CN105225243A - 一种可抗噪声的图像边缘检测方法 - Google Patents

Abstract

本发明公开了一种可抗噪声的图像边缘检测方法，包括初始边缘信息图E的计算、边缘信息图E1的计算、增强边缘图E2、E3的计算、双阈值计算和抗噪声检测处理等步骤。本发明的可抗噪声的图像边缘检测方法可以较准确的定位图像的边缘，能够有效抑制噪声和纹理导致的虚假边缘，可以自适应地改变边缘检测的高低阀值，在增加少量计算的前提下提高了边缘检测效果和自动化程度。

Description

一种可抗噪声的图像边缘检测方法

技术领域

本发明涉及自动化领域中的对图像边缘的检测计数领域，具体为一种可抗噪声的图像边缘检测方法。

背景技术

图像边缘检测是图像处理的一项重要技术，有着广泛的用途。目前，图像边缘检测已经由传统的微分算子发展到基于Canny算法或globalPb算法进行。

与传统的微分算子相比，Canny算子应用于检测图像边缘时具有运算速度快和检测精度高的优点，因而在实践中Canny算子被广泛应用。但该算法存在两个主要缺点：如Canny算子采用在2×2邻域内求有限差分均值的方法来计算梯度幅值，虽然对边缘定位准确，但容易被噪声干扰；如Canny算法的双阈值都是固定的，高低门限依赖人工设置，自动化程度较低。

Arbelaez等人于2010年提出的globalPb算法一定程度上克服了Canny算子的主要缺点（P.Arbelaez,M.Maire,C.FowlkesandJ.Malik.ContourDetectionandHierarchicalImageSegmentation[J].IEEETPAMI,Vol.33,No.5,pp.898-916,May2010）。抗噪声能力强，无需人工设置阈值，检测效果更好。globalPb算法需要提供图像的颜色（灰度）和纹理信息。但是，globalPb算法有两个主要的缺点：如运算过程复杂，不但要对多尺度多信息计算梯度，还需要额外的谱聚类计算排除虚假边缘；如由于算法需要提供额外的纹理信息，限制了它无法在缺乏纹理信息的场景中应用。

发明内容

本发明在Canny算子和globalPb算法的基础上，提出一种运算效率较高，可抗噪声的图像边缘检测方法。该方法首先采用Canny方法得到边缘信息，然后对边缘信息计算带方向的梯度值，增强边缘并排除噪声或纹理导致的虚假边缘。

本发明可以通过以下技术方案来实现：

本发明公开了一种可抗噪声的图像边缘检测方法，包括以下步骤：

第一步、初始边缘信息图E的计算，采用Canny算法计算原始图像的初始边缘信息图E；

第二步、边缘信息图E1的计算，根据初始边缘信息图E自动计算阈值排除弱边缘得到边缘信息图E1；

第三步、增强边缘图E2、E3的计算，计算边缘信息图E1的带方向梯度值得到增强边缘图E2、E3；

第四步、双阈值计算，根据边缘信息图E1和增强边缘图E3自动计算双阈值；

第五步、抗噪声检测处理，对增强的边缘信息图E3用双阈值方法检测、过滤并连接边缘，得到最终处理后的图像。

进一步地，第一步所述初始边缘信息图E的计算包括以下步骤：

a1、采用一维高斯算子对原始图像进行横向纵向高斯平滑得到平滑后的图像I1；

a2、采用二维高斯算子的偏导数对图像I1进行横向纵向滤波计算得到图像的梯度图G；

a3、对梯度图G应用非极大值抑制得到边缘信息图E，找到梯度图G数据中的最高点,利用边缘方向信息来处理，验证所有点是否峰值，如果一个点两侧的梯度小于该点上的梯度，那么它为极大值。

进一步地，第二步所述边缘信息图E1的计算包括以下过程：对边缘信息图E中的数据按数值由小到大进行排序，取排在全部数值70%处的数值大小的30%作为最低阈值，从边缘信息图E中排除小于最低阈值的边缘得到边缘信息图E1。

