CN108109155A

CN108109155A - 一种基于改进Canny的自动阈值边缘检测方法

Info

Publication number: CN108109155A
Application number: CN201711221140.1A
Authority: CN
Inventors: 任洪娥; 霍东旭; 朱朦; 于鸣; 朱晓龙
Original assignee: Northeast Forestry University
Current assignee: Northeast Forestry University
Priority date: 2017-11-28
Filing date: 2017-11-28
Publication date: 2018-06-01

Abstract

基于改进Canny算法的自动获取阈值边缘检测方法包括以下步骤：利用改进的自适应中值滤波器替代传统Canny算法中的高斯滤波器进行去噪；在求幅值时，使用8个方向梯度模板计算图像梯度的幅值；通过Otsu算法自适应生成高低阈值，利用双阈值发检测和连接边缘，通过形态学方法细化边缘，得到最终的边缘图像。本发明的方法能够有效地解决传统一阶导数边缘检测方法存在的边缘短小、边缘丢失和噪声敏感等问题，检测的边缘定位精确，连续性好，能有效的抑制伪边缘同时检测出更多的边缘细节，且避免了人为手动输入阈值的问题。在原木图像检测中具有较好的实时性，可用于实时性图像分析系统之中。

Description

一种基于改进Canny的自动阈值边缘检测方法

技术领域

本发明所属技术领域是数字图像处理，对传统Canny边缘检测算法进行改进，采用自适应中值滤波去噪，运用8个方向梯度模板求梯度幅值和方向，结合Otsu方法自动得到高低阈值，提出一种改进的边缘检测方法。

背景技术

原木是木材加工和生产的重要原料，原木测量对于原木的使用有着重要的意义，利用原木图像进行原木材积的计算，其中边缘检测时必不可少的过程。边缘检测是图像理解、分析和识别领域中一个基础而又重要的课题。边缘检测的效果会直接影响图像分割和识别的性能。传统的边缘检测算子通常以一阶导数极大值点或二阶导数过零点作为候选边缘点，通过选取合适的阈值，从中提取图像边缘，具有简单、易于实现、运算速度快等特点。

但是传统的Canny算子通过人工凭经验设置高、低阈值进行边缘提取，对图像进行边缘检测时，它们的效果往往不理想，会出现不连续的边缘片段和多像素宽度的边缘。为了提高边缘图像的质量，往往还需要进行许多后期处理。许多学者提出了基于传统Canny算子改进的边缘检测算法，例如吴一全在文献1“基于NSCT和KFCM聚类的图像边缘检测方法”(华南理工大学学报(自然科学版),2015，43(5))提出一种基于非下采样变换和核模糊c-均值聚类的图像边缘检测方法，很好的提高了边缘检测的效果。弓晓虹在文献2“基于乘性梯度的医学超声图像边缘检测算法”(浙江大学学报(工学版)，2014，48(10))通过提升乘性梯度算子模板的维度，提高对弱边缘的检测能力，提高了边缘检测的准确度。许宏科在文献3“一种基于改进Canny的边缘检测算法”(红外技术，2014，36(3))中引入了四个方向模板求梯度，改善了传统算法对噪声的敏感性。但这些改进算法可能适合一些不太复杂的图像，对于纹理较多的图像可能效果不是特别理想。

发明内容

本发明为了更好地抑制噪声、正确地选取边缘检测阈值，在传统的Canny算法基础上，考虑到Canny 算子的自适应性，边缘检测精度等对图像边缘的影响，提出了一种自适应Canny边缘检测算法。对传统 Canny算法在去噪、求梯度的幅值和高低阈值选取上做了一定的改进，在一定程度上提高了边缘定位准确度以及使算法具有了一定的自适应性，把本发明应用于原木图像的边缘检测有很好的效果。

本发明设计基于Canny的自动获取阈值的边缘检测方法，主要包括以下步骤：

(1)利用自使用中值滤波器代替传统算法的高斯滤波对图像进行去噪。首先用一个合适的半径r对图像进行滤波。计算当前滤波半径像素灰度的最小值(I_min)，最大值(I_max)，中值(I_med)，判断I_med是否在 [I_min,I_max]之间，如果在则向下进行，否则扩大当前半径r继续滤波直到r等于最大滤波半径，若当前处理的像素img(i,j)在[I_min,I_max]之间，输出当前像素img(i,j)，否则输出当前滤波半径中值像素I_med。

