CN106651892A - 一种边缘检测方法 - Google Patents
一种边缘检测方法 Download PDFInfo
- Publication number
- CN106651892A CN106651892A CN201611193691.7A CN201611193691A CN106651892A CN 106651892 A CN106651892 A CN 106651892A CN 201611193691 A CN201611193691 A CN 201611193691A CN 106651892 A CN106651892 A CN 106651892A
- Authority
- CN
- China
- Prior art keywords
- factor
- iteration
- time iteration
- pixel
- detection method
- 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
本发明涉及一种边缘检测方法。包括如下步骤:步骤1,进行基于各向异性热扩散方程的预处理;步骤2,初始化活动轮廓和迭代次数;步骤3,构造能量函数;步骤4,迭代计算活动轮廓中的所有像素点的能量函数;步骤5,边缘输出。能够准确的提取物体边缘,可以应用于目标识别等领域。
Description
技术领域
本发明涉及一种数字图像处理领域,具体说是一种边缘检测方法。
背景技术
边缘是图像最基本的特征。Marr的视觉计算理论把边缘图像的获取看作视觉的早期阶段,亦即整个视觉过程的起点。对人类视觉系统的研究表明,图像的边缘特别重要,往往仅凭一条粗略的轮廓线就能识别出一个物体,故图像的边缘具有丰富的信息。因此,图像边缘提取技术一直是图像处理与模式识别的重要环节,并在诸多领域得到了广泛的应用。纵观图像处理技术的发展进程,边缘提取技术的新理论、新方法不断涌现,诸如边缘跟踪法、基于像素领域构造的边缘检测算子,如常用的梯度算子、Laplace算子等。近几年来在此领域又出现了数学形态学、小波分析、BP神经网络等图像处理新技术,极大地促进了数字图像边缘提取技术的发展。但就己发表的成果来看,这些方法还存在以下问题:
(1)计算复杂度较大,难以达到实时处理;
(2)对数据源的要求较严格,对于边缘不显著的物体,提取效果不好。
发明内容
本发明提供了一种边缘检测方法,通过构造能量函数,运用迭代计算的方式,模拟曲线受力过程,使提取的边缘最大限度地保持与实际边缘一致,方法的计算量小,输出结果可靠。
为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
步骤1:为了在去除噪声的同时保留边缘信息,对输入图像I0进行基于各向异性热扩散方程的预处理,得到预处理图像I1;
步骤2:在预处理图像I1中初始化活动轮廓C和迭代次数T0;
步骤3:构造能量函数F,F由膨胀因子Fb、平滑因子Fs和收缩因子Fc三个部分组成,F=Fb+Fs+Fc,膨胀因子Fb的迭代表达式采用如下公式:
式(1),DILd为膨胀操作符,为第t次迭代后的膨胀因子,为第t+1次迭代后的膨胀因子,为像素点(x,y)在第t次迭代后的灰度取值,sign为像素点(x,y)处的梯度方向,EROd为腐蚀操作符,T1为灰度阈值;
平滑因子Fs的迭代表达式采用如下公式:
式(2),为第t次迭代后的平滑因子,为第t+1次迭代后的平滑因子,符号为数学形态学的开运算操作符,SE1为长度为三个像素点的直线结构元素集合,SE2为包含于8邻域的结构元素集合,T2为灰度阈值;
收缩因子Fc的迭代表达式采用如下公式:
式(3),为第t次迭代后的收缩因子,为第t+1次迭代后的收缩因子,T3为灰度阈值;
步骤4:迭代计算步骤2中活动轮廓C的所有像素点的能量函数F,直到迭代次数为T0;
步骤5:将第T0次迭代后的活动轮廓CT作为边缘输出。
所述的基于各向异性热扩散方程的预处理方法采用如下公式:
式(4),为像素点(x,y)在第t次迭代后的灰度取值,为像素点(x,y)在第t+1次迭代后的灰度取值,k和λ均为平滑控制系数,取值越大,越不易保留边缘; 和分别表示在上、下、左、右四个方向上对像素点(x,y)求偏导,取值越大,即变化较大,表示像素点(x,y)位于边缘的可能性越大;和分别表示上、下、左、右四个方向上的导热系数,取值越小,即方向变化越大,越有利于保留边界边缘。
本发明的有益效果是:能够准确的提取物体边缘,可以应用于目标识别等领域。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
图1是本发明的总体处理流程图:
在步骤101,输入待处理图像I0。
在步骤102,对步骤101的待处理图像I0进行基于各向异性热扩散方程的预处理,得到预处理图像I1,基于各向异性热扩散方程的预处理方法采用如下公式:
式(5),为像素点(x,y)在第t次迭代后的灰度取值,为像素点(x,y)在第t+1次迭代后的灰度取值,k和λ均为平滑控制系数,取值越大,越不易保留边缘; 和分别表示在上、下、左、右四个方向上对像素点(x,y)求偏导,取值越大,即变化较大,表示像素点(x,y)位于边缘的可能性越大;和分别表示上、下、左、右四个方向上的导热系数,取值越小,即方向变化越大,越有利于保留边界边缘。
在步骤103,在步骤102中的预处理图像I1中初始化活动轮廓C和设置迭代次数T0,经反复试验,将活动轮廓C设定为以图像中心为圆心,图像短边长为直径的圆,将T0设定为20。
在步骤104,构造能量函数F,F由膨胀因子Fb、平滑因子Fs和收缩因子Fc三个部分组成,F=Fb+Fs+Fc,膨胀因子Fb的迭代表达式采用如下公式:
式(6),为第t次迭代后的膨胀因子,为第t+1次迭代后的膨胀因子,为像素点(x,y)在第t次迭代后的灰度取值,sign为像素点(x,y)处的梯度方向,DILd为膨胀操作符,EROd为腐蚀操作符,T1为灰度阈值,平滑因子Fs的迭代表达式采用如下公式:
式(7),为第t次迭代后的平滑因子,为第t+1次迭代后的平滑因子,符号为数学形态学的开运算操作符,SE1为长度为三个像素点的直线结构元素集合,SE2为包含于8邻域的结构元素集合,T2为灰度阈值,收缩因子Fc的迭代表达式采用如下公式:
式(8),为第t次迭代后的收缩因子,为第t+1次迭代后的收缩因子,T3为灰度阈值;。
在步骤105,迭代计算步骤103中活动轮廓C的所有像素点的能量函数F,直到迭代次数为T0。
在步骤106,将第T0次迭代后的活动轮廓CT作为边缘输出。
经试验,步骤104中的阈值T1、T2和T3分别设置为120、150和180。
Claims (5)
1.一种边缘检测方法,其特征在于包括以下步骤:
步骤1:为了在去除噪声的同时保留边缘信息,对输入图像I0进行基于各向异性热扩散方程的预处理,得到预处理图像I1;
步骤2:在预处理图像I1中初始化活动轮廓C和迭代次数T0;
步骤3:构造能量函数F,F由膨胀因子Fb、平滑因子Fs和收缩因子Fc三个部分组成,F=Fb+Fs+Fc;
步骤4:迭代计算步骤2中活动轮廓C的所有像素点的能量函数F,直到迭代次数为T0;
步骤5:将第T0次迭代后的活动轮廓CT作为边缘输出。
2.根据权利要求1所述的一种边缘检测方法,其特征在于所述的膨胀因子Fb的迭代表达式采用如下公式:
式(1),为第t次迭代后的膨胀因子,为第t+1次迭代后的膨胀因子,为像素点(x,y)在第t次迭代后的灰度取值,sign为像素点(x,y)处的梯度方向,DILd为膨胀操作符,EROd为腐蚀操作符,T1为灰度阈值。
3.根据权利要求1所述的一种边缘检测方法,其特征在于所述的平滑因子Fs的迭代表达式采用如下公式:
式(2),为第t次迭代后的平滑因子,为第t+1次迭代后的平滑因子,符号为数学形态学的开运算操作符,SE1为长度为三个像素点的直线结构元素集合,SE2为包含于8邻域的结构元素集合,T2为灰度阈值。
4.根据权利要求1所述的一种边缘检测方法,其特征在于所述的收缩因子Fc的迭代表达式采用如下公式:
式(3),为第t次迭代后的收缩因子,为第t+1次迭代后的收缩因子,T3为灰度阈值。
5.根据权利要求1所述的一种边缘检测方法,其特征在于基于各向异性热扩散方程的预处理方法采用如下公式:
式(4),为像素点(x,y)在第t次迭代后的灰度取值,为像素点(x,y)在第t+1次迭代后的灰度取值,k和λ均为平滑控制系数;和分别表示在上、下、左、右四个方向上对像素点(x,y)求偏导;
和分别表示上、下、左、右四个方向上的导热系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611193691.7A CN106651892B (zh) | 2016-12-21 | 2016-12-21 | 一种边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611193691.7A CN106651892B (zh) | 2016-12-21 | 2016-12-21 | 一种边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651892A true CN106651892A (zh) | 2017-05-10 |
CN106651892B CN106651892B (zh) | 2019-09-17 |
Family
ID=58834565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611193691.7A Expired - Fee Related CN106651892B (zh) | 2016-12-21 | 2016-12-21 | 一种边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651892B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022190663A1 (ja) * | 2021-03-08 | 2022-09-15 | 日本電産株式会社 | 表面検査装置およびプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
CN102542556A (zh) * | 2010-12-30 | 2012-07-04 | 汕头大学 | 超声图像乳腺肿瘤自动提取方法 |
CN104794678A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 一种基于sift特征点的高空间分辨率遥感影像自动配准方法 |
US20160140751A1 (en) * | 2014-10-31 | 2016-05-19 | The Regents Of The University Of California | Automated 3D Reconstruction of the Cardiac Chambers from MRI and Ultrasound |
US20160300343A1 (en) * | 2015-04-08 | 2016-10-13 | Algotec Systems Ltd. | Organ detection and segmentation |
-
2016
- 2016-12-21 CN CN201611193691.7A patent/CN106651892B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542556A (zh) * | 2010-12-30 | 2012-07-04 | 汕头大学 | 超声图像乳腺肿瘤自动提取方法 |
