CN106023160B - 高炉料面图像边缘检测方法及装置 - Google Patents
高炉料面图像边缘检测方法及装置 Download PDFInfo
- Publication number
- CN106023160B CN106023160B CN201610310559.3A CN201610310559A CN106023160B CN 106023160 B CN106023160 B CN 106023160B CN 201610310559 A CN201610310559 A CN 201610310559A CN 106023160 B CN106023160 B CN 106023160B
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- furnace charge
- blast furnace
- charge level
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002708 enhancing effect Effects 0.000 claims abstract description 23
- 238000009499 grossing Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000003708 edge detection Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000009472 formulation Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000009977 dual effect Effects 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种高炉料面图像边缘检测方法及装置，该方法包括：对高炉料面图像进行边缘增强处理；从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边缘图像；其中，初步边缘图像包含高炉料面图像的边缘，第一斜边方向与第二斜边方向互相垂直；对初步边缘图像中的高炉料面图像的边缘进行去噪以及平滑化处理，得到高炉料面的最终边缘图像。通过采用分数阶微分算子的方法对边缘进行初步提取，提高了边缘定位的准确性，且本发明还进行平滑与去噪处理，有效提高边缘图像的准确性和清晰度，使最终得到的图像能够达到理想效果，为高炉布料操作提供有力依据。
Description
技术领域
本发明属于图像处理技术领域，特别涉及一种高炉料面图像边缘检测方法及装置。
背景技术
高炉炼铁是钢铁生产过程中的主要耗能和排放工序，高炉料面形状是调控高炉布料操作的主要参考依据之一，而高炉料面图像边界则是最能直观反映高炉炉料分布情况的信息，高炉工长可以通过料面图像的边界来调整布料方位。然而由于高炉内部高温、高尘、高速气流、密闭无光等恶劣环境，使得拍摄的高炉料面图像具有对比度不高、图像偏暗、细节模糊、整个料面轮廓明显等特点，致使高炉料面图像边界提取困难。因此，如何能够高效、快捷、准确的获取清晰的高炉料面图像边缘检测方法来为高炉实现精准定点布料控制提供可靠的反馈信息已经成为了一个研究热点。
目前，图像边缘检测的方法有很多，包括一阶微分算子方法，例如：sobel算子、prewiit算子、Canny算子等，以及二阶微分算子算法，例如：Laplace算子、LoG算子等。然而，每一种边界提取方法应用的对象都具有极强的针对性。对于高炉料面图像而言，采用现有的这些检测方法在对其进行边界提取时均很难获得平滑、且定位准确的单像素边缘，从而无法达到理想的边缘检测效果。
发明内容
本发明的目的是，提供一种能够获得平滑且准确的高炉料面图像的边缘检测方法。
为了达到上述目的，本发明提供了一种高炉料面图像边缘检测方法及装置。
第一方面，本发明提供了一种高炉料面图像边缘检测方法，包括：
对高炉料面图像进行边缘增强处理；
从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强处理后的高炉料面图像进行分数阶微分算子卷积处理，得到初步边缘图像；其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂直；
对所述初步边缘图像中的高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料面的最终边缘图像。
优选地，所述对高炉料面图像进行边缘增强的步骤包括：
增强高炉料面图像的对比度；
调整高炉料面图像的饱和度；
增强高炉料面图像中的边缘光和高频部分；
对高炉料面图像进行高反差保留处理。
优选地，所述从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强处理后的高炉料面图像进行分数阶微分算子卷积处理，得到初步边缘图像的步骤具体包括：
基于Sobel算子原理，定义第一斜边方向算子以及第二斜边方向算子，并推出所述第一斜边方向算子以及第二斜边方向算子的分数阶微分算子；
从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强后的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。
优选地，所述对所述高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料面的最终边缘图像的步骤包括：
将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的二值图像进行开运算；
