CN107301647A - 基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法 - Google Patents
基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法 Download PDFInfo
- Publication number
- CN107301647A CN107301647A CN201710409939.7A CN201710409939A CN107301647A CN 107301647 A CN107301647 A CN 107301647A CN 201710409939 A CN201710409939 A CN 201710409939A CN 107301647 A CN107301647 A CN 107301647A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- pixel
- image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法，通过高像素摄影机对秦岭野生金丝猴基地追踪实地拍摄，建立图像样本库，对获取图像样本采用灰色B型关联改进Prewitt算子对秦岭金丝猴图像边缘进行检测，提取图像边缘，实现了计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。
Description
技术领域
本发明涉及图像处理领域，特别涉及基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法。
背景技术
野生金丝猴是国家一级保护动物，主要分布于甘肃、四川、湖北和陕西地区，而分布于陕西秦岭地区的秦岭金丝猴由于品种珍贵数量稀少，更加引起人们的关注。通过对秦岭金丝猴图像降噪与边缘检测技术的研究，为金丝猴实现分类识别奠定基础，同时为深刻理解金丝猴等非人灵长类的社会生物学积累数据，为其他珍稀野生动物进行研究与保护提供技术支持。传统的空域抑噪方法如中值滤波去噪法等，常以模糊图像的细节特征为代价，会弱化细节信息，模糊信号边缘，经典边缘检测算子如Sobel、Prewitt等对含噪图像边缘检测结果不甚理想，易出现“削顶”现象，即对图像顶部检测困难，易丢失角点信息，图像边缘不够细锐和连续，对图像进一步准确识别效果欠佳。
发明内容
为了克服上述现有技术的不足，本发明目的在于提供一种基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法，通过高像素摄影机对秦岭野生金丝猴基地追踪实地拍摄，建立图像样本库，对获取图像样本进行检测，提取图像边缘，实现了计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。
为了达到上述目的，本发明的技术方案是这样实现的：
基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法，包括如下步骤：
(1)设一幅含噪秦岭金丝猴图像大小为M×N，图像中某个像素x(i,j)的一个噪声检测3×3窗口为：
建立图像一维数据序列，采用简单的四邻域一维化方法，分别取图像中像素x(i,j)及上、下、左、右四个相邻像素形成一维数据序列{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1}。
(2)确定参考序列和比较序列，选择如下的参考序列：x0＝{1,1,1,1,1}，x1＝{0,0,0,0,0}，比较序列：xr＝{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1}，其中r∈[1,M×N]。
(3)序列初始化：
x′0＝x0，x′1＝x1
其中xr(1)表示比较序列xr的第一个分量，x'r(1),x'r(2),…x'r(5)分别表示向量x'r的各个分量。
(4)计算x'0与x'r对应分量的差的绝对值序列△'0r(k)(k＝1,2…5)：
△'0r(k)＝|x'0(k)-x'r(k)| (2)
(5)确定差序列的最大差值M与最小差值m，分别记为：其中k＝1,2…5。
(6)计算关联系数γ0r(k)：
式中ζ为分辨系数，令ζ＝0.5，以保证γ0r(k)∈(0,1]。
(7)由于各像素点在序列中包含的信息量不同，故确定信息熵H0r(k)及权重ω0r(k)(k＝1,2…5)：
式中则有权重为：
(8)建立两类序列间的灰色B型关联度R0r。
同理可计算得另外两类序列x1和xr的灰色关联度R1r。
(9)确定关联度阈值θ，关联度阈值θ∈(0,1]，关联度阈值θ取值越小，抑噪能力越强，但边缘丢失相对应也就越严重，反之，关联度阈值θ取值越大，抑噪能力变弱，保留的边缘也越多。
(10)确定噪声点与信号点。令R＝max(R0r,R1r)，N为噪声点，S为信号点，若xij＝{R0r≥R1r}∩{R≥θ}则其属于噪声点N，反之为信号点S。
(11)噪声点赋值，完成降噪算法。若xij为噪声像素，计算xij一阶像素邻域中像素中值M，若M∈S，则用中值M代替当前像素xij的值；若M∈N，继续搜索当前xij邻域内的非噪声像素。继续移动3×3窗口，直到所有像素遍历完毕。
(12)对遍历完毕的图像采用3×3卷积模板如表1，其中表1a、b分别为水平模板和垂直模板，将模板内的系数与其对应的图像像素相乘，表1(a)模板相乘后结果为表2所示，令A＝f11+f12+f13，B＝f31+f32+f33，改进的Prewitt算子为：
同理根据表1(b)计算垂直边缘模板值取两个模板计算的最大值，赋给图像对应模板中心位置的像素值，作为该像素的新灰度值。
| 1 | 1 | 1 |
| 0 | 0 | 0 |
| -1 | -1 | -1 |
(a)垂直梯度方向，检测水平边缘
| -1 | 0 | 1 |
