其四邻域像素点位置的相似权覆盖全局浮点型数组的前五个值。
将全局浮点型数组中的元素,按照从小到大进行排序。
按照下式,确定相似权阈值:
F(j)=W(j,j)+m*[W0+W1+W2-3*W(j,j)]
其中,F(j)表示待测像素点j的相似权阈值,j表示待测像素点,W(j,j)表示待测像素点与其本身的相似权,m表示权阈值增长参数,m的取值范围为1.0~10.0,*表示乘法操作,W0,W1,W2表示全局浮点型数组中前三个值。
步骤4,选取自适应结构元素。
比较像素点矩阵的相似权与相似权阈值,将相似权小于等于相似权阈值的像素点作为结构元素。
剔除结构元素中不满足以待测像素点为中心的凸集像素点,将剩余的像素点作为自适应结构元素。
步骤5,膨胀待测像素点。
将结构元素范围内所有像素点的蓝色、绿色、红色通道像素值加和,将加和后的最大值的像素点作为待测像素点膨胀后的像素点。
步骤6,腐蚀待测像素点。
将结构元素范围内所有像素点的蓝色、绿色、红色通道像素值加和,将加和后的最小值的像素点作为待测像素点腐蚀后的像素点。
步骤7,确定图像边缘。
将膨胀后像素点的蓝色、绿色、红色通道的像素值分别减去待腐蚀后像素点蓝色、绿色、红色通道的像素值,对像素值差值取绝对值,将取绝对值后的像素点作为彩色图像边缘。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真条件:
在CPU为Pentium(R)Dual-CoreT43002.10GHZ、内存2G、WINDOWS7系统上使用MicrosoftVisualStudio2010和OpenCV库进行了仿真。
2.仿真内容:
用本发明方法和现有的采用形状为正方形,尺寸为3×3和5×5的结构元素的传统形态学图像边缘提取算法对一副彩色图像进行了仿真,并比较其效果。
3.仿真实验结果:
图2为本发明与现有技术中的传统形态学彩色图像边缘提取的仿真实验结果对比图。其中,图2(a)是一副彩色图像。图2(b)是形状为正方形,尺寸为3×3的结构元素的传统形态学图像边缘提取的结果。图2(c)是形状为正方形,尺寸为5×5的结构元素的传统形态学图像边缘提取的结果。图2(d)是本发明的边缘提取结果,参数N取值为15。从图2(b)中可见,形状为正方形,尺寸为3×3的结构元素的传统形态学图像边缘方法提取的边缘图像对比本发明边缘提取的结果存在边缘漏检的缺点。从2(c)中可见,形状为正方形,尺寸为5×5的结构元素的传统形态学图像边缘方法提取的边缘图像对比本发明边缘提取的结果存在边缘模糊、不精确的缺点。而本发明的方法提取的边缘精确、几乎无漏检边缘。
从图2仿真对比结果可以看出,采用基于中心像素相似权的彩色图像边缘提取方法,提取图像边缘更清晰、光滑、精确、极少漏检边缘,并且能够精确的检测出图像的细节信息,从而有效地提高图像边缘提取的效果。
Claims (1)
1.基于中心像素相似权的彩色图像边缘提取方法,具体步骤如下:
(1)提取图像中待测像素点的像素值:
选取红绿蓝RGB彩色空间,从所选取的红绿蓝RGB彩色空间中提取待测像素点的像素值;
(2)计算待测像素点的相似权:
(2a)以待测像素点为中心,选择多个邻域像素点组成一个N×N大小的像素点矩阵,其中N取值的下界为大于等于3的奇数,上界为小于等于输入彩色图像高度和宽度像素尺寸的奇数;
(2b)按照下式,计算待测像素点与其N×N大小的像素点矩阵中像素点的相似权:
其中,W(c,j)表示N×N大小的像素点矩阵中任一像素点c相对于待测像素点j的相似权,c表示N×N大小的像素点矩阵中的任一像素点,j表示待测像素点,|·|表示绝对值操作,log表示对数操作,exp表示自然常数e,表示平方根操作,Bj、Gj、Rj分别表示待测像素点j的蓝色、绿色、红色通道的像素值,Bc、Gc、Rc表示N×N大小的像素点矩阵中任一像素点c的蓝色、绿色、红色通道的像素值,∑表示求和操作,∈表示属于符号,N(j)表示以待测像素点j为中心,N×N大小的像素点矩阵;
(3)确定待测像素点的相似权阈值:
(3a)定义一个N+5的全局浮点型数组,N为像素点矩阵的宽度,并将全局浮点型数组初始化为零;
(3b)用待测像素点与其四邻域像素点位置的相似权覆盖全局浮点型数组的前五个值;
(3c)将全局浮点型数组中的元素,按照从小到大进行排序;
(3d)按照下式,确定相似权阈值:
F(j)=W(j,j)+m*[W0+W1+W2-3*W(j,j)]
其中,F(j)表示待测像素点j的相似权阈值,j表示待测像素点,W(j,j)表示待测像素点与其本身的相似权,m表示权阈值增长参数,m的取值范围为1.0~10.0,*表示乘法操作,W0,W1,W2表示全局浮点型数组中前三个值;
(4)选取自适应结构元素:
(4a)比较像素点矩阵的相似权与相似权阈值,将相似权小于等于相似权阈值的像素点作为结构元素;
(4b)剔除结构元素中不满足以待测像素点为中心的凸集像素点,将剩余的像素点作为自适应结构元素;
(5)膨胀待测像素点:
将结构元素范围内所有像素点的蓝色、绿色、红色通道像素值加和,将加和后的最大值的像素点作为待测像素点膨胀后的像素点;
(6)腐蚀待测像素点:
将结构元素范围内所有像素点的蓝色、绿色、红色通道像素值加和,将加和后的最小值的像素点作为待测像素点腐蚀后的像素点;
