CN107292900A - 一种基于Canny算法的图像边缘检测方法和装置 - Google Patents

Abstract

本发明公开了一种基于Canny算法的图像边缘检测方法，该方法包括：图像平滑、计算梯度幅值、非极大值抑制和高低双阀值处理等步骤。本发明提出了一种结合改进环圈滤波算法和自适应Canny算法的激光雷达距离像的图像边缘检测方法和装置，利用改进环圈滤波算法进行噪声滤波，在对噪声进行抑制的同时有效保护了图像中细长结构等反应图像关键特性的信息；由信息熵和标准差这两个指标可知，该算法具有更高的信息熵值和更低的标准差；直观观察三种算法的边缘检测结果，本文算法较其他两种算法更能有效滤除噪声数据和清晰反映图像的细节信息。

Description

一种基于Canny算法的图像边缘检测方法和装置

技术领域

本发明属于图像处理领域，具体涉及一种适用于激光雷达距离像边缘检测的基于Canny算法的图像边缘检测方法和装置。

背景技术

激光雷达由于其高分辨率和强抗干扰能力等特点，在武器制导、三维测绘和航空航天等领域得到了广泛应用。激光雷达不同于普通的微波雷达，其成像结果包括强度像和距离像两种；当前针对强度像的处理方法已经得到广泛研究，针对距离像的研究还比较少。距离像能够反映不同物体之间的距离信息，与强度像结合可以得到探测区域内的三维信息，因此对距离像进行处理十分必要。

边缘检测是指利用图像的不连续特性来得到物体的边缘信息，目前流行的边缘检测方法包括Sobel算法、Laplace算法、Prewitt算法以及小波变换方法等。这些方法在一定程度上能够提取物体的边缘信息，但是存在对噪声敏感、定位精度差等缺点，在对激光雷达距离像中细节结构的边缘提取上存在不足。

Canny算法从好的边缘检测性能、好的定位性能和单一边缘响应三条准则出发，利用最优化数值求解方法，能够较好地用于边缘检测；其包括图像平滑、计算梯度幅值、梯度图像非极大值抑制和高低双阀值处理等四个步骤。传统的Canny算法虽然较Prewitt算法和Sobel算法等在图像边缘检测上有较大优势，但存在噪声影响严重、检测边缘模糊和阀值设置过分依靠经验等缺点。

发明内容

本发明的目的在于提供一种具有更高信息熵值和更低的标准差、并且可以有效滤除噪声的影响和保留图像的细节信息的基于Canny算法的图像边缘检测方法和装置。

为了达到上述目的，本发明所采用的方案为：

一种基于Canny算法的图像边缘检测方法，其特征在于所述方法包括以下步骤：

S11图像平滑的步骤，将图像分成若干大小确定的参考块，依据参考块之间的相似性把结构相似的图像块组合在一起形成若干个三维数组；采用联合滤波法对这些三维数组进行滤波，通过逆变换把结果返回到原图中从而得到平滑后的图像；

具体来说：对图像连续地取出参考块，首先对每个参考块进行基础估计：对图像中的每块进行相似性分组，把相似块聚集到一个三维数组中从而形成了第一系列三维数组；对该系列中的每个三维数组分别进行三维变换，对变换域的系数进行硬阈值处理减弱噪声，之后进行逆变换得到组中所有图像块的估计，把这些估计值返回到他们的原始位置；再对得到的有重叠的块进行估计，通过加权平均得到图像的基础估计。

然后进行最终估计：首先对基础估计图像中的每一块通过块匹配找到与它相似的相似块在基础估计图像中的位置，通过这些位置得到一个含噪声图像的三维数组，即一个从基础估计图像中得到的三维数组；然后，对形成的两个三维数组进行三维变换，对含噪数组进行维纳滤波，然后逆变换得到组中所有图像块的估计，然后把这些估计值返回到他们的原始位置。

最后，通过对得到的有重叠的局部块估计进行加权平均得到真实图像的最终估计，得到的图像就是平滑后的图像。

S12计算梯度幅值的步骤，采用3*3邻域模板计算平滑后的图像灰度在水平方向和垂直方向上的偏导数和图像在水平方向和垂直方向上的差分f_x(i,j)和f_y(i,j)，以及像素点的梯度幅值M(i,j)和梯度方向θ(i,j)；

