CN108665440A - 一种基于改进Sobel算子的不规则烟包图像融合边缘检测算法 - Google Patents

Abstract

本发明公开了一种基于改进Sobel算子的不规则烟包图像融合边缘检测算法，该方法包括步骤：S1，利用形态学平滑算法对不规则烟包图像进行滤波，保留边缘信息并去除噪声；S2，扩展传统Sobel算子垂直与水平两个方向的模板，增加6个方向模板，得到不规则烟包的边缘信息；S3，利用Otsu方法对阈值进行自适应设定；S4，根据改进Sobel算子、Canny算子获取的边缘检测信息进行特征融合，得到最终的融合图像。本发明可以提取更能全面表示不规则烟包的边缘特征。

Description

一种基于改进Sobel算子的不规则烟包图像融合边缘检测 算法

技术领域

本发明属于不规则烟包图像识别技术领域，特别涉及一种基于改进Sobel 算子的不规则烟包图像融合边缘检测算法。

背景技术

不规则烟包图像的边缘信息是不规则烟包图像识别的重要基础，需要对其 进行边缘信息特征提取，从而对不规则烟包图像进行基于边缘的图像分割，因 此对不规则烟包图像边缘信息检测结果的优劣尤为重要，影响着整个不规则烟 包分拣系统的性能。

不规则烟包图像的边缘检测与后续不规则烟包图像的类型识别有直接关系， 是不规则烟包图像处理与识别的基础。对实际应用场景中的不规则烟包分拣系 统，基于边缘特征信息的图像分割不仅要考虑分割效果，更要保证整个系统性 能的稳定性及鲁棒性。因此提取出最优的不规则烟包图像边缘信息特征是整个 不规则烟包分拣系统中尤为重要的处理过程，同时也是图像处理中的难点之一， 对不规则烟包图像的识别有直接影响。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种在复杂噪声环境下依然 有较好的识别，并且具有较强的鲁棒性的基于改进Sobel算子的不规则烟包图像 融合边缘检测算法。本发明的技术方案如下：

一种基于改进Sobel算子的不规则烟包图像融合边缘检测算法，其包括以下 步骤：

S1、利用形态学平滑算法对不规则烟包图像进行滤波，保留边缘信息并去 除噪声；

S2、利用Otsu方法对阈值进行自适应设定；

S3、采用改进Sobel算子得到不规则烟包的边缘信息，所述改进Sobel算子 主要是：通过扩展传统Sobel算子垂直与水平两个方向的模板，增加6个方向模 板；

S4、将根据改进Sobel算子和Canny算子边缘检测算法获取的边缘检测信 息进行特征融合，得到最终的融合图像。

进一步的，所述步骤S1形态学平滑算法对不规则烟包图像进行滤波的具体 步骤为：

S11：采用形态学中的开运算处理，设结构元素为s₁，定义开运算操作为：

式中，F不规则烟包图像的集合，表示开运算操作，s表示结构元素，Θ表示图 像F被结构元素s腐蚀，表示结构元素对图像F的膨胀。

S12：采用形态学中的闭运算处理，设结构元素为s₂，定义闭运算操作为：

式中，F不规则烟包图像的集合，·表示闭运算操作，s表示结构元素，Θ表示图 像F被结构元素s腐蚀，表示结构元素对图像F的膨胀。

进一步的，所述步骤S2，利用Otsu方法对阈值进行自适应设定，具体步骤 为：首先，得到图像的灰度直方图，然后计算目标与背景的方差，最后取方差 最大值，作为最佳阈值。

进一步的，所述步骤S3对传统Sobel算子进行扩展，增加6个方向的模板的 具体步骤为：

S31：边界是亮度级的梯度变化，边缘是梯度变化的位置，用梯度向量的大 小和方向来表述这种变化。边缘用梯度向量的大小和方向来表述这种变化。

梯度算子是一阶导数算子。图像f(x,y)在位置(i,j)的梯度定义为下列矢量：

的幅度值为：

S32：Sobel算子用水平和竖直两个方向的模板与图像f(x,y)做卷积运算，以 此近似计算(i,j)处的梯度值，可通过下列公式求解G_x和G_y的值：

f(x,y)＝max{|G_x|,|G_y|}

Gx＝f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)-f(i-1,j-1)-2f(i-1,j)-f(i-1,j+1)

Gy＝f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)-f(i-1,j-1)-2f(i,j-1)-f(i+1,j-1)