采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高炉料面的二值图像进行去噪处理；
用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯度幅值为局部梯度极大值的点；
对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算高阈值，从而得到高阈值边缘图像，其中所述高阈值边缘图像中的高炉料面边缘为间断的边缘，且包含真边缘以及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占高炉料面边缘的比例；
根据所述初步边缘图像，对于所述高阈值边缘图像间断的边缘，在所述初步边缘图像包含的边缘的八邻点位置上寻找连接高阈值边缘图像轮廓的边缘点，直至所述高阈值边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像；其中，所述八邻点为图像上任意一点周围邻域内的八个点。
优选地，所述第一斜边方向与所述水平方向的夹角为45±5度。
第二方面，本发明提供了一种高炉料面图像边缘检测装置，包括：
边缘增强单元，用于对高炉料面图像进行边缘增强处理；
初步提取单元，用于从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边缘图像；其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂直；
平滑去噪单元，用于对所述初步边缘图像中的高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料面的最终边缘图像。
优选地，所述边缘增强单元进一步用于：
增强高炉料面图像的对比度；
调整高炉料面图像的饱和度；
增强高炉料面图像中的边缘光和高频部分；
对高炉料面图像进行高反差保留处理。
优选地，所述初步提取单元进一步用于：
基于Sobel算子原理，定义第一斜边方向算子以及第二斜边方向算子，并推出所述第一斜边方向算子以及第二斜边方向算子的分数阶微分算子；
从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强后的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。
优选地，所述平滑去噪单元进一步用于：
将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的二值图像进行开运算；
采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高炉料面的二值图像进行去噪处理；
用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯度幅值为局部梯度极大值的点；
对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算高阈值，从而得到高阈值边缘图像，其中所述高阈值边缘图像中的高炉料面边缘为间断的边缘，且包含真边缘以及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占高炉料面边缘的比例；
根据所述初步边缘图像，对于所述高阈值边缘图像间断的边缘，在所述初步边缘图像包含的边缘的八邻点位置上寻找连接高阈值边缘图像轮廓的边缘点，直至所述高阈值边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像；其中，所述八邻点为图像上任意一点周围邻域内的八个点。
优选地，所述第一斜边方向与所述水平方向的夹角为45±5度。
本发明提供的高炉料面图像边缘检测方法中，通过从四个方向的分数阶微分算子对边缘进行初步提取，提高了边缘定位的准确性，且本发明还对初步提取图像进行了平滑与去噪处理，有效提高了边缘图像的准确性和清晰度，使最终得到的最终边缘图像能够达到理想的显示效果，为高炉布料操作提供有力依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些示例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的高炉料面图像边缘检测方法实施例流程图；
图2是图1中步骤S101方法流程图；
图3是图1中步骤S102方法流程图；
图4是本发明提供的分数阶微分推导原理流程图；
图5是采用传统基于SOBEL算法得到的边缘提取示意图；
图6是采用本发明实施例提供的改进型SOBEL算法得到的边缘提取示意图；
图7是图1中步骤S103方法流程图；
图8是本发明实施例提供的高阈值图像示意图；
图9是本发明实施例提供的最终边缘图像示意图；
图10是采用传统Canny算法得到的边缘图像示意图；
图11是本发明提供的高炉料面图像边缘检测装置实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一方面，本发明提供了一种高炉料面图像边缘检测方法实施例，如图1所示，包括：
S101、对高炉料面图像进行边缘增强处理；
S102、从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边缘图像；其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂直；
S103、对所述初步边缘图像中的高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料面的最终边缘图像。