假设I为经过平滑滤波后的图像，f_x(i,j)、f_y(i,j)、M(i,j)和θ(i,j)分别为：

f_x(i,j)＝2I(i+1,j)-2I(i-1,j)+I(i+1,j+1)-I(i-1,j+1)+I(i+1,j-1)-I(i-1,j-1),

f_y(i,j)＝2I(i,j+1)-2I(i,j-1)+I(i-1,j+1)-I(i-1,j-1)+I(i+1,j+1)-I(i+1,j-1),

θ(i,j)＝arctan[f_y(i,j)/f_x(i,j)]。

S13非极大值抑制的步骤，将当前像素点的M(i,j)的邻域划分为4个象限，当θ(i,j)>0时，采用第一、三象限的点进行插值计算而得到双线性插值结果M₁和M₂，否则采用二、四象限的点进行插值计算而得到双线性插值结果M₃和M₄；并根据计算所得的结果判断该像素点是否为极大值；

M₁和M₂的具体计算公式为：

M₁＝M_L1+sin[θ(i,j)](M_U1-M_L1)，

M₂＝M_L2+sin[θ(i,j)](M_U2-M_L2)，

其中，

M₃和M₄的具体计算公式为：

M₃＝M_L3-sin[θ(i,j)](M_U3-M_L3)，

M₄＝M_L4-sin[θ(i,j)](M_U4-M_L4)，

其中，

当条件一：M(i,j)≥M₁且M(i,j)≥M₂，或者条件二：M(i,j)≥M₃且M(i,j)≥M₄两者满足其一时，该像素点为极大值，否则该像素点不是极大值。

S14高低双阀值处理的步骤，利用遗传算法求得使类间方差σ(t)²最大的t值为高阀值，将高阀值乘以比例系数得到低阀值。

利用最大类间方差法进行自适应阀值计算，算法基本思想为将图像中的像素点按照各点的梯度值和最优阀值t之间的关系划分为两类C₀和C₁。其中C₀是梯度值在0到t之间的像素点组成的集合，C₁是其他像素点组成的集合。类间方差σ(t)²定义为：

σ(t)²＝w₁(t)w₂(t)[u₁(t)-u₂(t)]²

其中w₁(t)表示C₀中像素点的数量，u₁(t)表示这些像素点的平均梯度值，w₂(t)表示C₁中像素点的数量，u₂(t)表示这些像素点的平均梯度值；利用遗传算法求得使σ(t)²最大的t值即为所需的高阀值，将高阀值t乘以合适的比例系数α即得到算法的低阀值。

优选地，所述高低双阀值处理的步骤中的遗传算法包括以下步骤：

1)初始化算法变量，设定最初的个体数为m，随机产生m个体作为初始种群；

2)计算个体i的适应度J_i，若结果稳定或者迭代次数达到计算最大次数，将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；

3)计算个体的选择概率p_i，利用轮盘赌算法得到选择的个体集；

4)在选择得到的个体集中按照交叉概率τ抽取个体进行交叉，得到交叉后的个体集；

5)在交叉后个体集中按照变异概率φ选择个体中的变异位置，将变异位置上对应的数字1或者0进行取反操作得到变异后个体集；

6)判断个体集是否满足结束条件，若满足则将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；否则转到步骤2)继续执行。

进一步地，所述步骤3)中的轮盘赌算法包括以下步骤：计算种群中个体适应度总和S，并以此来产生小于S的随机数s，将所有个体累加，当累加值大于s时，最后累加的个体作为选择的个体，重复该步操作直止得到用于繁殖的个体集。

优选地，所述方法还包括S10噪声抑制的步骤，所述S10噪声抑制的步骤在图像平滑的步骤之前进行，其包括以下步骤：

S101划分的步骤，将像素点和其邻域像素点划分为当前象素点、里圈窗口象素点和外圈窗口象素点；

S102最终距离值计算的步骤，通过求当前像素点的距离、里圈窗口距离极值和外圈窗口距离极值的中位数来计算该像素点的最终距离值；计算最终距离值采用以下公式：

d＝med[max(D_i)，min(D_i)，max(D_o)，min(D_o)，D_c]；

S103噪声判断的步骤，求当前像素点距离与最终距离值之间的绝对差值，并将结果与距离阀值进行比较，当结果小于距离阀值时，该像素点为目标，否则为噪声。

激光成像雷达工作时，其距离像数据会受到噪声的干扰，这些噪声主要表现为距离反常噪声，距离反常噪声是由于激光雷达所测的目标的距离测量值与目标距离真实值不同而形成的噪声；这种噪声会降低数据的质量，影响后续处理算法对真实目标的检测识别，增加系统的处理难度和探测虚警率，严重时甚至会阻碍雷达对目标的探测。激光成像雷达的距离分辨率较高，图像分辨率较低，当雷达与目标之间的距离比较远时，目标的部分特征结构在探测所得的距离像中会表现为细长结构；这些细长机构可能包含了目标特性的重要信息。因此噪声抑制方法需要能够有效抑制距离反常噪声对探测结果的影响，还要能够有效保护目标的细长结构等细节信息；上述S10噪声抑制的步骤采用环圈滤波算法进行噪声抑制处理，其可以初步实现这样的功能，从而可以提高整体方法的处理效果。

