CN108510510A - 基于梯度方向的图像边缘检测方法 - Google Patents

基于梯度方向的图像边缘检测方法 Download PDF

Info

Publication number
CN108510510A
CN108510510A CN201710101371.2A CN201710101371A CN108510510A CN 108510510 A CN108510510 A CN 108510510A CN 201710101371 A CN201710101371 A CN 201710101371A CN 108510510 A CN108510510 A CN 108510510A
Authority
CN
China
Prior art keywords
isgd
gradient direction
gradient
threshold
follows
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Withdrawn
Application number
CN201710101371.2A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanning Fujiu Information Technology Co Ltd
Original Assignee
Nanning Fujiu Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanning Fujiu Information Technology Co Ltd filed Critical Nanning Fujiu Information Technology Co Ltd
Priority to CN201710101371.2A priority Critical patent/CN108510510A/zh
Publication of CN108510510A publication Critical patent/CN108510510A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于梯度方向的图像边缘检测方法，包括以下步骤：S1：设置用于计算ISGD的阈值T，计算8个方向的梯度方向和，并确定每个像素点的；S2：计算Canny梯度，并进行非极大值抑制，将非极大值抑制确定的点集作为初始边缘点集；S3：用Canny梯度确定弱边缘候选区；S4：确定基础阈值；S5：计算与ISGD相关的权重；S6：计算与ISGD的规律性相关的权重