| -1 | 0 | 1 |
| -1 | 0 | 1 |
(b)水平梯度方向，检测垂直边缘
表1 Prewitt算子模板
| f11 | f12 | f13 |
| 0 | 0 | 0 |
| -f31 | -f32 | -f33 |
表2 Prewitt算子水平边缘模板计算后形式。
本发明的优点：
(1)秦岭金丝猴为中国特有生物，品种珍贵、数量稀少，且其面部很难从背景中分割识别，本发明采用灰色B型关联改进Prewitt算子对秦岭金丝猴图像边缘进行检测，实现了计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测算子的抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。
(2)改进的Prewitt算子计算出的结果相对于传统算子结果更接近于理想值，具有更强的抗噪能力，理由如下：
由公式(7)知改进Prewitt算子公式为其中A，B分别为图像中间隔像素灰度值(0≤A,B≤255且A,B不同时为0)。
不妨设A≥B，且A,B不同时为0则易得：
∵A≥B且A,B不同时为0
∴
∴
同理当B>A，上式依然成立。
综上所述改进Prewitt算子差分结果小于255，故其不会出现计算结果溢出。
假设噪声幅值为△，则加入噪声后，传统的Prewitt算子计算值为f噪＝|A-B+△|，而不考虑噪声的情况下，f理想＝|A-B|，则：
而对于加入噪声后的改进算子计算值应为不考虑噪声的理想情况下，则：
故对于同样的噪声幅值，改进的Prewitt算子计算出的结果相对于传统算子结果更接近于理想值，具有更强的抗噪能力。
附图说明
图1为实施例一边缘检测前示意图。
图2为实施例一边缘检测后示意图。
图3为实施例二边缘检测前示意图。
图4为实施例二边缘检测后示意图。
具体实施方式
实施例一
本实例的图像处理以图1，200×221像素的原始图像为例说明本例的实施步骤：
(1)、大小为200×221的图像中某个像素x(i,j)的一个噪声检测3×3窗口为：
建立图像一维数据序列。采用简单的四邻域一维化方法，分别取图像中像素x(i,j)及上、下、左、右四个相邻像素形成一维数据序列{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1}。
(2)、确定参考序列和比较序列：
选择如下的参考序列：x0＝{1,1,1,1,1}，x1＝{0,0,0,0,0}，比较序列：xr＝{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1}，其中r∈[1,200×221]。
(3)、序列初始化：
x′0＝x0，x′1＝x1
(4)、计算x'0与x'r的初值像对应分量之差的绝对值差序列△'0r(k)(k＝1,2…5)：
△'0r(k)＝|x'0(k)-x'r(k)| (2)
(5)、分别记：差序列最大值最小值其中k＝1,2…5，实例中获得最小差值m均为0。
(6)、计算关联系数γ0r(k)，取ζ＝0.5，保证γ0r(k)∈(0,1]：
(7)、由于各像素点在序列中包含的信息量不同，故确定信息熵H0r(k)及权重ω0r(k)(k＝1,2…5)：
式中则有权重为：
(8)、建立两类序列间的灰色B型关联度R0r。
同理4-8计算得另外两类序列x1和xr的灰色关联度R1r。
本实例中共计算得到权重ω0r和ω1r均为130963个值，同时信息熵确保了权重序列的和为1。
(9)、确定关联度阈值θ＝0.55。
(10)、区别噪声点和信号点：令R＝max(R0r,R1r)，N为噪声点，S为信号点，若xij＝{R0r≥R1r}∩{R≥θ}则其属于噪声点N，反之为信号点S。实例中R＝{0.5362，0.5362，0.5247，…，0.5394}共130963个值，其中最小值为0.5147，最大值为0.6619。
(11)、噪声点赋值，完成降噪算法。若xij为噪声像素，计算xij一阶像素邻域中像素中值M，若M∈S，则用中值M代替当前像素xij的值；若M∈N，继续搜索当前xij邻域内的非噪声像素。继续移动3×3窗口，直到所有像素遍历完毕。
(12)、对遍历完毕的图像采用3×3卷积模板如表1，其中表1a、b分别为水平模板和垂直模板，将模板内的系数与其对应的图像像素相乘，表1(a)模板相乘后结果为表2所示，令A＝f11+f12+f13，B＝f31+f32+f33，改进的Prewitt算子为：
同理根据表1(b)计算垂直边缘模板值取两个模板计算的最大值，赋给图像对应模板中心位置的像素值，作为该像素的新灰度值。
| 1 | 1 | 1 |
| 0 | 0 | 0 |
| -1 | -1 | -1 |
(a)垂直梯度方向，检测水平边缘
| -1 | 0 | 1 |
| -1 | 0 | 1 |
| -1 | 0 | 1 |
(b)水平梯度方向，检测垂直边缘
表1 Prewitt算子模板
| f11 | f12 | f13 |
| 0 | 0 | 0 |
| -f31 | -f32 | -f33 |
表2 Prewitt算子水平边缘模板计算后形式
最终可得到经过本算法检测后的秦岭金丝猴含噪图形的边缘。如图2所示，计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测算子的抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。
实施例二
本实例的图像处理以图3，169×154像素的原始图像为例说明本例的实施步骤：
(1)、大小为169×154的图像中某个像素x(i,j)的一个噪声检测3×3窗口为：
建立图像一维数据序列。采用简单的四邻域一维化方法，分别取图像中像素x(i,j)及上、下、左、右四个相邻像素形成一维数据序列{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1}。