进一步地，所述最终距离值计算的步骤中计算最终距离值时的公式为改进的公式，改进后的公式为：

d＝med[max(D_i)(1-p_i)，min(D_i)(1-p_i)，max(D_o)(1-p_o)，min(D_o)(1-p_o)，D_c]

其中p_i和p_o分别为里圈和外圈校正系数，其临界值为：

其中，n为细长结构宽度方向能够探测到的像素点个数，n_i为里圈窗口大小，n₀为外圈窗口大小，Δα为雷达角度分辨率，d₁为细长结构的宽度。

前述环圈滤波算法虽然能够保存目标的细长结构等特征，但是对于距离反常噪声的抑制功能较弱；为了提高算法对噪声的抑制功能，采取上述这样改进的环圈滤波方法进行噪声抑制可以进一步明显地提高噪声抑制的效果。

一种基于Canny算法的图像边缘检测装置，其包括以下模块：

图像平滑模块，其用于将图像分成若干大小确定的参考块，依据图像参考块之间的相似性把结构相似的图像块组合在一起形成若干个三维数组；采用联合滤波法对这些三维数组进行滤波，通过逆变换把结果返回到原图中得到平滑后的图像；

梯度幅值计算模块，其用于采用3*3邻域模板计算平滑后的图像灰度在水平方向和垂直方向上的偏导数和图像在水平方向和垂直方向上的差分f_x(i,j)和f_y(i,j)；以及像素点的梯度幅值M(i,j)和梯度方向θ(i,j)；

非极大值抑制模块，其用于将当前像素点的M(i,j)的邻域划分为4个象限，当θ(i,j)>0时，采用第一、三象限的点进行插值计算而得到双线性插值结果M₁和M₂，否则采用二、四象限的点进行插值计算而得到双线性插值结果M₃和M₄；并根据计算所得的结果判断该像素点是否为极大值；

高低双阀值处理模块，其用于利用遗传算法模块求得使类间方差σ(t)²最大的t值为高阀值，将高阀值乘以比例系数得到低阀值。

优选地，所述高低双阀值处理模块中的遗传算法模块包括以下模块：

种群初始化模块，其用于初始化算法变量，设定最初的个体数为m，随机产生m个体作为初始种群；

最佳分割阀值确定模块，其用于计算个体i的适应度J_i，若结果稳定或者迭代次数达到计算最大次数，将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；

个体选择模块，其用于计算个体的选择概率p_i，利用轮盘赌算法得到选择的个体；

个体集确定模块，其用于在选择得到的个体集中按照交叉概率τ抽取个体进行交叉，得到交叉后的个体集；

变异个体集确定模块，其用于在交叉后个体集中按照变异概率φ选择个体中的变异位置，将变异位置上对应的数字1或者0进行取反操作得到变异后个体集；

最优结果判断模块，其用于判断个体集是否满足结束条件，若满足则将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；否则转到最佳分割阀值确定模块继续执行。

进一步地，所述个体选择模块还包括个体集繁殖模块，其用于计算种群中个体适应度总和S，并以此来产生小于S的随机数s，将所有个体累加，当累加值大于s时，最后累加的个体作为选择的个体，重复该操作直止得到用于繁殖的个体集。

优选地，所述装置还包括噪声抑制模块，所述噪声抑制模块包括：

划分模块，其用于将像素点和其邻域像素点划分为当前象素点、里圈窗口象素点和外圈窗口象素点；

最终距离值计算模块，其用于求当前像素点的距离、里圈窗口距离极值和外圈窗口距离极值的中位数来作为该像素点的最终距离值；最终距离值采用以下公式计算

d＝med[max(D_i)，min(D_i)，max(D_o)，min(D_o)，D_c]；

噪声判断模块，其用于求当前像素点距离与最终距离值之间的绝对差值，将结果与距离阀值进行比较，当结果小于距离阀值时，该像素点为目标，否则为噪声。

进一步地，所述噪声抑制模块为改进的计算模块，其采用如下公式计算最终距离值：

d＝med[max(D_i)(1-p_i)，min(D_i)(1-p_i)，max(D_o)(1-p_o)，min(D_o)(1-p_o)，D_c]