Description

基于梯度方向的图像边缘检测方法
技术领域
本发明具体涉及一种基于梯度方向的图像边缘检测方法。
背景技术
边缘检测是图像处理的基本问题，在图像分割、特征提取、视觉导航等领域有广泛的应用。基于微分的边缘检测算法如Sobel算子、Prewitt算子、Laplace算子和Canny算子等，因计算高效而被广泛应用。在Canny算子的基础上，研究者们做了一些有意义的改进。在Canny构架的启发下，很多研究者构造了一些新型卷积核用来检测边缘。然而微分算子对噪声、光照变化、对比度变化等因素极为敏感，虽然人们进行了一些改进，但仍没有较好地解决这个问题。有学者从频率域的角度出发，提出了相位一致性的概念。相位一致性不受灰度梯度的影响，所以能较好地抵抗光照变化与对比度变化。但是此类算法一方面计算量很大，很难应用于实时系统，另一方面对于大尺度模糊边缘不敏感，所以没有得到广泛的应用。
事实上空间域也存在一致性现象，即局部区域内的梯度方向一致性。有学者最早将局部边缘一致性的概念应用于边缘检测算法的评估，但该方法依赖于阈值筛选以后的结果，所以无法独立完成边缘检测任务。
发明内容
本发明要解决的技术问题是提供一种基于梯度方向的图像边缘检测方法。
基于梯度方向的图像边缘检测方法，包括以下步骤：
S1：设置用于计算合成梯度方向和ISGD的阈值T，计算8个方向的梯度方向和，并确定每个像素点的；
S2：计算Canny梯度，并进行非极大值抑制，将非极大值抑制确定的点集作为初始边缘点集；
S3：用Canny梯度确定弱边缘候选区；
S4：确定基础阈值；
S5：计算与ISGD相关的权重；
S6：计算与ISGD的规律性相关的权重；
S7：基础阈值乘以权重，进行阈值的自适应调节，并确定最终的边缘图。
进一步的，ISGD的计算方法如下：
1）图像区域内的灰度，其水平方向梯度值，梯度计算方法如下式：
；
2）对灰度梯度进行量化，给定点(i,j)处水平方向梯度方向计算公式为：
，
其中，T为确定是否存在梯度方向的判定阈值；
3）设计领域灰度梯度方向和，称为梯度方向和（SGD）指标，水平方向(i,j)处SGD值定义为：
；
4）设计合成梯度方向和（ISGD）指标，水平方向和竖直方向的ISGD计算方法如下：
；
；
其中，分别为右上、右下、左下方向的梯度方向和。
进一步的，的计算方法如下：
；
为8个方向的ISGD最大值，是描述梯度方向一致性的梯度方向和指标。
进一步的，所述弱边缘候选区的确定方法如下：
以像素(i,j)为中心，观察窗口长度为L范围内所有像素点的梯度幅值，如果水平或竖直方向上连续有n个点的梯度幅值小于梯度阈值，则判定该点属于弱边缘候选区；n取值为5，设为10。
进一步的，基础阈值的确定方法如下：
1）中的基础阈值取低基础阈值，非中取高基础阈值，即,
;
2) 低基础阈值取值为/2,即为5；
3）高基础阈值计算方法如下：
3-1）首先，以（i,j）为中心的的邻域内，对方向一致性好的点进行统计，并求出它们的梯度均值，计算公式如下：
；
其中，为的邻域内大于6的点的集合，表示集合中元素个数，为梯度幅值；
3-2）其次，将标识弱边缘的阈值作为最小门限，选取搞基础阈值为：
。
进一步的，计算与ISGD相关的权重如下：
，
式中，m是高斯分布的均值也是均匀分布的取值，σ为高斯分布的标准差。
进一步的，计算与ISGD的规律性相关的权重如下：
将统计区域内ISGD大于12的像素点数量与大于6的像素点数量之比叫做ISGD的降速比，用RI表示，则，
。
本发明的有益效果是：
本发明利用真实图像边缘两侧的灰度渐变性，以及边缘点周围灰度梯度的方向一致性好而非边缘点周围灰度梯度的方向一致性差的特点构造了梯度方向和(SGD)指标，并根据该指标提出一种阈值自适应的边缘检测算法。梯度方向和在有效提取边缘点的同时能较好地抑制高强噪声，该指标对光照和对比度变化有较强的鲁棒性，该方法能较好地解决兼顾弱边缘检测的同时而不引入噪声干扰的问题。
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。
基于梯度方向的图像边缘检测方法，包括以下步骤：
S1：设置用于计算合成梯度方向和ISGD的阈值T，计算8个方向的梯度方向和，并确定每个像素点的；
S2：计算Canny梯度，并进行非极大值抑制，将非极大值抑制确定的点集作为初始边缘点集；
S3：用Canny梯度确定弱边缘候选区；
S4：确定基础阈值；
S5：计算与ISGD相关的权重；
S6：计算与ISGD的规律性相关的权重；
S7：基础阈值乘以权重，进行阈值的自适应调节，并确定最终的边缘图。
ISGD的计算方法如下：
1）图像区域内的灰度，其水平方向梯度值，梯度计算方法如下式：
；
2）对灰度梯度进行量化，给定点(i,j)处水平方向梯度方向计算公式为：
，
其中，T为确定是否存在梯度方向的判定阈值；
3）设计领域灰度梯度方向和，称为梯度方向和（SGD）指标，水平方向(i,j)处SGD值定义为：
；
4）设计合成梯度方向和（ISGD）指标，水平方向和竖直方向的ISGD计算方法如下：
；
；
其中，分别为右上、右下、左下方向的梯度方向和。
的计算方法如下：
；
为8个方向的ISGD最大值，是描述梯度方向一致性的梯度方向和指标。
所述弱边缘候选区的确定方法如下：
以像素(i,j)为中心，观察窗口长度为L范围内所有像素点的梯度幅值，如果水平或竖直方向上连续有n个点的梯度幅值小于梯度阈值，则判定该点属于弱边缘候选区；n取值为5，设为10。
基础阈值的确定方法如下：
1）中的基础阈值取低基础阈值，非中取高基础阈值，即,
;
2) 低基础阈值取值为/2,即为5；
3）高基础阈值计算方法如下：
3-1）首先，以（i,j）为中心的的邻域内，对方向一致性好的点进行统计，并求出它们的梯度均值，计算公式如下：
；
其中，为的邻域内大于6的点的集合，表示集合中元素个数，为梯度幅值；
3-2）其次，将标识弱边缘的阈值作为最小门限，选取搞基础阈值为：
。
计算与ISGD相关的权重如下：
，
式中，m是高斯分布的均值也是均匀分布的取值，σ为高斯分布的标准差。
计算与ISGD的规律性相关的权重如下：
将统计区域内ISGD大于12的像素点数量与大于6的像素点数量之比叫做ISGD的降速比，用RI表示，则，
。