本发明实施例提供的高炉料面图像边缘检测方法中，通过从四个方向的分数阶微分算子对边缘进行初步提取，提高了边缘定位的准确性，且本发明还对初步提取图像进行了平滑与去噪处理，有效提高了边缘图像的准确性和清晰度，使最终得到的最终边缘图像能够达到理想的显示效果，为高炉布料操作提供有力依据。
在具体实施时，步骤S101还可以通过以下方式实现，如图2所示，包括：
S1011、增强高炉料面图像的对比度；
高炉料面图像光源附近亮度较大，其他地方较小，通过改变各灰度区域的波动范围使对比度增强，使高炉料面轮廓更明显；
S1012、调整高炉料面图像的饱和度；
由于图像的颜色过深，降低图像的颜色饱和度；
S1013、增强高炉料面图像中的边缘光和高频部分；
S1014、对高炉料面图像进行高反差保留处理。
主要删除图像中颜色变化不大的像素，保留色彩变化较大的部分，使图像中的阴影消失，边缘像素得以保留，亮调部分更加突出。可以将图像边缘进行强化。在有强烈颜色转变发生的地方按指定的半径保留边缘细节，并且不显示图像的其余部分。
在本实施例中，通过对对高炉图像进行边缘增强后，与原图相比，亮度增大，对比度增强，边缘信息增强，边界轮廓更清晰，方便后续边界提取。
在具体实施时，步骤S102还可以通过以下方式实现，如图3所示，包括：
S1021、基于Sobel算子原理，定义第一斜边方向算子以及第二斜边方向算子，并推出所述第一斜边方向算子以及第二斜边方向算子的分数阶微分算子；
分数阶微分理论是整数阶微分理论的推广，相比一阶微分和二阶微分能更好的提升图像边缘和纹理细节信息，能避免噪声的干扰，提高信噪比。近年来分数阶微分被引用到图像处理方面来解决整数阶微分不能解决的问题。
分数阶微分的定义没有统一规定，目前有三种，这里只介绍最适合图像处理的G-L定义，它是根据整数阶微分的定义直接将微分的定义从整数推广到分数，对于任意可微函数f(x)的n阶微分表达式如下：
其中，将整数n推广到任意分数v，则有v阶微分的定义：
其中，为gamma函数，分数阶微分的结果都是实数，在数学上，G-L分数阶微分具有有界性、连续性、齐次可加性、满足交换律等。
当对图像进行处理时，由于像素间隔为1，所以在[a,t]以单位间隔等分，即h＝1，可以推导出一元信号f(x)的分数阶微分的差分表达式为：
传统的梯度算子都是整数阶的，虽然边缘检测效果好，但是会丢失一些纹理细节，抗噪能力差。所以提高图像边缘检测的性能有待提高，根高炉图像的特点，提出了一种基于Sobel算子原理定义斜边算子并进行分数阶微分推导的边缘检测算法。
《基于分数阶微分和Sobel算子的边缘检测新模型》根据Sobel算子推出分数阶微分算子，最后得到的分数阶微分Sobel算子行、列梯度模板为：
利用该算子对图像进行处理，相对于其他整数阶算子得到的边界图像纹理细节更多，准确性好，视觉效果更佳。但是边缘存在许多断续现象，这是因为Sobel算子是基于行梯度模板和列梯度模板来检测边缘的，通过对高炉图像的分析，在135度方向和45度方向上有料面边缘，所以基于Sobel算子原理定义135度和45度的斜边算子：
这两个算子能检测出135度和45度上的边缘。将上述算用分数阶微分进行改进，推理过程如图4所示。
在处理图像时，135度上的梯度差分形式可表达为：
根据导数定义，将差分表达式转变为微分表达式：
同理有：
所以，S135°(i,j)的微分形式为：
将S135°(i,j)的推广到分数阶微分形式
利用一元信号f(t)的分数阶微分的差分表达式(3)取其前三项或两项作为近似计算表达式
因此得到分数阶微分S135°(i,j)的模板：
同理可得S45°(i,j)的模板：
S1022、从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强后的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。
将S1021步骤中得到的两个模板加上《基于分数阶微分和Sobel算子的边缘检测新模型》Sobel算子推出来的两个微分模板对图像进行四个方向的卷积，把卷积结果相加初步得到图像边缘。
为了体现本发明的优越性，特利用现有技术中基于Sobel算子的处理方法与本实施例提供的方法进行对比。基于Sobel算子分数阶微分处理结果如图5所示，改进分数阶微分处理结果如图6所示。从图5以及图6可以看出本实施例提供的采用改进的分数阶微分的算法提取的初步边缘的定位精确，且应用灵活，噪声少。
在上一实施例的基础上，在具体实施时，步骤S103还可以通过以下方式实施，如图7所示，包括：
S1031、将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的二值图像进行开运算；
其中，这里的图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。这里的开运算在数学上是先腐蚀后膨胀的结果。开运算的结果为完全删除了不能包含结构元素的对象区域，平滑了对象的轮廓，断开了狭窄的连接，去掉了细小的突出部分。
具体地，在对图像进行滤波之后，用迭代法求阈值分割图像，得到二值图像。通过观察二值图像，在高炉炉壁区域有由于粉尘引起的亮斑，这对后续的边界提取有影响，所以先对其进行开运算，它的作用是消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积，所以通过开运算消除小亮斑，使而图像的边缘变得平滑。
S1032、采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高炉料面的二值图像进行去噪处理；
采用自适应滤波代替高斯滤波对图像进行滤波，相比高斯滤波，它能在滤除图像噪声的同时很好地保留图像边缘，能根据局部信息来改变滤波窗口的大小，从而有效地去噪。具体实现过程如下：
①自适应调整滤波窗口，保证窗口内的中值不是噪声。首先确定最大的滤波半径，然后用一个合适的半径r对图像进行滤波。计算当前滤波半径像素灰度的Imin,Imax,Imed，然后判断Imed是否在Imin以及Imax中间，如果在则向下一步进行，否则扩大当前半径r继续滤波直到r等于最大滤波半径。