其中p_i和p_o分别为里圈和外圈校正系数，其临界值为：

n为细长结构宽度方向能够探测到的像素点个数，n_i为里圈窗口大小，n₀为外圈窗口大小，Δα为雷达角度分辨率，d_i为细长结构的宽度。

本发明提出了一种结合改进环圈滤波算法和自适应Canny算法的激光雷达距离像的图像边缘检测方法和装置，利用改进环圈滤波算法进行噪声滤波，在对噪声进行抑制的同时有效保护了图像中细长结构等反应图像关键特性的信息；针对传统Canny算法在噪声影响、边缘模糊和阀值设定等方面的缺陷，从梯度幅值计算、双线性插值非极大值抑制和阀值自适应选择三个方面对传统的Canny算法进行了改进，克服了传统算法在噪声影响和边缘检测模糊等方面的缺点和不足。由信息熵和标准差这两个指标可知，该算法具有更高的信息熵值和更低的标准差；直观观察三种算法的边缘检测结果，本文算法较其他两种算法更能有效滤除噪声数据和清晰反映图像的细节信息，其可以有效滤除噪声的影响并保留图像的细节信息，实现了优于Sobel算法和Laplace算法的距离像边缘检测。

附图说明

图1a是原图1的原始图像；

图1b是图1a使用本文算法处理后的结果图像；

图1c是图1a使用Sobel算法处理后的结果图像；

图1d是图1a使用Laplace算法处理后的结果图像；

图2a是原图2的原始图像；

图2b是图2a使用本文算法处理后的结果图像；

图2c是图2a使用Sobel算法处理后的结果图像；

图2d是图2a使用Laplace算法处理后的结果图像；

图3是本发明的检测方法步骤示意图。

具体实施方式

为了使本领域技术人员可以更好地理解本发明的发明构思，从而对本发明的保护范围作出更清楚地限定，下面结合附图对本发明进行详细说明。

一种基于Canny算法的图像边缘检测方法，该方法包括以下步骤：

S11图像平滑的步骤：将图像分成若干大小确定的参考块，依据参考块之间的相似性把结构相似的图像块组合在一起形成若干个三维数组；采用联合滤波法对这些三维数组进行滤波，通过逆变换把结果返回到原图中得到平滑后的图像；

具体来说：对图像连续地取出参考块，首先对每个参考块进行基础估计：对图像中的每块进行相似性分组，把相似块聚集到一个三维数组中从而形成了第一系列三维数组；对该系列中的每个三维数组分别进行三维变换，对变换域的系数进行硬阈值处理减弱噪声，之后进行逆变换得到组中所有图像块的估计，把这些估计值返回到他们的原始位置；再对得到的有重叠的块进行估计，通过加权平均得到图像的基础估计。

然后进行最终估计：首先对基础估计图像中的每一块通过块匹配找到与它相似的相似块在基础估计图像中的位置，通过这些位置得到一个含噪声图像的三维数组，即一个从基础估计图像中得到的三维数组；然后，对形成的两个三维数组进行三维变换，对含噪数组进行维纳滤波，然后逆变换得到组中所有图像块的估计，然后把这些估计值返回到他们的原始位置。

最后，通过对得到的有重叠的局部块估计进行加权平均得到真实图像的最终估计，得到的图像就是平滑后的图像。

S12计算梯度幅值的步骤：为了抑制噪声对处理结果的影响并计算梯度大小，采用3*3邻域模板计算平滑后的图像灰度在水平方向和垂直方向上的偏导数和图像在水平方向和垂直方向上的差分f_x(i,j)和f_y(i,j)，以及像素点的梯度幅值M(i,j)和梯度方向θ(i,j)；假设I为经过平滑滤波后的图像，f_x(i,j)、f_y(i,j)、M(i,j)和、θ(i,j)分别为：

f_x(i,j)＝2I(i+1,j)-2I(i-1,j)+I(i+1,j+1)-I(i-1,j+1)+I(i+1,j-1)-I(i-1,j-1)；

f_y(i,j)＝2I(i,j+1)-2I(i,j-1)+I(i-1,j+1)-I(i-1,j-1)+I(i+1,j+1)-I(i+1,j-1)；

θ(i,j)＝arctan[f_y(i,j)/f_x(i,j)]。

S13非极大值抑制的步骤：为了提高算法非极大值抑制的准确性，克服传统方法由于仅采用单个点进行对比而带来的错判等缺陷，通过插值的方法进行非极大值抑制；采用在梯度方向的4个点进行双线性插值的方法进行。将当前像素点的M(i,j)的邻域划分为4个象限，当θ(i,j)>0时，采用第一、三象限的点进行插值计算而得到双线性插值结果M₁和M₂，否则采用二、四象限的点进行插值计算而得到双线性插值结果M₃和M₄；并根据计算所得的结果判断该像素点是否为极大值；M₁和M₂的具体计算公式为：