(2)、确定参考序列：x0＝{1,1,1,1,1}，x1＝{0,0,0,0,0}，比较序列：xr＝{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1}，其中r∈[1,169×154]。
(3)、序列初始化：
x′0＝x0，x′1＝x1
(4)、计算x'0与x'r的初值像对应分量之差的绝对值差序列△'0r(k)(k＝1,2…5)：
△'0r(k)＝|x'0(k)-x'r(k)| (2)
(5)、分别记：差序列最大值最小值其中k＝1,2…5，实例中获得最小差值m均为0。
(6)、计算关联系数γ0r(k)，取ζ＝0.5，以保证γ0r(k)∈(0,1]。
(7)、由于各像素点在序列中包含的信息量不同，故确定信息熵H0r(k)及权重ω0r(k)(k＝1,2…5)：
式中则有权重为：
(8)、建立两类序列间的灰色B型关联度R0r。
重复4-8计算得另外两类序列间灰色关联度R1r。
实例中共计算得到权重ω0r和ω1r均为76761个值，同时信息熵确保了权重序列的和为1。
(9)、确定关联度阈值θ＝0.57。
(10)、区别噪声点和信号点：令R＝max(R0r,R1r)，N为噪声点，S为信号点，若xij＝{R0r≥R1r}∩{R≥θ}则其属于噪声点N，反之为信号点S。
实例中R＝{0.5714，0.5601，0.5618，…，0.5687}共76761个值，其中最小值为0.5352，最大值为0.6814。
(11)、噪声点赋值，完成降噪算法。若xij为噪声像素，计算xij一阶像素邻域中像素中值M，若M∈S，则用中值M代替当前像素xij的值；若M∈N，继续搜索当前xij邻域内的非噪声像素。继续移动3×3窗口，直到所有像素遍历完毕。
(12)、对遍历完毕的图像采用3×3卷积模板如表1，其中表1a、b分别为水平模板和垂直模板，将模板内的系数与其对应的图像像素相乘，表1(a)模板相乘后结果为表2所示，令A＝f11+f12+f13，B＝f31+f32+f33，改进的Prewitt算子为：
同理根据表1(b)计算垂直边缘模板值取两个模板计算的最大值，赋给图像对应模板中心位置的像素值，作为该像素的新灰度值。
| 1 | 1 | 1 |
| 0 | 0 | 0 |
| -1 | -1 | -1 |
(a)垂直梯度方向，检测水平边缘
| -1 | 0 | 1 |
| -1 | 0 | 1 |
| -1 | 0 | 1 |
(b)水平梯度方向，检测垂直边缘
表1 Prewitt算子模板
| f11 | f12 | f13 |
| 0 | 0 | 0 |
| -f31 | -f32 | -f33 |
表2 Prewitt算子水平边缘模板计算后形式
最终可得到经过本算法检测后的秦岭金丝猴含噪图形的边缘。如图4所示，计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测算子的抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。
Claims (1)
1.基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法，其特征在于，包括如下步骤：
(1)设一幅含噪秦岭金丝猴图像大小为M×N，图像中某个像素x(i,j)的一个噪声检测3×3窗口为：
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
建立图像一维数据序列，采用简单的四邻域一维化方法，分别取图像中像素x(i,j)及上、下、左、右四个相邻像素形成一维数据序列{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1}；
(2)确定参考序列和比较序列，选择如下的参考序列：x0＝{1,1,1,1,1}，x1＝{0,0,0,0,0}，比较序列：xr＝{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1}，其中r∈[1,M×N]；
(3)序列初始化：
x′0＝x0，x′1＝x1
<mrow>
<msubsup>
<mi>x</mi>
<mi>r</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<msub>
<mi>x</mi>
<mi>r</mi>
</msub>
<mrow>
<msub>
<mi>x</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>x</mi>
<mi>r</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>r</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<msubsup>
<mi>x</mi>
<mi>r</mi>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中xr(1)表示比较序列xr的第一个分量，x'r(1),x'r(2),…x'r(5)分别表示向量x'r的各个分量；
(4)计算x'0与x'r对应分量的差的绝对值序列△'0r(k)(k＝1,2…5)：
△'0r(k)＝|x'0(k)-x'r(k)| (2)
(5)确定差序列的最大差值M与最小差值m，分别记为：其中k＝1,2…5；
(6)计算关联系数γ0r(k)：
<mrow>
<msub>
<mi>&gamma;</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mi>&zeta;</mi>
<mi>M</mi>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&zeta;</mi>