(7)确定图像边缘:
将膨胀后像素点的蓝色、绿色、红色通道的像素值分别减去待腐蚀后像素点蓝色、绿色、红色通道的像素值,对像素值差值取绝对值,将取绝对值后的像素点作为彩色图像边缘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510512622.7A CN105160661B (zh) | 2015-08-19 | 2015-08-19 | 基于中心像素相似权的彩色图像边缘提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510512622.7A CN105160661B (zh) | 2015-08-19 | 2015-08-19 | 基于中心像素相似权的彩色图像边缘提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105160661A true CN105160661A (zh) | 2015-12-16 |
| CN105160661B CN105160661B (zh) | 2017-10-24 |
Family
ID=54801503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510512622.7A Expired - Fee Related CN105160661B (zh) | 2015-08-19 | 2015-08-19 | 基于中心像素相似权的彩色图像边缘提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105160661B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767385A (zh) * | 2017-08-28 | 2018-03-06 | 江苏理工学院 | 一种基于机器视觉的金刚砂线颗粒计数方法和装置 |
| CN109472745A (zh) * | 2018-09-29 | 2019-03-15 | 佛山市云米电器科技有限公司 | 一种油烟帧差图像的去噪方法及油烟图像识别系统 |
| CN109801245A (zh) * | 2019-01-17 | 2019-05-24 | 西安电子科技大学 | 基于自适应形态学的彩色图像增强方法 |
| CN112529927A (zh) * | 2020-12-11 | 2021-03-19 | 西安电子科技大学 | 基于fpga形态学算子的自适应轮廓提取系统及方法 |
| CN112861873A (zh) * | 2021-01-05 | 2021-05-28 | 杭州海康威视数字技术股份有限公司 | 一种具有烟盒的图像的处理方法 |
| CN114565633A (zh) * | 2022-03-04 | 2022-05-31 | 西安电子科技大学 | 基于概念结构元素和矩阵范数的彩色图像边缘提取方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
| US20140198985A1 (en) * | 2013-01-17 | 2014-07-17 | Realtek Semiconductor Corp. | Image processing apparatus for performing color interpolation upon captured images and related method thereof |
| CN104331877A (zh) * | 2014-10-13 | 2015-02-04 | 西北工业大学 | 融合色调梯度的彩色图像边缘检测方法 |
-
2015
- 2015-08-19 CN CN201510512622.7A patent/CN105160661B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
| US20140198985A1 (en) * | 2013-01-17 | 2014-07-17 | Realtek Semiconductor Corp. | Image processing apparatus for performing color interpolation upon captured images and related method thereof |
| CN104331877A (zh) * | 2014-10-13 | 2015-02-04 | 西北工业大学 | 融合色调梯度的彩色图像边缘检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767385A (zh) * | 2017-08-28 | 2018-03-06 | 江苏理工学院 | 一种基于机器视觉的金刚砂线颗粒计数方法和装置 |
| CN109472745A (zh) * | 2018-09-29 | 2019-03-15 | 佛山市云米电器科技有限公司 | 一种油烟帧差图像的去噪方法及油烟图像识别系统 |