M₁＝M_L1+sin[θ(i,j)](M_U1-M_L1)，

M₂＝M_L2+sin[θ(i,j)](M_U2-M_L2)，

其中，

M₃和M₄的具体计算公式为：

M₃＝M_L3-sin[θ(i,j)](M_U3-M_L3)，

M₄＝M_L4-sin[θ(i,j)](M_U4-M_L4)，

其中，

当条件一：M(i,j)≥M₁且M(i,j)≥M₂或者条件二：M(i,j)≥M₃且M(i,j)≥M₄两者满足其一时，该像素点为极大值，否则该像素点不是极大值。

S14高低双阀值处理的步骤，利用遗传算法求得使类间方差σ(t)²最大的t值为高阀值，将高阀值乘以合适的比例系数得到低阀值。

利用最大类间方差法进行自适应阀值计算，算法基本思想为将图像中的像素点按照各点的梯度值和最优阀值t之间的关系划分为两类C₀和C₁。其中C₀是梯度值在0到t之间的像素点组成的集合，C₁是其他像素点组成的集合。类间方差σ(t)²定义为

σ(t)²＝w₁(t)w₂(t)[u₁(t)-u₂(t)]²

其中w₁(t)表示C₀中像素点的数量，u₁(t)表示这些像素点的平均梯度值，w₂(t)表示C₁中像素点的数量，u₂(t)表示这些像素点的平均梯度值；利用遗传算法求得使σ(t)²最大的t值即为所需的高阀值，将高阀值t乘以合适的比例系数α即得到算法的低阀值。

所述遗传算法包括以下步骤：

1)初始化算法变量，设定最初的个体数为m，随机产生m个体作为初始种群；

2)计算个体i的适应度J_i，若结果稳定或者迭代次数达到计算最大次数，将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；

3)计算个体的选择概率p_i，利用轮盘赌算法得到选择的个体集；更佳地，具体采用的轮盘赌算法包括以下步骤：计算种群中个体适应度总和S，并以此来产生小于S的随机数s，将所有个体累加，当累加值大于s时，最后累加的个体作为选择的个体，重复该步操作直止得到用于繁殖的个体集。

4)在选择得到的个体集中按照交叉概率τ抽取个体进行交叉，得到交叉后的个体集；

5)在交叉后个体集中按照变异概率φ选择个体中的变异位置，将变异位置上对应的数字1或者0进行取反操作得到变异后个体集；

6)判断个体集是否满足结束条件，若满足则将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；否则转到步骤2)继续执行。

在某些优选实施例中，所述方法还包括S10噪声抑制的步骤，所述S10噪声抑制的步骤在图像平滑的步骤之前进行，其包括以下步骤：

S101划分的步骤，将像素点和其邻域像素点划分为当前象素点、里圈窗口象素点和外圈窗口象素点；

S102最终距离值计算的步骤，通过求当前像素点的距离、里圈窗口距离极值和外圈窗口距离极值的中位数来计算该像素点的最终距离值；计算最终距离值采用以下公式

d＝med[max(D_i)，min(D_i)，max(D_o)，min(D_o)，D_c]；

其中med为求中位数符号，D_i表示里圈窗口的像素点集合，D₀表示外圈窗口的像素点集合，D_c表示当前像素点。三者之间的关系为：

更佳地，上述计算采用改进的公式，具体为：

d＝med[max(D_i)(1-p_i)，min(D_i)(1-p_i)，max(D_o)(1-p_o)，min(D_o)(1-p_o)，D_c]