Claims (7)

1.基于梯度方向的图像边缘检测方法，其特征在于，包括以下步骤：
S1：设置用于计算合成梯度方向和ISGD的阈值T，计算8个方向的梯度方向和，并确定每个像素点的；
S2：计算Canny梯度，并进行非极大值抑制，将非极大值抑制确定的点集作为初始边缘点集；
S3：用Canny梯度确定弱边缘候选区；
S4：确定基础阈值；
S5：计算与ISGD相关的权重；
S6：计算与ISGD的规律性相关的权重；
S7：基础阈值乘以权重，进行阈值的自适应调节，并确定最终的边缘图。
2.根据权利要求1所述的图像边缘检测的方法，其特征在于，ISGD的计算方法如下：
1）图像区域内的灰度，其水平方向梯度值，梯度计算方法如下式：
；
2）对灰度梯度进行量化，给定点(i,j)处水平方向梯度方向计算公式为：
，
其中，T为确定是否存在梯度方向的判定阈值；
3）设计领域灰度梯度方向和，称为梯度方向和（SGD）指标，水平方向(i,j)处SGD值定义为：
；
4）设计合成梯度方向和（ISGD）指标，水平方向和竖直方向的ISGD计算方法如下：
；
；
其中，分别为右上、右下、左下方向的梯度方向和。
3.根据权利要求1所述的图像边缘检测的方法，其特征在于，的计算方法如下：
；
为8个方向的ISGD最大值，是描述梯度方向一致性的梯度方向和指标。
4.根据权利要求1所述的图像边缘检测的方法，其特征在于，所述弱边缘候选区的确定方法如下：
以像素(i,j)为中心，观察窗口长度为L范围内所有像素点的梯度幅值，如果水平或竖直方向上连续有n个点的梯度幅值小于梯度阈值，则判定该点属于弱边缘候选区；n取值为5，设为10。
5.根据权利要求1所述的图像边缘检测的方法，其特征在于，基础阈值的确定方法如下：
1）中的基础阈值取低基础阈值，非中取高基础阈值，即,
;
2) 低基础阈值取值为/2,即为5；
3）高基础阈值计算方法如下：
3-1）首先，以（i,j）为中心的的邻域内，对方向一致性好的点进行统计，并求出它们的梯度均值，计算公式如下：
；
其中，为的邻域内大于6的点的集合，表示集合中元素个数，为梯度幅值；
3-2）其次，将标识弱边缘的阈值作为最小门限，选取搞基础阈值为：
。
6.根据权利要求1所述的图像边缘检测的方法，其特征在于，计算与ISGD相关的权重如下：
，
式中，m是高斯分布的均值也是均匀分布的取值，σ为高斯分布的标准差。
7.根据权利要求1所述的图像边缘检测的方法，其特征在于，计算与ISGD的规律性相关的权重如下：
将统计区域内ISGD大于12的像素点数量与大于6的像素点数量之比叫做ISGD的降速比，用RI表示，则，
。
CN201710101371.2A 2017-02-24 2017-02-24 基于梯度方向的图像边缘检测方法 Withdrawn CN108510510A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710101371.2A CN108510510A (zh) 2017-02-24 2017-02-24 基于梯度方向的图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710101371.2A CN108510510A (zh) 2017-02-24 2017-02-24 基于梯度方向的图像边缘检测方法

Publications (1)

Publication Number Publication Date
CN108510510A true CN108510510A (zh) 2018-09-07