CN102068281A (zh) * | 2011-01-20 | 2011-05-25 | 深圳大学 | 一种占位性病变超声图像的处理方法 |
US20160140751A1 (en) * | 2014-10-31 | 2016-05-19 | The Regents Of The University Of California | Automated 3D Reconstruction of the Cardiac Chambers from MRI and Ultrasound |
US20160300343A1 (en) * | 2015-04-08 | 2016-10-13 | Algotec Systems Ltd. | Organ detection and segmentation |
CN104794678A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 一种基于sift特征点的高空间分辨率遥感影像自动配准方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022190663A1 (ja) * | 2021-03-08 | 2022-09-15 | 日本電産株式会社 | 表面検査装置およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN106651892B (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Structural crack detection using deep convolutional neural networks | |
CN108876780B (zh) | 一种复杂背景下桥梁裂缝图像裂缝检测方法 | |
Cai et al. | Blind inpainting using the fully convolutional neural network | |
CN108765363B (zh) | 一种基于人工智能的冠脉cta自动后处理系统 | |
CN103310453B (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
Song et al. | Weak micro-scratch detection based on deep convolutional neural network | |
CN112184752A (zh) | 一种基于金字塔卷积的视频目标跟踪方法 | |
Chen et al. | U-net architectures for fast prediction of incompressible laminar flows | |
CN110751154B (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
CN111709387B (zh) | 一种高分辨率遥感影像的建筑物分割方法及系统 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
CN105095857A (zh) | 基于关键点扰动技术的人脸数据增强方法 | |
CN109583377A (zh) | 一种管路模型重建的控制方法、装置及上位机 | |
CN106599810A (zh) | 一种基于栈式自编码的头部姿态估计方法 | |
CN113706562B (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
CN114494306B (zh) | 边缘梯度协方差引导的甲骨卜辞文字轮廓修复方法 | |
CN103093211B (zh) | 基于深度核信息图像特征的人体运动跟踪方法 | |
Mlyahilu et al. | Morphological geodesic active contour algorithm for the segmentation of the histogram‐equalized welding bead image edges | |
CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
CN103236052A (zh) | 一种基于l1最小化模型的全自动细胞定位方法 | |
Qiu et al. | Toward the recognition of spacecraft feature components: A new benchmark and a new model | |
CN106651892A (zh) | 一种边缘检测方法 | |
CN103390265B (zh) | 一种基于分数阶发展方程的纹理图像去噪滤波器 | |
Xuan et al. | A data-driven deep learning approach for predicting separation-induced transition of submarines | |
CN103325100B (zh) | 一种基于分数阶热传导方程的图像去噪滤波器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20190917 Termination date: 20211221 |
|
CF01 | Termination of patent right due to non-payment of annual fee |