其中p_i和p_o分别为里圈和外圈校正系数，其临界值为：

其中，n为细长结构宽度方向能够探测到的像素点个数，n_i为里圈窗口大小，n₀为外圈窗口大小，Δα为雷达角度分辨率，d₁为细长结构的宽度。

S103噪声判断的步骤，求当前像素点距离d₀与最终距离值d之间的绝对差值，并将结果与距离阀值t进行比较，当结果小于距离阀值时，该像素点为目标，否则为噪声。

激光成像雷达工作时，其距离像数据会受到噪声的干扰，这些噪声主要表现为距离反常噪声，距离反常噪声是由于激光雷达所测的目标的距离测量值与目标距离真实值不同而形成的噪声；这种噪声会降低数据的质量，影响后续处理算法对真实目标的检测识别，增加系统的处理难度和探测虚警率，严重时甚至会阻碍雷达对目标的探测。激光成像雷达的距离分辨率较高，图像分辨率较低，当雷达与目标之间的距离比较远时，目标的部分特征结构在探测所得的距离像中会表现为细长结构；这些细长机构可能包含了目标特性的重要信息。因此噪声抑制方法需要能够有效抑制距离反常噪声对探测结果的影响，还要能够有效保护目标的细长结构等细节信息。前述传统的环圈滤波算法能够保存目标的细长结构等特征，但是对于距离反常噪声的抑制功能较弱；为了提高算法对噪声的抑制功能，采取上述这样改进的环圈滤波方法进行噪声抑制可以明显地提高噪声抑制的效果。

一种基于Canny算法的图像边缘检测装置，其包括以下模块：

图像平滑模块，其用于将图像分成若干大小确定的参考块，依据图像参考块之间的相似性把结构相似的图像块组合在一起形成若干个三维数组；采用联合滤波法对这些三维数组进行滤波，通过逆变换把结果返回到原图中得到平滑后的图像；

梯度幅值计算模块，其用于采用3*3邻域模板计算平滑后的图像灰度在水平方向和垂直方向上的偏导数和图像在水平方向和垂直方向上的差分f_x(i,j)和f_y(i,j)；以及像素点的梯度幅值M(i,j)和梯度方向θ(i,j)；

非极大值抑制模块，其用于将当前像素点的M(i,j)的邻域划分为4个象限，当θ(i,j)>0时，采用第一、三象限的点进行插值计算而得到双线性插值结果M₁和M₂，否则采用二、四象限的点进行插值计算而得到双线性插值结果M₃和M₄；并根据计算所得的结果判断该像素点是否为极大值；

高低双阀值处理模块，其用于利用遗传算法模块求得使类间方差σ(t)²最大的t值为高阀值，将高阀值乘以一定的比例系数得到低阀值。

优选地，所述高低双阀值处理模块中的遗传算法模块包括以下模块：

种群初始化模块，其用于初始化算法变量，设定最初的个体数为m，随机产生m个体作为初始种群；

最佳分割阀值确定模块，其用于计算个体i的适应度J_i，若结果稳定或者迭代次数达到计算最大次数，将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；

个体选择模块，其用于计算个体的选择概率p_i，利用轮盘赌算法得到选择的个体；

个体集确定模块，其用于在选择得到的个体集中按照交叉概率τ抽取个体进行交叉，得到交叉后的个体集；

变异个体集确定模块，其用于在交叉后个体集中按照变异概率φ选择个体中的变异位置，将变异位置上对应的数字1或者0进行取反操作得到变异后个体集；

最优结果判断模块，其用于判断个体集是否满足结束条件，若满足则将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；否则转到最佳分割阀值确定模块继续执行。

进一步地，所述个体选择模块还包括个体集繁殖模块，其用于计算种群中个体适应度总和S，并以此来产生小于S的随机数s，将所有个体累加，当累加值大于s时，最后累加的个体作为选择的个体，重复该操作直止得到用于繁殖的个体集。

优选地，所述装置还包括噪声抑制模块，所述噪声抑制模块包括：

划分模块，其用于将像素点和其邻域像素点划分为当前象素点、里圈窗口象素点和外圈窗口象素点；

最终距离值计算模块，其用于求当前像素点的距离、里圈窗口距离极值和外圈窗口距离极值的中位数来作为该像素点的最终距离值；最终距离值采用以下公式计算

d＝med[max(D_i)，min(D_i)，max(D_o)，min(D_o)，D_c]；

噪声判断模块，其用于求当前像素点距离与最终距离值之间的绝对差值，将结果与距离阀值进行比较，当结果小于距离阀值时，该像素点为目标，否则为噪声。

进一步地，所述噪声抑制模块为改进的计算模块，其采用如下公式计算最终距离值：

d＝med[max(D_i)(1-p_i)，min(D_i)(1-p_i)，max(D_o)(1-p_o)，min(D_o)(1-p_o)，D_c]

其中p_i和p_o分别为里圈和外圈校正系数，其临界值为：

n为细长结构宽度方向能够探测到的像素点个数，n_i为里圈窗口大小，n₀为外圈窗口大小，Δα为雷达角度分辨率，d_i为细长结构的宽度。

实施例

为验证本文所提算法的处理效果，分别采用本文所提的算法、传统Sobel算法和Laplace算法对一幅激光雷达图像和Lena图像进行处理。处理结果如图1、图2所示。其中图1a和图2a为原始图形，图1b和图2b为采用本文算法的处理结果图，图1c和图2c为采用Sobel算法处理的结果图，图1d和图2d为采用Laplace算法处理的结果图。