Family

ID=63373682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710101371.2A Withdrawn CN108510510A (zh) 2017-02-24 2017-02-24 基于梯度方向的图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN108510510A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784213A (zh) * 2018-12-27 2019-05-21 合肥工业大学 一种低成本的非极大值抑制电路结构
CN111709917A (zh) * 2020-06-01 2020-09-25 深圳市深视创新科技有限公司 基于标注的形状匹配算法
CN113643272A (zh) * 2021-08-24 2021-11-12 凌云光技术股份有限公司 一种目标定位建模方法
CN115170992A (zh) * 2022-09-07 2022-10-11 山东水发达丰再生资源有限公司 一种废钢料场散落料的图像识别方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268872A (zh) * 2014-09-25 2015-01-07 北京航空航天大学 基于一致性的边缘检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268872A (zh) * 2014-09-25 2015-01-07 北京航空航天大学 基于一致性的边缘检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李正等: "一种基于梯度方向一致性的边缘检测新算法", 《电子与信息学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784213A (zh) * 2018-12-27 2019-05-21 合肥工业大学 一种低成本的非极大值抑制电路结构
CN109784213B (zh) * 2018-12-27 2022-10-11 合肥工业大学 一种低成本的非极大值抑制电路结构
CN111709917A (zh) * 2020-06-01 2020-09-25 深圳市深视创新科技有限公司 基于标注的形状匹配算法
CN111709917B (zh) * 2020-06-01 2023-08-22 深圳市深视创新科技有限公司 基于标注的形状匹配算法
CN113643272A (zh) * 2021-08-24 2021-11-12 凌云光技术股份有限公司 一种目标定位建模方法
CN115170992A (zh) * 2022-09-07 2022-10-11 山东水发达丰再生资源有限公司 一种废钢料场散落料的图像识别方法及系统
CN115170992B (zh) * 2022-09-07 2022-12-06 山东水发达丰再生资源有限公司 一种废钢料场散落料的图像识别方法及系统

Similar Documents

Publication Publication Date Title
CN107067382A (zh) 一种改进的图像边缘检测方法
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
CN108510510A (zh) 基于梯度方向的图像边缘检测方法
CN106296600B (zh) 一种基于小波变换图像分解的对比度增强方法
CN103606132B (zh) 基于空域和时域联合滤波的多帧数字图像去噪方法
CN109410230A (zh) 一种可抗噪声的改进Canny图像边缘检测方法
Dhankhar et al. A review and research of edge detection techniques for image segmentation
CN105787902B (zh) 利用分块排序检测噪声的图像降噪方法
CN106204570B (zh) 一种基于非因果分数阶梯度算子的角点检测方法
CN108416789A (zh) 图像边缘检测方法及系统
CN103116879A (zh) 一种基于邻域加窗的非局部均值ct成像去噪方法
CN104272347B (zh) 去除包含在静止图像中的雾的图像处理装置及其方法
CN101551901B (zh) 动态遮挡图像的实时补偿和增强方法
CN109377450B (zh) 一种边缘保护的去噪方法
CN108470340A (zh) 一种改进的Sobel边缘检测算法
CN108470343A (zh) 一种改进的图像边缘检测方法
CN105869133B (zh) 一种基于非因果分数阶次微分的图像锐化方法
CN105225243B (zh) 一种可抗噪声的图像边缘检测方法
Bhadauria et al. Comparison between various edge detection methods on satellite image
CN105787912A (zh) 一种基于分类的阶跃型边缘亚像素定位方法
CN103971345A (zh) 一种基于改进双边滤波的图像去噪方法
CN106023160A (zh) 高炉料面图像边缘检测方法及装置
CN105913391B (zh) 一种基于形状可变形态学重构的去雾方法
CN104735300B (zh) 基于权重滤波的视频去噪装置及方法
Hu et al. A low illumination video enhancement algorithm based on the atmospheric physical model

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20180907