进一步地，第三步所述增强边缘图E2、E3的计算包括以下步骤：

c1、以图2的数据模型，以窗口Wn大小n，取n默认取值为7对边缘信息图E1中每个非零边缘点(x,y)计算梯度偏移位置(mc,mr)，

，；

c2、计算边缘信息图E1中每个窗口中心位置(c,r)与其梯度偏移位置(mc,mr)的距离的平方：；

c3、对窗口Wn中每个非零边缘点(x,y)分别计算其到窗口中心位置和梯度偏移位置的距离的平方：，；

c4、根据余弦定理计算窗口Wn中每个非零边缘点(x,y)到中心位置o在直线om上的投影距离：；

c5、按以下步骤对窗口Wn的中心点(c,r)计算其边缘增强图E2：

(c51)center=0,round1=0,round2=0；

(c52)循环对窗口Wn中的每个非零边缘点计算dist；

如果dist小于0.5且大于-0.5，那么center=center+1；

如果dist大于1，那么round1=round1+1；

如果dist小于-1,那么round2=round2+1；

(c53)如果center=n^2，那么，否则；

c6、将边缘增强图E2的值归一化到0～1,与边缘图E1叠加并归一化到0～1得到边缘增强图E3。

进一步地，第四步所述双阈值计算包括以下步骤：

d1、将边缘增强图E3中的非零点由小到大排序；

d2、取排在序列中L位的值作为上阈值，L等于E3中非零点数量减去E1中非零点数量的30%，；

d3、取排在序列中Lx0.7位的值作为下阈值。

进一步地，第五步所述抗噪声检测处理包括以下步骤：

e1、对大于上阈值的强边缘进行过滤，滤除边缘长度小于整数k的虚假强边缘。所述整数k的数值优选为8；

e2、将过滤后的强边缘与大于下阈值的弱边缘进行连接得到最终的边缘信息。

本发明一种可抗噪声的图像边缘检测方法，具有如下的有益效果：本发明采用以上技术方案，可以较准确的定位图像的边缘，能够有效抑制噪声和纹理导致的虚假边缘，可以自适应地改变边缘检测的高低阀值，在增加少量计算的前提下提高了边缘检测效果和自动化程度。

附图说明

图1为本发明一种可抗噪声的图像边缘检测方法的流程图；

图2为本发明一种可抗噪声的图像边缘检测方法第三步增强边缘图E2、E3的计算的数据模型图；

图3是用于对比实验的无噪声的原始图片；

图4是用canny算法处理无噪声原始图片得到的边缘信息图；

图5是用本发明的方法处理无噪声原始图片得到的边缘信息图；

图6是用于对比实验的加入椒盐噪声后的图片；

图7是用canny算法处理有噪声图片得到的边缘信息图；

图8是用本发明的方法处理有噪声图片得到的边缘信息图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，下面结合实施例及附图对本发明产品作进一步详细的说明。

如图1所示，本发明公开了一种可抗噪声的图像边缘检测方法，包括以下步骤：

第一步、初始边缘信息图E的计算，采用Canny算法计算原始图像的初始边缘信息图E；其具体过程为：

a1、采用一维高斯算子对原始图像进行横向纵向高斯平滑得到平滑后的图像I1；

a2、采用二维高斯算子的偏导数对图像I1进行横向纵向滤波计算得到图像的梯度图G；

a3、对梯度图G应用非极大值抑制得到边缘信息图E，找到梯度图G数据中的最高点,利用边缘方向信息来处理，验证所有点是否峰值，如果一个点两侧的梯度小于该点上的梯度，那么它为极大值。

第二步、边缘信息图E1的计算，根据初始边缘信息图E自动计算阈值排除弱边缘得到边缘信息图E1：对边缘信息图E中的数据按数值由小到大进行排序，取排在全部数值70%处的数值大小的30%作为最低阈值，从边缘信息图E中排除小于最低阈值的边缘得到边缘信息图E1。

第三步、增强边缘图E2、E3的计算，计算边缘信息图E1的带方向梯度值得到增强边缘图E3：

c1、以图2的数据模型，以窗口Wn大小n，取n默认取值为7对边缘信息图E1中每个非零边缘点(x,y)计算梯度偏移位置(mc,mr)，

，；

c2、计算边缘信息图E1中每个窗口中心位置(c,r)与其梯度偏移位置(mc,mr)的距离的平方：；

c3、对窗口Wn中每个非零边缘点(x,y)分别计算其到窗口中心位置和梯度偏移位置的距离的平方：，；

c4、根据余弦定理计算窗口Wn中每个非零边缘点(x,y)到中心位置o在直线om上的投影距离：；

c5、按以下步骤对窗口Wn的中心点(c,r)计算其边缘增强图E2：

(c51)center=0,round1=0,round2=0；

(c52)循环对窗口Wn中的每个非零边缘点计算dist；

如果dist小于0.5且大于-0.5，那么center=center+1；

如果dist大于1，那么round1=round1+1；

如果dist小于-1,那么round2=round2+1；

(c53)如果center=n^2，那么，否则

；

c6、将边缘增强图E2的值归一化到0～1,与边缘图E1叠加并归一化到0～1得到边缘增强图E3。

第四步、双阈值计算，根据边缘信息图E1和增强边缘图E3自动计算双阈值：

d1、将边缘增强图E3中的非零点由小到大排序；

d2、取排在序列中L位的值作为上阈值，L等于E3中非零点数量减去E1中非零点数量的30%，；

d3、取排在序列中Lx0.7位的值作为下阈值。

第五步、抗噪声检测处理，对增强的边缘信息图E3用双阈值方法检测、过滤并连接边缘，得到最终处理后的图像：

e1、对大于上阈值的强边缘进行过滤，滤除边缘长度小于整数k的虚假强边缘。所述整数k的数值优选为8；

e2、将过滤后的强边缘与大于下阈值的弱边缘进行连接得到最终的边缘信息。

为了评估本发明所采用的图像边缘检测方法的技术效果，以图3的无噪声的图片作为原始图片分别采用canny算法和本发明的图像边缘检测方法进行处理，分别得到如图4和图5所示的边缘信息图。从图4和图5的对比可以看到，采用本发明的图像边缘处理方法相对于只采用canny算法可以显著提高图像的边缘检测准确性。