由试验结果可知：三种方法都能在不同程度上对图像中物体的边缘信息进行提取。Sobel算法对于对比度比较明显的边缘能够可靠提取，对于对比度不明显的边缘丢失比较严重。Laplace算法的边缘提取效果优于Sobel算法，对于对比度不明显的边缘信息的提取上有一定程度改进，但是对于噪声的处理比较欠缺，有的噪声被当作边缘信息进行了提取，同时对于一些细节结构存在丢失的情况。本文所采用的算法不但能够对物体边缘包括细节结构进行可靠的提取，同时能够对噪声进行有效抑制，其处理结果优于其他两种算法的处理结果。

为了直观衡量不同算法对图像的边缘检测结果，采用信息熵H和标准差MSE两个指标衡量处理效果，两个指标的定义为：

其中L表示图像总的灰度等级，P_i表示图像中灰度值为i的像素点的概率，M和N分别为图像的长和宽，A表示原始图像，K表示处理过后的图像。熵越大表示图像包含的信息量越大，反之信息量越小。标准差越高表示图像的数据越不精确，反之图像数据越精确。

三种方法对图像进行处理的处理结果如表1所示。

表1不同算法指标对比

由试验结果可知：本文所用算法处理结果的信息熵最大，Laplace算法的信息熵次之，Sobel算法的信息熵最小。本文所用算法的标准差最小，Laplace算法的标准差次之，Sobel算法的标准差最大。无论用信息熵指标还是标准差指标，本文所用算法得到的处理结果所包含的信息量和精确度都优于其它两种算法，因此得到了更好的边缘检测效果。

Claims (10)

1.一种基于Canny算法的图像边缘检测方法，其特征在于所述方法包括以下步骤：

S11图像平滑的步骤，将图像分成若干大小确定的参考块，依据参考块之间的相似性把结构相似的图像块组合在一起形成若干个三维数组；采用联合滤波法对这些三维数组进行滤波，通过逆变换把结果返回到原图中从而得到平滑后的图像；

S12计算梯度幅值的步骤，采用3*3邻域模板计算平滑后的图像灰度在水平方向和垂直方向上的偏导数和图像在水平方向和垂直方向上的差分f_x(i,j)和f_y(i,j)，以及像素点的梯度幅值M(i,j)和梯度方向θ(i,j)；

S13非极大值抑制的步骤，将当前像素点的M(i,j)的邻域划分为4个象限，当θ(i,j)>0时，采用第一、三象限的点进行插值计算而得到双线性插值结果M₁和M₂，否则采用二、四象限的点进行插值计算而得到双线性插值结果M₃和M₄；并根据计算所得的结果判断该像素点是否为极大值；

S14高低双阀值处理的步骤，利用遗传算法求得使类间方差σ(t)²最大的t值为高阀值，将高阀值乘以比例系数得到低阀值。

2.根据权利要求1所述的方法，其特征在于，所述高低双阀值处理的步骤中的遗传算法包括以下步骤：

1)初始化算法变量，设定最初的个体数为m，随机产生m个体作为初始种群；

2)计算个体i的适应度J_i，若结果稳定或者迭代次数达到计算最大次数，将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；

3)计算个体的选择概率p_i，利用轮盘赌算法得到选择的个体集；

4)在选择得到的个体集中按照交叉概率τ抽取个体进行交叉，得到交叉后的个体集；

5)在交叉后个体集中按照变异概率φ选择个体中的变异位置，将变异位置上对应的数字1或者0进行取反操作得到变异后个体集；

6)判断个体集是否满足结束条件，若满足则将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；否则转到步骤2)继续执行。

3.根据权利要求2所述的方法，其特征在于，所述步骤3)中的轮盘赌算法包括以下步骤：计算种群中个体适应度总和S，并以此来产生小于S的随机数s，将所有个体累加，当累加值大于s时，最后累加的个体作为选择的个体，重复该步操作直止得到用于繁殖的个体集。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括S10噪声抑制的步骤，所述S10噪声抑制的步骤在图像平滑的步骤之前进行，其包括以下步骤：

S101划分的步骤，将像素点和其邻域像素点划分为当前象素点、里圈窗口象素点和外圈窗口象素点；

S102最终距离值计算的步骤，通过求当前像素点的距离、里圈窗口距离极值和外圈窗口距离极值的中位数来计算该像素点的最终距离值；计算最终距离值采用以下公式：

d＝med[max(D_i)，min(D_i)，max(D_o)，min(D_o)，D_c]