| CN109801245A (zh) * | 2019-01-17 | 2019-05-24 | 西安电子科技大学 | 基于自适应形态学的彩色图像增强方法 |
| CN109801245B (zh) * | 2019-01-17 | 2021-05-14 | 西安电子科技大学 | 基于自适应形态学的彩色图像增强方法 |
| CN112529927A (zh) * | 2020-12-11 | 2021-03-19 | 西安电子科技大学 | 基于fpga形态学算子的自适应轮廓提取系统及方法 |
| CN112861873A (zh) * | 2021-01-05 | 2021-05-28 | 杭州海康威视数字技术股份有限公司 | 一种具有烟盒的图像的处理方法 |
| CN112861873B (zh) * | 2021-01-05 | 2022-08-05 | 杭州海康威视数字技术股份有限公司 | 一种具有烟盒的图像的处理方法 |
| CN114565633A (zh) * | 2022-03-04 | 2022-05-31 | 西安电子科技大学 | 基于概念结构元素和矩阵范数的彩色图像边缘提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105160661B (zh) | 2017-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275696B (zh) | 一种医学图像处理的方法、图像处理的方法及装置 | |
| CN105160661B (zh) | 基于中心像素相似权的彩色图像边缘提取方法 | |
| Isikdogan et al. | RivaMap: An automated river analysis and mapping engine | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
| CN106203430A (zh) | 一种基于前景聚集度和背景先验的显著性物体检测方法 | |
| Bai | Morphological infrared image enhancement based on multi-scale sequential toggle operator using opening and closing as primitives | |
| CN103268496B (zh) | Sar图像目标识别方法 | |
| CN102034224B (zh) | 基于伪Zernike矩的图像去噪算法 | |
| CN107038706B (zh) | 基于自适应网格的红外图像置信度评估装置及方法 | |
| Fang et al. | Effective Single Underwater Image Enhancement by Fusion. | |
| CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 | |
| Zhang et al. | An efficient 2D-3D fusion method for bridge damage detection under complex backgrounds with imbalanced training data | |
| Wang et al. | Road extraction based on improved DeepLabv3 plus in remote sensing image | |
| CN106296597A (zh) | 一种基于最优化颜色修正和回归模型的水下图像复原方法 | |
| CN104021567B (zh) | 基于首数字定律的图像高斯模糊篡改检测方法 | |
| CN113592829B (zh) | 基于分割重组的深度学习泥沙颗粒识别方法及装置 | |
| CN105447488A (zh) | 基于素描线段拓扑结构的sar图像目标检测方法 | |
| CN105513060A (zh) | 一种视觉感知启发的高分辨率遥感图像分割方法 | |
| CN106355615A (zh) | 一种基于hog与svm的马铃薯定位方法 | |
| CN106600613A (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
| CN104680181B (zh) | 基于似然比特征的sar图像超像素分割方法 | |
| CN114565633A (zh) | 基于概念结构元素和矩阵范数的彩色图像边缘提取方法 | |
| CN105866778B (zh) | 基于极化合成孔径雷达数据的舰船检测方法 | |
| CN120451372A (zh) | 基于高斯泼溅的交互式植物模型构建方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171024 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |