CN108470343A - 一种改进的图像边缘检测方法 - Google Patents
一种改进的图像边缘检测方法 Download PDFInfo
- Publication number
- CN108470343A CN108470343A CN201710100373.XA CN201710100373A CN108470343A CN 108470343 A CN108470343 A CN 108470343A CN 201710100373 A CN201710100373 A CN 201710100373A CN 108470343 A CN108470343 A CN 108470343A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- value
- threshold
- class
- 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.)
- Withdrawn
Links
Abstract
本发明公开了一种改进的图像边缘检测方法,包括以下步骤:S1:采用自适应平滑滤波平滑输入图像;S2:借鉴Sobel算子的一阶梯度模板,并将其扩展为水平、垂直、45°和135°四个方向上一阶梯度模板,分别对滤波后的图像进行卷积得到四个方向上的一阶梯度分量、、和
Description
技术领域
本发明具体涉及一种改进的图像边缘检测方法。
背景技术
图像边缘是指周围像素灰度值有阶跃变化或屋顶变化的像素点集合,反映了图像灰度的不连续性。边缘检测的实质是采用某种算法提取图像中目标与背景之间的边界线,通常可以由一阶梯度最大值或者二阶导数过零点检测得到图像边缘。常用的一阶梯度算子有Roberts、Prewitt、Sobel;基于二阶导数过零点检测的边缘检测算子中最具代表性的是由Marr和Hildreth提出的LoG算子。这些算子都是局域窗口梯度算子,优点是计算量较小,但在一定程度上丢失了一些边缘信息,检测效果不理想。
JohnCanny的Canny算子是一种含有最优化思想的算子,它具有较大的信噪比和较高的检测精度,所以被广泛地应用。但是其高斯函数的方差和高低阈值的选择都是人工设定,自适应能力较差;而且它计算梯度使用的是2×2邻域内的有限差分均值,对噪声比较敏感。
发明内容
本发明要解决的技术问题是提供一种改进的图像边缘检测方法。
一种改进的图像边缘检测方法,包括以下步骤:
S1:采用自适应平滑滤波平滑输入图像;
S2:借鉴Sobel算子的一阶梯度模板,并将其扩展为水平、垂直、45°和135°四个方向上一阶梯度模板,分别对滤波后的图像进行卷积得到四个方向上的一阶梯度分量、、和,求得梯度幅值和梯度角度;
S3:利用Otsu算法求取阈值,结合连接分析方法确定图像最终的边缘。
进一步的,自适应平滑滤波的具体步骤如下:
1)设f(x,y)为输入图像,则梯度分量、由以下公式确定:
;
;
2)模板系数由以下公式确定:
;
其中,k取值为10;
3)使用以下公式对图像进行加权平均:
。
进一步的,梯度幅值和梯度角度的求取方法如下:
;
。
进一步的,利用Otsu算法求取阈值的具体步骤如下:
1)假设表示大小为的图像中的L个不同的灰度级,表示灰度级为i的像素级,则存在以下关系:
;
2)图像归一化的直方图分量,假设选择一个阈值k,,并使用它把输入图像处理为两类和,其中由图像中灰度值在范围内的所有像素组成,由灰度值在范围内所有像素组成;由阈值k,像素被分到类中的概率由以下公式给出:
;
同理,类发生的概率为:
;
3)分配到类的像素的平均灰度值为:
;
同理,分配到类的像素的平均灰度值为:;
4)直至灰度级k的累加均值为:
;
整个图像的平均灰度为:
;
5)求类间方差为:
;
最佳阈值即时类间方差最大时的k值,记为k=,满足;若使得取最大值时的k值不唯一,则用类间方差取最大值时所有k值的平均值作为最佳阈值;
6)令Otsu获得的最佳阈值为高阈值,再由高阈值为低阈值的两倍这一关系求得低阈值。
本发明的有益效果是:
本发明对传统Canny边缘检测算法其进行了改进,首先使用自适应平滑滤波代替原算法中的高斯滤波,这样一方面解决了高斯函数的方差需要人工设定的缺陷,另一方面在滤波图像的过程中锐化了图像边缘,对最终的边缘提取有着积极作用;然后使用水平、垂直、45°和135°四个方向模板计算图像梯度,降低了噪声敏感度,提高了边缘定位精度;在非最大值抑制步骤后,引入Otsu算法,根据图像灰度信息自适应地生成高、低阈值,避免了人为设定阈值的难题。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
一种改进的图像边缘检测方法,包括以下步骤:
S1:采用自适应平滑滤波平滑输入图像;
S2:借鉴Sobel算子的一阶梯度模板,并将其扩展为水平、垂直、45°和135°四个方向上一阶梯度模板,分别对滤波后的图像进行卷积得到四个方向上的一阶梯度分量、、和,求得梯度幅值和梯度角度;
S3:利用Otsu算法求取阈值,结合连接分析方法确定图像最终的边缘。
自适应平滑滤波的具体步骤如下:
1)设f(x,y)为输入图像,则梯度分量、由以下公式确定:
;
;
2)模板系数由以下公式确定:
;
其中,k取值为10;
3)使用以下公式对图像进行加权平均:
。
梯度幅值和梯度角度的求取方法如下:
;
。
利用Otsu算法求取阈值的具体步骤如下:
1)假设表示大小为的图像中的L个不同的灰度级,表示灰度级为i的像素级,则存在以下关系:
;
2)图像归一化的直方图分量,假设选择一个阈值k,,并使用它把输入图像处理为两类和,其中由图像中灰度值在范围内的所有像素组成,由灰度值在范围内所有像素组成;由阈值k,像素被分到类中的概率由以下公式给出:
;
同理,类发生的概率为:
;
3)分配到类的像素的平均灰度值为:
;
同理,分配到类的像素的平均灰度值为:;
4)直至灰度级k的累加均值为:
;
整个图像的平均灰度为:
;
5)求类间方差为:
;
最佳阈值即时类间方差最大时的k值,记为k=,满足;若使得取最大值时的k值不唯一,则用类间方差取最大值时所有k值的平均值作为最佳阈值;
6)令Otsu获得的最佳阈值为高阈值,再由高阈值为低阈值的两倍这一关系求得低阈值。
Claims (4)
1.一种改进的图像边缘检测方法,其特征在于,包括以下步骤:
S1:采用自适应平滑滤波平滑输入图像;
S2:借鉴Sobel算子的一阶梯度模板,并将其扩展为水平、垂直、45°和135°四个方向上一阶梯度模板,分别对滤波后的图像进行卷积得到四个方向上的一阶梯度分量、、和,求得梯度幅值和梯度角度;
S3:利用Otsu算法求取阈值,结合连接分析方法确定图像最终的边缘。
2.根据权利要求1所述的图像边缘检测方法,其特征在于,自适应平滑滤波的具体步骤如下:
1)设f(x,y)为输入图像,则梯度分量、由以下公式确定:
;
;
2)模板系数由以下公式确定:
;
其中,k取值为10;
3)使用以下公式对图像进行加权平均:
。
3.根据权利要求1所述的图像边缘检测方法,其特征在于,梯度幅值和梯度角度的求取方法如下:
;
。
4.根据权利要求1所述的图像边缘检测方法,其特征在于,利用Otsu算法求取阈值的具体步骤如下:
1)假设表示大小为的图像中的L个不同的灰度级,表示灰度级为i的像素级,则存在以下关系:
;
2)图像归一化的直方图分量,假设选择一个阈值k,,并使用它把输入图像处理为两类和,其中由图像中灰度值在范围内的所有像素组成,由灰度值在范围内所有像素组成;由阈值k,像素被分到类中的概率由以下公式给出:
;
同理,类发生的概率为:
;
3)分配到类的像素的平均灰度值为:
;
同理,分配到类的像素的平均灰度值为:;
4)直至灰度级k的累加均值为:
;
整个图像的平均灰度为:
;
5)求类间方差为:
;
最佳阈值即时类间方差最大时的k值,记为k=,满足;若使得取最大值时的k值不唯一,则用类间方差取最大值时所有k值的平均值作为最佳阈值;
6)令Otsu获得的最佳阈值为高阈值,再由高阈值为低阈值的两倍这一关系求得低阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710100373.XA CN108470343A (zh) | 2017-02-23 | 2017-02-23 | 一种改进的图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710100373.XA CN108470343A (zh) | 2017-02-23 | 2017-02-23 | 一种改进的图像边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108470343A true CN108470343A (zh) | 2018-08-31 |
Family
ID=63266690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710100373.XA Withdrawn CN108470343A (zh) | 2017-02-23 | 2017-02-23 | 一种改进的图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470343A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961049A (zh) * | 2019-03-27 | 2019-07-02 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
CN110084101A (zh) * | 2019-03-14 | 2019-08-02 | 广东技术师范大学 | 一种人体体前屈图像的检测方法及设备 |
CN110728692A (zh) * | 2019-10-29 | 2020-01-24 | 中国计量大学 | 一种基于Scharr算子改进的图像边缘检测方法 |
CN110853065A (zh) * | 2019-10-21 | 2020-02-28 | 天津大学 | 一种应用于光电跟踪系统的边缘提取方法 |
CN111027567A (zh) * | 2019-10-30 | 2020-04-17 | 四川轻化工大学 | 一种基于算法学习的边缘提取方法 |
CN111127498A (zh) * | 2019-12-12 | 2020-05-08 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
CN112435235A (zh) * | 2020-11-23 | 2021-03-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
CN113132705A (zh) * | 2021-04-20 | 2021-07-16 | Oppo广东移动通信有限公司 | 图像色边的校正方法、校正装置、电子设备及存储介质 |
CN114627030A (zh) * | 2022-05-13 | 2022-06-14 | 深圳深知未来智能有限公司 | 一种自适应的图像锐化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436644A (zh) * | 2011-11-02 | 2012-05-02 | 南京物联网研究院发展有限公司 | 基于自适应边缘配准的非结构化道路检测方法 |
CN103544695A (zh) * | 2013-09-28 | 2014-01-29 | 大连理工大学 | 一种高效的基于博弈框架的医学图像分割方法 |
WO2014102428A1 (es) * | 2012-12-26 | 2014-07-03 | Universidad De Almeria | Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares |
-
2017
- 2017-02-23 CN CN201710100373.XA patent/CN108470343A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436644A (zh) * | 2011-11-02 | 2012-05-02 | 南京物联网研究院发展有限公司 | 基于自适应边缘配准的非结构化道路检测方法 |
WO2014102428A1 (es) * | 2012-12-26 | 2014-07-03 | Universidad De Almeria | Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares |
CN103544695A (zh) * | 2013-09-28 | 2014-01-29 | 大连理工大学 | 一种高效的基于博弈框架的医学图像分割方法 |
Non-Patent Citations (1)
Title |
---|
许宏科,秦严严,陈会茹: "《一种基于改进 Canny 的边缘检测算法》", 《红外技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084101A (zh) * | 2019-03-14 | 2019-08-02 | 广东技术师范大学 | 一种人体体前屈图像的检测方法及设备 |
CN109961049A (zh) * | 2019-03-27 | 2019-07-02 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
CN109961049B (zh) * | 2019-03-27 | 2022-04-26 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
CN110853065A (zh) * | 2019-10-21 | 2020-02-28 | 天津大学 | 一种应用于光电跟踪系统的边缘提取方法 |
CN110728692A (zh) * | 2019-10-29 | 2020-01-24 | 中国计量大学 | 一种基于Scharr算子改进的图像边缘检测方法 |
CN111027567A (zh) * | 2019-10-30 | 2020-04-17 | 四川轻化工大学 | 一种基于算法学习的边缘提取方法 |
CN111127498A (zh) * | 2019-12-12 | 2020-05-08 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
CN112435235A (zh) * | 2020-11-23 | 2021-03-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
CN112435235B (zh) * | 2020-11-23 | 2024-02-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
CN113132705A (zh) * | 2021-04-20 | 2021-07-16 | Oppo广东移动通信有限公司 | 图像色边的校正方法、校正装置、电子设备及存储介质 |
CN114627030A (zh) * | 2022-05-13 | 2022-06-14 | 深圳深知未来智能有限公司 | 一种自适应的图像锐化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470343A (zh) | 一种改进的图像边缘检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN107067382A (zh) | 一种改进的图像边缘检测方法 | |
CN108830832B (zh) | 一种基于机器视觉的塑料筒表面缺陷检测方法 | |
CN105787902B (zh) | 利用分块排序检测噪声的图像降噪方法 | |
CN104200442B (zh) | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 | |
WO2016206087A1 (zh) | 一种低照度图像处理方法和装置 | |
CN106934768B (zh) | 一种图像去噪的方法及装置 | |
CN106446905B (zh) | 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法 | |
TWI393073B (zh) | 影像雜訊濾除方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN109584198B (zh) | 一种人脸图像质量评价方法、装置及计算机可读存储介质 | |
CN101079149A (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 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
Zhang et al. | Decision-based non-local means filter for removing impulse noise from digital images | |
CN109325498B (zh) | 基于窗口动态阈值改进Canny算子的叶脉提取方法 | |
CN109003233B (zh) | 一种基于自适应权重全变分模型的图像去噪方法 | |
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN109325421B (zh) | 一种基于边缘检测的睫毛去除方法及系统 | |
CN110909631A (zh) | 一种手指静脉图像roi提取和增强方法 | |
CN107170002B (zh) | 一种图像自动对焦方法和设备 | |
CN115439523A (zh) | 一种半导体器件引脚尺寸检测方法、设备及存储介质 | |
CN108765477A (zh) | 一种基于最优化的Kinect深度图修复方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180831 |
|
WW01 | Invention patent application withdrawn after publication |