②如果当前处理的像素img(i,j)在Imin以及Imax之间，则输出当前像素，否则输出当前滤波半径中值像素Imed。
S1033、用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
用一阶偏导的有限差分来计算梯度的幅值和方向。分别求取滤波后幅值平方图像在X方向和Y方向的梯度和利用一阶差分卷积模板：
其中f(x,y)是进过滤波后的图像数据。
根据所述梯度和计算幅值平方图像的梯度值|△f|与梯度方向角θ：
将0-360度梯度方向角归并为4个方向：0度、45度、90度、135度。
S1034、将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯度幅值为局部梯度极大值的点；
仅仅得到全局的梯度并不足以确定边缘。为确定边缘，必须保留局部梯度最大的点，而抑制非极大值，即将非局部极大值点置零以得到细化的边缘。用3x3窗口对梯度图像在邻域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大，则令M＝0。
S1035、对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算高阈值，从而得到高阈值边缘图像，其中所述高阈值边缘图像中的高炉料面边缘为间断的边缘，且包含真边缘以及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占高炉料面边缘的比例；
需要说明的是，这里主要采用的改进型Canny算子双阈值算法来进行的。
传统Canny算子的双阈值的确定是根据T2≈2T1来估计的，T2一般是人为工设定，当定得太高时，图像边缘会丢失，当太低时，会检测到图像中由噪声引起的伪边缘，当不同图像使用相同阈值时，边缘检测效果会很差，不具有普适性。双阈值方法的主要思想是高阈值T2来连接边缘轮廓，在达到轮廓端点时，在T1的八邻域内寻找可以连接到轮廓上的边缘，这样就可以将T2中所有的间隙连接起来。根据分数阶定位精确这一特点，可以用分数阶微分检测的边缘位置代替低阈值能确定的边缘位置，这样在确定高阈值之后，不需用T2≈2T1来估计，这样连接边缘时位置更精确，同时能克服分数阶微分单独检测时不平滑的缺点。
本发明实施例提供的改进型Canny算子双阈值算法首先利用自适应方法确定高阈值，具体地：
高阈值的确定根据梯度直方图来选择，经过Canny算子的非极大值抑制之后，对梯度幅值进行统计得到梯度直方图。将梯度直方图中拥有最多像素数的梯度值称为最值梯度Hmax，计算全部像素与Hmax的方差，称之为emax。
K为像素数不为0的梯度最大值，N为像素总数。Hmax反映了非边缘区域在梯度直方图分布的中心位置，而像素最值梯度方差emax则反映了梯度直方图中梯度分布相对于像素最值梯度的离散程度，可以认为它们两之和在非边缘区域，所以高阈值的确定按如下公式计算：
T2＝Hmax+emax (15)
据此，得到的高阈值边缘图像如图8所示。
S1036、根据所述初步边缘图像，对于所述高阈值边缘图像间断的边缘，在所述初步边缘图像包含的边缘的八邻点位置上寻找连接高阈值边缘图像轮廓的边缘点，直至所述高阈值边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像；其中，所述八邻点为图像上任意一点周围邻域内的八个点。
这里主要是基于双阈值算法来进行的。其中双阈值算法对非极大值抑制图象作用两个阈值低阈值T1和高阈值T2，且2T1≈T2，从而可以得到两个阈值边缘图象N1[i,j]和N2[i，j]。由于N2[i，j]使用高阈值得到，因而含有很少的假边缘，但有间断(不闭合)。双阈值法要在N2[i，j]中把边缘连接成轮廓，当到达轮廓的端点时，该算法就在N1[i,j]的8邻点位置寻找可以连接到轮廓上的边缘，这样，算法不断地在N1[i,j]中收集边缘，直到将N2[i,j]连接起来为止。
因此，在确定好高阈值之后，按改进的Canny算子计算步骤得到高阈值确定的边缘图像，然后用分数阶微分确定的边缘位置对高阈值确定的边缘进行连接，得到最终的边缘检测结果，如图9所示。
同样地，为了体现本发明的优越性，本发明还利用传统的Canny算法进行了边缘检测，如图10所示，可以看出本实施例提供的方法得到的边界更为平滑。
因此，本实施例提供的方法通过对Canny算法进行改进，采用自适应中值滤波代替高斯滤波，在保持图像的边缘信息的同时更好滤除了噪声，采用自适应的方法确定高阈值，然后用改进的分数阶微分算法对高阈值确定的强像素边缘进行连接，得到了平滑，定位精确的单像素边缘。
在具体实施时，上述实施例中的第一斜边方向与水平方向的夹角为45±5度，优选地可以为45度，因此第二斜边方向可以为135度。可以理解的是，这里的第一斜边方向以及第二斜边方向可以根据实际情况而更改，本发明对此不作具体限定。
第二方面，本发明提供了一种高炉料面图像边缘检测装置，如图11所示，包括：
边缘增强单元1，用于对高炉料面图像进行边缘增强处理；
初步提取单元2，用于从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边缘图像；其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂直；
平滑去噪单元3，用于对所述初步边缘图像中的高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料面的最终边缘图像。
在具体实施时，所述边缘增强单元1进一步用于：
增强高炉料面图像的对比度；
调整高炉料面图像的饱和度；
增强高炉料面图像中的边缘光和高频部分；