(2)设定8个方向的梯度模板，计算梯度的幅值和方向。利用0°、90°、45°、135°、180°、225°、 270°、315°八个方向上一阶梯度模板求梯度幅值。八个方向上的一阶梯度分量G₀(x,y)、G₉₀(x,y)、 G₄₅(x,y)、G₁₃₅(x,y)、G₁₈₀(x,y)、G₂₂₅(x,y)、G₂₇₀(x,y)、G₃₁₅(x,y)可由八个一阶梯度模板分别对滤波后的图像进行卷积得到。计算出幅值方向

(3)利用Otsu方法自动获取高低阈值，设图像中灰度为i的像素数为n_i，灰度范围为[0,L-1]，则总的像素数为各灰度值出现的概率为对于p_i，有把图像中的像素用阈值T分成两类C₀和C₁，C₀由灰度值在[0,T-1]的像素组成，C₁由灰度值在[T,L-1]的像素组成。则区域C₀和C₁的概率分别为区域C₀和C₁的平均灰度分别为：其中，μ是整幅图像的平均灰度。从最小灰度值到最大灰度值遍历T，当T使方差σ²＝p₀(μ₀-μ)²+p₁(μ₁-μ)²最大时，T即为分割的最佳阈值。令Otsu获得的最佳阈值为高阈值T_h，再由低阈值为0.5T_h求得T_l。

附图说明

图1是改进Canny自动获取阈值边缘检测方法总流程图；

图2是8个方向的梯度模板，计算梯度的幅值和方向；

图3是Lina图像检测效果对比图，图3(a)为Lina原图，图3(b)为传统Canny边缘检测效果图，图3(c)是本发明改进后的Canny边缘检测效果图；

图4是cameraman图像检测效果对比图，图4(a)为cameraman原图，图4(b)为传统Canny边缘检测效果图，图4(c)是本发明改进后的Canny边缘检测效果图；

图5和图6是本发明用于原木边缘检测的效果图，其中(a)为原木图像原图，(b)为传统Canny边缘检测检测原木效果图，(c)是本发明改进后的Canny边缘检测效果图；

具体实施方式：

图1是基于Canny的自动阈值边缘检测方法流程图；本发明对于该流程各个环节的具体实施方式描述如下。

(1)首先利用自适应中值滤波器对图像进行去噪处理，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最小值(I_min)，最大值(I_max)，中值(I_med)，判断I_med是否在[I_min,I_max]之间，如果在则向下进行，否则扩大当前半径r继续滤波直到r等于最大滤波半径。若当前处理的像素img(i,j)在 [I_min,I_max]之间，输出当前像素img(i,j)，否则输出当前滤波半径中值像素I_med。

图2是8个方向的梯度模板，可以用这些模板求图像幅值和方向；

(2)设定八个方向的模板，同时利用0°、90°、45°、135°、180°、225°、270°、315°八个方向上一阶梯度模板求梯度幅值。八个方向上的一阶梯度分量G₀(x,y)、G₉₀(x,y)、G₄₅(x,y)、G₁₃₅(x,y)、 G₁₈₀(x,y)、G₂₂₅(x,y)、G₂₇₀(x,y)、G₃₁₅(x,y)可由上面八个一阶梯度模板分别对滤波后的图像进行卷积得到。

梯度幅值和梯度角度可以由八个方向一阶梯度分量求得，即P₀＝G₀(x,y)+(G₄₅(x,y)+G₁₃₅(x,y))/2 P₉₀＝G₉₀(x,y)+(G₄₅(x,y)-G₁₃₅(x,y))/2、p₁₈₀＝G₁₈₀(x,y)+(G₂₂₅(x,y)+G₃₁₅(x,y))/2、 P₂₇₀＝G₂₇₀(x,y)+(G₂₂₅(x,y)-G₃₁₅(x,y))/2，利用8个方向梯度分量求得幅值M和方向θ(x,y) 求出幅值：方向：

(3)利用Otsu方法自动获取高低阈值，设图像中灰度为i的像素数为n_i，灰度范围为[0,L-1]，则总的像素数为各灰度值出现的概率为对于p_i，有把图像中的像素用阈值T 分成两类C₀和C₁，C₀由灰度值在[0,T-1]的像素组成，C₁由灰度值在[T,L-1]的像素组成。则区域C₀和C₁的概率分别为区域C₀和C₁的平均灰度分别为：其中，μ是整幅图像的平均灰度。从最小灰度值到最大灰度值遍历T，当T使方差σ²＝p₀(μ₀-μ)²+p₁(μ₁-μ)²最大时，T即为分割的最佳阈值。令Otsu获得的最佳阈值为高阈值T_h，再由低阈值为0.5T_h求得T_l。