S103噪声判断的步骤，求当前像素点距离与最终距离值之间的绝对差值，并将结果与距离阀值进行比较，当结果小于距离阀值时，该像素点为目标，否则为噪声。

5.根据权利要求4所述的方法，其特征在于，所述最终距离值计算的步骤中计算最终距离值时的公式为改进的公式，改进后的公式为：

d＝med[max(D_i)(1-p_i)，min(D_i)(1-p_i)，max(D_o)(1-p_o)，min(D_o)(1-p_o)，D_c]

其中p_i和p_o分别为里圈和外圈校正系数，其临界值为：

其中，n为细长结构宽度方向能够探测到的像素点个数，n_i为里圈窗口大小，n₀为外圈窗口大小，Δα为雷达角度分辨率，d₁为细长结构的宽度。

6.一种基于Canny算法的图像边缘检测装置，其包括以下模块：

图像平滑模块，其用于将图像分成若干大小确定的参考块，依据图像参考块之间的相似性把结构相似的图像块组合在一起形成若干个三维数组；采用联合滤波法对这些三维数组进行滤波，通过逆变换把结果返回到原图中得到平滑后的图像；

梯度幅值计算模块，其用于采用3*3邻域模板计算平滑后的图像灰度在水平方向和垂直方向上的偏导数和图像在水平方向和垂直方向上的差分f_x(i,j)和f_y(i,j)；以及像素点的梯度幅值M(i,j)和梯度方向θ(i,j)；

非极大值抑制模块，其用于将当前像素点的M(i,j)的邻域划分为4个象限，当θ(i,j)>0时，采用第一、三象限的点进行插值计算而得到双线性插值结果M₁和M₂，否则采用二、四象限的点进行插值计算而得到双线性插值结果M₃和M₄；并根据计算所得的结果判断该像素点是否为极大值；

高低双阀值处理模块，其用于利用遗传算法模块求得使类间方差σ(t)²最大的t值为高阀值，将高阀值乘以比例系数得到低阀值。

7.根据权利要求6所述的装置，其特征在于，所述高低双阀值处理模块中的遗传算法模块包括以下模块：

种群初始化模块，其用于初始化算法变量，设定最初的个体数为m，随机产生m个体作为初始种群；

最佳分割阀值确定模块，其用于计算个体i的适应度J_i，若结果稳定或者迭代次数达到计算最大次数，将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；

个体选择模块，其用于计算个体的选择概率p_i，利用轮盘赌算法得到选择的个体；

个体集确定模块，其用于在选择得到的个体集中按照交叉概率τ抽取个体进行交叉，得到交叉后的个体集；

变异个体集确定模块，其用于在交叉后个体集中按照变异概率φ选择个体中的变异位置，将变异位置上对应的数字1或者0进行取反操作得到变异后个体集；

最优结果判断模块，其用于判断个体集是否满足结束条件，若满足则将适应度J_i最大的个体i作为最优结果，并将其反编码后得到最佳分割阀值；否则转到最佳分割阀值确定模块继续执行。

8.根据权利要求7所述的装置，其特征在于，所述个体选择模块还包括个体集繁殖模块，其用于计算种群中个体适应度总和S，并以此来产生小于S的随机数s，将所有个体累加，当累加值大于s时，最后累加的个体作为选择的个体，重复该操作直止得到用于繁殖的个体集。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括噪声抑制模块，所述噪声抑制模块包括：

划分模块，其用于将像素点和其邻域像素点划分为当前象素点、里圈窗口象素点和外圈窗口象素点；

最终距离值计算模块，其用于求当前像素点的距离、里圈窗口距离极值和外圈窗口距离极值的中位数来作为该像素点的最终距离值；最终距离值采用以下公式计算

d＝med[max(D_i)，min(D_i)，max(D_o)，min(D_o)，D_c]，

噪声判断模块，其用于求当前像素点距离与最终距离值之间的绝对差值，将结果与距离阀值进行比较，当结果小于距离阀值时，该像素点为目标，否则为噪声。

10.根据权利要求9所述的方法，其特征在于，所述噪声抑制模块为改进的计算模块，其采用如下公式计算最终距离值：

d＝med[max(D_i)(1-p_i)，min(D_i)(1-p_i)，max(D_o)(1-p_o)，min(D_o)(1-p_o)，D_c]

其中p_i和p_o分别为里圈和外圈校正系数，其临界值为：

n为细长结构宽度方向能够探测到的像素点个数，n_i为里圈窗口大小，n₀为外圈窗口大小，Δα为雷达角度分辨率，d_i为细长结构的宽度。