对高炉料面图像进行高反差保留处理。
在具体实施时，所述初步提取单元2进一步用于：
基于Sobel算子原理，定义第一斜边方向算子以及第二斜边方向算子，并推出所述第一斜边方向算子以及第二斜边方向算子的分数阶微分算子；
从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强后的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。
在具体实施时，所述平滑去噪单元3进一步用于：
将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的二值图像进行开运算；
采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高炉料面的二值图像进行去噪处理；
用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯度幅值为局部梯度极大值的点；
对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算高阈值，从而得到高阈值边缘图像，其中所述高阈值边缘图像中的高炉料面边缘为间断的边缘，且包含真边缘以及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占高炉料面边缘的比例；
根据所述初步边缘图像，对于所述高阈值边缘图像间断的边缘，在所述初步边缘图像包含的边缘的八邻点位置上寻找连接高阈值边缘图像轮廓的边缘点，直至所述高阈值边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像；其中，所述八邻点为图像上任意一点周围邻域内的八个点。
在具体实施时，所述第一斜边方向与所述水平方向的夹角为45±5度。
由于本实施例所介绍的高炉料面图像边缘检测装置为可以执行本发明实施例中的高炉料面图像边缘检测方法的装置，故而基于本发明实施例中所介绍的高炉料面图像边缘检测方法，本领域所属技术人员能够了解本实施例的高炉料面图像边缘检测装置的具体实施方式以及其各种变化形式，所以在此对于该高炉料面图像边缘检测装置如何实现本发明实施例中的高炉料面图像边缘检测方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中高炉料面图像边缘检测方法所采用的装置，都属于本申请所欲保护的范围。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种高炉料面图像边缘检测方法，其特征在于，包括：
对高炉料面图像进行边缘增强处理；
从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强处理后的高炉料面图像进行分数阶微分算子卷积处理，得到初步边缘图像；其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂直；
对所述初步边缘图像中的高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料面的最终边缘图像；
所述从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强处理后的高炉料面图像进行分数阶微分算子卷积处理，得到初步边缘图像的步骤具体包括：
基于Sobel算子原理，定义第一斜边方向算子以及第二斜边方向算子，并推出所述第一斜边方向算子以及第二斜边方向算子的分数阶微分算子；
从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强后的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像；
所述对所述高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料面的最终边缘图像的步骤包括：
将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的二值图像进行开运算；
采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高炉料面的二值图像进行去噪处理；
用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯度幅值为局部梯度极大值的点；
对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算高阈值，从而得到高阈值边缘图像，其中所述高阈值边缘图像中的高炉料面边缘为间断的边缘，且包含真边缘以及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占高炉料面边缘的比例；
根据所述初步边缘图像，对于所述高阈值边缘图像间断的边缘，在所述初步边缘图像包含的边缘的八邻点位置上寻找连接高阈值边缘图像轮廓的边缘点，直至所述高阈值边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像；其中，所述八邻点为图像上任意一点周围邻域内的八个点。
2.如权利要求1所述的方法，其特征在于，所述对高炉料面图像进行边缘增强的步骤包括：
增强高炉料面图像的对比度；
调整高炉料面图像的饱和度；
增强高炉料面图像中的边缘光和高频部分；
对高炉料面图像进行高反差保留处理。
3.如权利要求1或2所述的方法，其特征在于，所述第一斜边方向与所述水平方向的夹角为45±5度。
4.一种高炉料面图像边缘检测装置，其特征在于，包括：
边缘增强单元，用于对高炉料面图像进行边缘增强处理；