(4)利用得到的高低阈值，通过双阈值法连接和检测图像的边缘，最后利用形态学方法细化，得到最终图像。

图3(a)Lina原图，(b)传统Canny边缘检测效果图，(c)是改进后的边缘检测效果图；

图4(a)cameraman原图，(b)传统Canny边缘检测效果图，(c)是改进后的边缘检测效果图；图 5是利用上述边缘检测方法对图3实验图像进行边缘检测得到的最终边缘图像。

图5、图6分别都是算法对原木图像的检测结果，(a)是检测原木图像原图，(b)是传统Canny边缘检测效果图，(c)是本发明的检测结果。

从传统的Canny检测结果来看有很多的伪边缘，即使调整阈值，也很难消除伪边缘，而本文方法不但对噪声有很强的抑制能力，而且得到的边缘整洁平滑。图5和图6中，传统Canny算法检测出的边缘十分毛糙，并且检测到了许多无用的纹理，也存在明显断裂情况，本文方法检测的边缘连续性更好，去除了很多伪边缘，不但检测到了更多的边缘细节，而且边缘细节保留完整。

Claims

1.基于改进Canny的自动阈值边缘检测方法，包括以下步骤：

(1)获取图像后，利用自适应中值滤波器代替高斯滤波去除图像噪声；

(2)人为设定八个方向的梯度模板，通过0°、90°、45°、135°、180°、225°、270°、315°八个方向上一阶梯度模板求梯度幅值；

(3)利用Otsu方法获取高低阈值，使用高阈值T_h和经过非极大值抑制后的梯度幅值图像进行比较，记录边缘点，对所有的边缘点，在8邻域内迭代寻找大于低阈值T_l的点，并标记为边缘点。

2.如权利要求1所述的基于改进Canny的自动阈值边缘检测方法，其特征在于，所述步骤(1)其滤波不会模糊原图像，首先用一个合适的半径r对图像进行滤波。计算当前滤波半径像素灰度的最小值(I_min)，最大值(I_max)，中值(I_med)，判断I_med是否在[I_min,I_max]之间，如果在则向下进行，否则扩大当前半径r继续滤波直到r等于最大滤波半径，若当前处理的像素img(i,j)在[I_min,I_max]之间，输出当前像素img(i,j)，否则输出当前滤波半径中值像素I_med。

3.如权利要求1所述的基于改进Canny的自动阈值边缘检测，其特征在于，所述步骤(2)设定八个方向的模板，同时利用0°、90°、45°、135°、180°、225°、270°、315°八个方向上一阶梯度模板求梯度幅值。八个方向上的一阶梯度分量G₀(x,y)、G₉₀(x,y)、G₄₅(x,y)、G₁₃₅(x,y)、G₁₈₀(x,y)、G₂₂₅(x,y)、G₂₇₀(x,y)、G₃₁₅(x,y)可由上面八个一阶梯度模板分别对滤波后的图像进行卷积得到。

梯度幅值和梯度角度可以由八个方向一阶梯度分量求得，即P₀＝G₀(x,y)+(G₄₅(x,y)+G₁₃₅(x,y))/2P₉₀＝G₉₀(x,y)+(G₄₅(x,y)-G₁₃₅(x,y))/2、p₁₈₀＝G₁₈₀(x,y)+(G₂₂₅(x,y)+G₃₁₅(x,y))/2、P₂₇₀＝G₂₇₀(x,y)+(G₂₂₅(x,y)-G₃₁₅(x,y))/2，利用8个方向梯度分量求得幅值M和方向θ(x,y)幅值

4.如权利要求1所述的基于改进Canny的自动阈值边缘检测，其特征在于，所述步骤(3)利用Otsu方法自动获取高低阈值，设图像中灰度为i的像素数为n_i，灰度范围为[0,L-1]，则总的像素数为各灰度值出现的概率为对于p_i，有把图像中的像素用阈值T分成两类C₀和C₁，C₀由灰度值在[0,T-1]的像素组成，C₁由灰度值在[T,L-1]的像素组成。则区域C₀和C₁的概率分别为区域C₀和C₁的平均灰度分别为：其中，μ是整幅图像的平均灰度。从最小灰度值到最大灰度值遍历T，当T使方差σ²＝p₀(μ₀-μ)²+p₁(μ₁-μ)²最大时，T即为分割的最佳阈值。令Otsu获得的最佳阈值为高阈值T_h，再由低阈值为0.5T_h求得T_l。