<mi>M</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mi>&zeta;</mi>
<mo>&Element;</mo>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mn>5</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中ζ为分辨系数，令ζ＝0.5，以保证γ0r(k)∈(0,1]；
(7)由于各像素点在序列中包含的信息量不同，故确定信息熵H0r(k)及权重ω0r(k)(k＝1,2…5)：
<mrow>
<msub>
<mi>H</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mn>5</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>5</mn>
</munderover>
<msub>
<mi>&gamma;</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&gamma;</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中则有权重为：
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>o</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>5</mn>
</munderover>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>H</mi>
<mrow>
<mi>o</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
(8)建立两类序列间的灰色B型关联度R0r：
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>5</mn>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>&gamma;</mi>
<mrow>
<mn>0</mn>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mn>5</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
同理可计算得另外两类序列x1和xr的灰色关联度R1r；
(9)确定关联度阈值θ，关联度阈值θ∈(0,1]，关联度阈值θ取值越小，抑噪能力越强，但边缘丢失相对应也就越严重，反之，关联度阈值θ取值越大，抑噪能力变弱，保留的边缘也越多；
(10)确定噪声点与信号点，令R＝max(R0r,R1r)，N为噪声点，S为信号点，若xij＝{R0r≥R1r}∩{R≥θ}则其属于噪声点N，反之为信号点S；
(11)噪声点赋值，完成降噪算法，若xij为噪声像素，计算xij一阶像素邻域中像素中值M，若M∈S，则用中值M代替当前像素xij的值；若M∈N，继续搜索当前xij邻域内的非噪声像素，继续移动3×3窗口，直到所有像素遍历完毕；
(12)对遍历完毕的图像采用3×3卷积模板如表1，其中表1a、b分别为水平模板和垂直模板，将模板内的系数与其对应的图像像素相乘，表1(a)模板相乘后结果为表2所示，令A＝f11+f12+f13，B＝f31+f32+f33，改进的Prewitt算子为：
<mrow>
<mo>&dtri;</mo>
<msub>
<mi>f</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>A</mi>
<mo>-</mo>
<mi>B</mi>
<mo>|</mo>
</mrow>
<mrow>
<mi>A</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>255</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
同理根据表1(b)计算垂直边缘模板值取两个模板计算的最大值，赋给图像对应模板中心位置的像素值，作为该像素的新灰度值；
(a)垂直梯度方向，检测水平边缘
(b)水平梯度方向，检测垂直边缘
表1 Prewitt算子模板
表2 Prewitt算子水平边缘模板计算后形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710409939.7A CN107301647B (zh) | 2017-06-02 | 2017-06-02 | 基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710409939.7A CN107301647B (zh) | 2017-06-02 | 2017-06-02 | 基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107301647A true CN107301647A (zh) | 2017-10-27 |
| CN107301647B CN107301647B (zh) | 2018-05-08 |
Family
ID=60134650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710409939.7A Expired - Fee Related CN107301647B (zh) | 2017-06-02 | 2017-06-02 | 基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107301647B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084761A (zh) * | 2019-04-24 | 2019-08-02 | 深圳南山供电局 | 一种基于灰色关联度引导滤波的图像去雾算法 |