初步提取单元，用于从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边缘图像；其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂直；
平滑去噪单元，用于对所述初步边缘图像中的高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料面的最终边缘图像；
所述初步提取单元进一步用于：
基于Sobel算子原理，定义第一斜边方向算子以及第二斜边方向算子，并推出所述第一斜边方向算子以及第二斜边方向算子的分数阶微分算子；
从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强后的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像；
所述平滑去噪单元进一步用于：
将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的二值图像进行开运算；
采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高炉料面的二值图像进行去噪处理；
用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯度幅值为局部梯度极大值的点；
对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算高阈值，从而得到高阈值边缘图像，其中所述高阈值边缘图像中的高炉料面边缘为间断的边缘，且包含真边缘以及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占高炉料面边缘的比例；
根据所述初步边缘图像，对于所述高阈值边缘图像间断的边缘，在所述初步边缘图像包含的边缘的八邻点位置上寻找连接高阈值边缘图像轮廓的边缘点，直至所述高阈值边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像；其中，所述八邻点为图像上任意一点周围邻域内的八个点。
5.如权利要求4所述的装置，其特征在于，所述边缘增强单元进一步用于：
增强高炉料面图像的对比度；
调整高炉料面图像的饱和度；
增强高炉料面图像中的边缘光和高频部分；
对高炉料面图像进行高反差保留处理。
6.如权利要求4或5所述的装置，其特征在于，所述第一斜边方向与所述水平方向的夹角为45±5度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610310559.3A CN106023160B (zh) | 2016-05-11 | 2016-05-11 | 高炉料面图像边缘检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610310559.3A CN106023160B (zh) | 2016-05-11 | 2016-05-11 | 高炉料面图像边缘检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106023160A CN106023160A (zh) | 2016-10-12 |
| CN106023160B true CN106023160B (zh) | 2018-11-02 |
Family
ID=57099956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610310559.3A Active CN106023160B (zh) | 2016-05-11 | 2016-05-11 | 高炉料面图像边缘检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106023160B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109425477A (zh) * | 2017-08-30 | 2019-03-05 | 南京钧乔行汽车灯具有限公司 | 一种基于Laplace算子的车灯对明暗线检测方法 |
| CN109741353B (zh) * | 2019-01-08 | 2020-01-17 | 卢丽 | 治疗时间提取系统 |
| CN110163881B (zh) * | 2019-04-24 | 2023-03-10 | 云南大学 | 一种噪声污染图像的分数阶边缘检测方法 |
| CN113030937B (zh) * | 2021-02-07 | 2021-12-28 | 中南大学 | 一种基于太赫兹高速回波效应的流体流速测量方法 |
| CN117686096B (zh) * | 2024-01-30 | 2024-04-16 | 大连云智信科技发展有限公司 | 一种基于目标检测的畜禽动物体温检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104424641A (zh) * | 2013-09-07 | 2015-03-18 | 无锡华御信息技术有限公司 | 一种关于图像模糊篡改检测的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4534594B2 (ja) * | 2004-05-19 | 2010-09-01 | ソニー株式会社 | 画像処理装置、画像処理方法、画像処理方法のプログラム及び画像処理方法のプログラムを記録した記録媒体 |
| JP6287100B2 (ja) * | 2013-11-20 | 2018-03-07 | 株式会社リコー | 画像処理装置、画像処理方法、プログラム及び記憶媒体 |
-
2016