为了更进一步评估本发明所采用的图像边缘检测方法的技术效果，以图3的无噪声的图片加入椒盐噪声的图6作为原始图片，然后分别采用canny算法和本发明的图像边缘检测方法对图6进行处理，分别得到如图7和图8所示的边缘信息图。从图7和图8的对比可以看到，即使在有噪声干扰的条件下，采用本发明的图像边缘处理方法相对于只采用canny算法可以显著提高图像的边缘检测抗噪声能力。

以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明；但是，凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (7)

1.一种可抗噪声的图像边缘检测方法，其特征在于包括以下步骤：

第一步、初始边缘信息图E的计算，采用Canny算法计算原始图像的初始边缘信息图E；

第二步、边缘信息图E1的计算，根据初始边缘信息图E自动计算阈值排除弱边缘得到边缘信息图E1；

第三步、增强边缘图E2、E3的计算，计算边缘信息图E1的带方向梯度值得到增强边缘图E2、E3；

第四步、双阈值计算，根据边缘信息图E1和增强边缘图E3自动计算双阈值；

第五步、抗噪声检测处理，对增强的边缘信息图E3用双阈值方法检测、过滤并连接边缘，得到最终处理后的图像。

2.根据权利要求1所述的可抗噪声的图像边缘检测方法，其特征在于：第一步所述初始边缘信息图E的计算包括以下步骤：

a1、采用一维高斯算子对原始图像进行横向纵向高斯平滑得到平滑后的图像I1；

a2、采用二维高斯算子的偏导数对图像I1进行横向纵向滤波计算得到图像的梯度图G；

a3、对梯度图G应用非极大值抑制得到边缘信息图E，找到梯度图G数据中的最高点,利用边缘方向信息来处理，验证所有点是否峰值，如果一个点两侧的梯度小于该点上的梯度，那么它为极大值。

3.根据权利要求1或2所述的可抗噪声的图像边缘检测方法，其特征在于：第二步所述边缘信息图E1的计算包括以下过程：对边缘信息图E中的数据按数值由小到大进行排序，取排在全部数值70%处的数值大小的30%作为最低阈值，从边缘信息图E中排除小于最低阈值的边缘得到边缘信息图E1。

4.根据权利要求3所述可抗噪声的图像边缘检测方法，其特征在于：第三步所述增强边缘图E2、E3的计算包括以下步骤：

c1、以图2的数据模型，以窗口Wn大小n，取n默认取值为7对边缘信息图E1中每个非零边缘点(x,y)计算梯度偏移位置(mc,mr)，

，；

c2、计算边缘信息图E1中每个窗口中心位置(c,r)与其梯度偏移位置(mc,mr)的距离的平方：；

c3、对窗口Wn中每个非零边缘点(x,y)分别计算其到窗口中心位置和梯度偏移位置的距离的平方：，；

c4、根据余弦定理计算窗口Wn中每个非零边缘点(x,y)到中心位置o在直线om上的投影距离：；

c5、按以下步骤对窗口Wn的中心点(c,r)计算其边缘增强图E2：

(c51)center=0,round1=0,round2=0；

(c52)循环对窗口Wn中的每个非零边缘点计算dist；

如果dist小于0.5且大于-0.5，那么center=center+1；

如果dist大于1，那么round1=round1+1；

如果dist小于-1,那么round2=round2+1；

(c53)如果center=n^2，那么，否则；

c6、将边缘增强图E2的值归一化到0～1,与边缘图E1叠加并归一化到0～1得到边缘增强图E3。

5.根据权利要求4所述的可抗噪声的图像边缘检测方法，其特征在于：第四步所述双阈值计算包括以下步骤：

d1、将边缘增强图E3中的非零点由小到大排序；

d2、取排在序列中L位的值做为上阈值，L等于E3中非零点数量减去E1中非零点数量的30%，；

d3、取排在序列中Lx0.7位的值作为下阈值。

6.根据权利要求5所述的可抗噪声的图像边缘检测方法，其特征在于：第五步所述抗噪声检测处理包括以下步骤：

e1、对大于上阈值的强边缘进行过滤，滤除边缘长度小于整数k的虚假强边缘；

e2、将过滤后的强边缘与大于下阈值的弱边缘进行连接得到最终的边缘信息。

7.根据权利要求6所述的可抗噪声的图像边缘检测方法，其特征在于：所述整数k的数值为8。