| CN111932479A (zh) * | 2020-08-10 | 2020-11-13 | 中国科学院上海微系统与信息技术研究所 | 数据增强方法、系统以及终端 |
| CN116703920A (zh) * | 2023-08-07 | 2023-09-05 | 济宁市华祥石墨制品有限公司 | 基于图像处理的石墨保温桶裂纹检测方法 |
-
2017
- 2017-06-02 CN CN201710409939.7A patent/CN107301647B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
| Title |
|---|
| 孙艳等: "《北京市污水处理厂进水水质特征的统计学分析》", 《给水排水》 * |
| 石俊涛等: "《基于灰色关联度和prewitt算子的边缘检测新方法》", 《微计算机信息（嵌入式与SOC）》 * |
| 程星华等: "《熵权_灰色关联模型在农村生活污水处理技术选取中的应用》", 《给水排水》 * |
| 赵洋: "《灰色关联亚像素检测理论在油井管套损检测中的应用研究》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084761A (zh) * | 2019-04-24 | 2019-08-02 | 深圳南山供电局 | 一种基于灰色关联度引导滤波的图像去雾算法 |
| CN110084761B (zh) * | 2019-04-24 | 2023-05-23 | 深圳供电局有限公司 | 一种基于灰色关联度引导滤波的图像去雾方法 |
| CN111932479A (zh) * | 2020-08-10 | 2020-11-13 | 中国科学院上海微系统与信息技术研究所 | 数据增强方法、系统以及终端 |
| CN116703920A (zh) * | 2023-08-07 | 2023-09-05 | 济宁市华祥石墨制品有限公司 | 基于图像处理的石墨保温桶裂纹检测方法 |
| CN116703920B (zh) * | 2023-08-07 | 2023-10-20 | 济宁市华祥石墨制品有限公司 | 基于图像处理的石墨保温桶裂纹检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107301647B (zh) | 2018-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816673B (zh) | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 | |
| CN103984961B (zh) | 一种用于检测车底异物的图像检测方法 | |
| CN100474337C (zh) | 一种基于径向基神经网络的有噪运动模糊图像复原方法 | |
| CN107301647B (zh) | 基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法 | |
| US20110286671A1 (en) | Edge detection technique having improved feature visibility | |
| CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
| CN108256394A (zh) | 一种基于轮廓梯度的目标跟踪方法 | |
| CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
| CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
| CN107590496A (zh) | 复杂背景下红外小目标的关联检测方法 | |
| CN102156996A (zh) | 一种图像边缘检测的方法 | |
| CN101551901B (zh) | 动态遮挡图像的实时补偿和增强方法 | |
| CN108665495B (zh) | 图像处理方法及装置、移动终端 | |
| CN104778710B (zh) | 一种基于量子理论的形态学图像边缘检测方法 | |
| JP2017510427A5 (zh) | ||
| CN104517276A (zh) | 一种棋盘格角点检测方法 | |
| WO2007138898A1 (ja) | 認識システム、認識方法および認識プログラム | |
| CN104899888A (zh) | 一种基于Legendre矩的图像亚像素边缘检测方法 | |
| CN103198455A (zh) | 一种利用全变差最小化和灰度共生矩阵的图像去噪方法 | |
| CN104580829A (zh) | 一种太赫兹图像增强方法及系统 | |
| CN107644222A (zh) | 一种身份证图像中信息定位方法 | |
| CN105631872A (zh) | 基于多特征点的遥感图像配准方法 | |
| CN103150725B (zh) | 基于非局部均值的susan边缘检测方法及系统 | |
| CN105225243B (zh) | 一种可抗噪声的图像边缘检测方法 | |
| CN104537632A (zh) | 基于边缘提取的红外图像直方图增强方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180508 Termination date: 20200602 |