- 2016-05-11 CN CN201610310559.3A patent/CN106023160B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104424641A (zh) * | 2013-09-07 | 2015-03-18 | 无锡华御信息技术有限公司 | 一种关于图像模糊篡改检测的方法 |
Non-Patent Citations (5)
| Title |
|---|
| "基于分数阶微分和Sobel算子的边缘检测新模型";蒋伟等;《计算机工程与应用》;20121231;论文第182-185页 * |
| "基于自适应形态学的边缘检测及应用";贺萌;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140515;论文第5、9-10、38页 * |
| "基于预加工孔CCD图像的零件视觉定位";曲东升等;《工艺与装备》;20101231(第9期);论文第82页 * |
| "手持式红外与可见光图像融合系统研究";韩博;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140715;论文第42-43页 * |
| "高炉料面区域温度特征智能提取方法研究与应用";王昌军;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20110215;论文第2-42页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106023160A (zh) | 2016-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106023160B (zh) | 高炉料面图像边缘检测方法及装置 | |
| Al-Amri et al. | Image segmentation by using edge detection | |
| Amer et al. | Edge detection methods | |
| US9292928B2 (en) | Depth constrained superpixel-based depth map refinement | |
| Jie et al. | An improved adaptive threshold canny edge detection algorithm | |
| CN108416789A (zh) | 图像边缘检测方法及系统 | |
| CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
| CN107169979A (zh) | 一种改进Canny算子的图像边缘检测方法 | |
| US9600888B2 (en) | Image processing device, image processing method, and program | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| Bansal et al. | Comparison of various edge detection techniques | |
| CN109003233A (zh) | 一种基于自适应权重全变分模型的图像去噪方法 | |
| CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
| Alazzawi | Edge detection-application of (first and second) order derivative in image processing: communication | |
| Bhadauria et al. | Comparison between various edge detection methods on satellite image | |
| CN116934746B (zh) | 划伤缺陷检测方法、系统、设备及其介质 | |
| Jose et al. | Bilateral edge detectors | |
| CN104700372B (zh) | 基于边缘保护的加权各向异性扩散滤波方法 | |
| CN103632378A (zh) | 一种基于连点画图游戏思想的多阈值边缘检测方法 | |
| CN114463814A (zh) | 一种基于图像处理的快速证件照眼镜检测方法 | |
| Sarkar et al. | Comparison of some classical edge detection techniques with their suitability analysis for medical images processing | |
| Dong et al. | Edge detection of human face | |
| Anam et al. | Image boundary detection using the modified level set method and a diffusion filter | |
| Malik et al. | Various edge detection techniques on different categories of fish | |
| Liu et al. | Based on vector flexible weighted morphological image edge 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 |