式中，G_x和G_y分别为水平方向和垂直方向的梯度值。

S33：在传统Sobel算子的基础上，增加其他六个方向的模板，分别为 45°、135°、180°、225°、270°、315°。

S34：根据上述8个方向模板，计算不同方向的权值，计算公式如下：

lng(x,y)＝-ln2[d(x,y)²-u]

ω(x,y)＝[g(x,y)]

式中，d(x,y)表示模板的元素与中心点之间的欧式距离，g(x,y)表示(x,y)处的实数权值，u表示调整系数，对g(x,y)取整得到ω(x,y)。

S35：通过步骤S24计算出模板各个点的权重，然后与目标图像相对应的像 素做卷积运算。

S36：选取在步骤S25中得到的最大值，用此最大值代替模板中心点对应的 目标图像的像素值，最后输出最大的灰度值作为所有模板中的像素输出值。

S37：设定合适的阈值T，若(i,j)处的梯度幅值则将该点定义为 边缘点。

进一步的，所述步骤根据改进Sobel算子和Canny算子获取的边缘检测信息 进行特征融合，得到最终的融合图像，具体的的步骤为：

S41：从不规则烟包图像，分别采用Sobel和Canny算子提取边缘特征参数；

S42：对所得到的图像A(x,y)，B(x,y)进行二值化处理；

S43：假定A(x,y)、B(x,y)为经过步骤S51处理的待融合图像，F(x,y)为融合 图像。设N表示融合图像总的像素个数，n_i表示图像A(x,y)，B(x,y)的像素个数， l表示融合图像的级数划分，p_i表示图像A(x,y)，B(x,y)在融合图像F(x,y)的概率， 公式如下所示：

p_i＝n_i/N

S44：A(x,y)、B(x,y)为经过步骤S51处理的待融合图像，F(x,y)为融合图像， 那么定义它们的关系式如下：

式中，ω_i(i＝1,2)为各个图像的对应的权值，不同的权值对应不同的融合结果。

S45：设定一个阈值T对权值ω_i(i＝1,2)进行计算，计算公式如下：

公式得出当时得到的边缘检测效果最好。

式中，ω₀、ω₁为图像A(x,y)和B(x,y)分别对应的权值，T表示设定的阈值，l 表示融合图像的级数划分，μ₀、μ₁和μ分别表示图像A(x,y)、B(x,y)和F(x,y)的 像素值的均值。

通过公式验证，得出当时得到的边缘检测效果最好。

S46：对M幅图像做平均，定义如下：

式中，S_j(x,y)表示待融合图像，为融合后图像的平均值，M为待融合 图像的个数。

S47：对图像A(x,y)，B(x,y)做叠加运算，得到D(x,y)，即为最终的融合图像。

本发明的优点及有益效果如下：

本发明在对不规则烟包图像进行图像分割处理时，采用了基于边缘的Sobel 图像分割方法。Sobel算子边缘检测算法具有原理简单、运算速度快的特点，但 是传统的Sobel算子对于背景复杂的图像处理效果并不是很好。基于此，本发明 提出的基于改进Sobel算子的不规则烟包图像融合边缘检测算法的创新点有：通 过利用形态学平滑算法对不规则烟包图像进行滤波，加强了Sobel算子抗噪声性 能；在传统Sobel算子水平和垂直方向的基础上，增加45°、135°、180°、225°、270°、315°六 个不同方向的模板，增加了Sobel算子处理各个方向的边缘信息的能力；根据改 进Sobel算子和Canny算子分别进行边缘检测，并将这两种算法获得的图像进行 特征融合，计算不同的权值获得最终的图像边缘检测结果，通过这种融合特征 的方法能够得到最优的融合图像。

相同的实验环境下，基于改进Sobel算子的不规则烟包图像融合边缘检测算 法，在复杂噪声环境下依然有较好的识别，并且较强的鲁棒性，能够进一步提 取出不规则烟包图像的边缘特征，在较大程度上提升了不规则烟包图像识别系 统的性能。

附图说明

图1是改进的Sobel边缘检测算法流程图；

图2是图像融合流程图；

图3是基于改进Sobel算子的不规则烟包图像融合边缘检测算法流程图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、详细地描述。所述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

图1为改进的Sobel边缘检测算法流程图，图2是图像融合流程图，图3是 基于改进Sobel算子的不规则烟包图像融合边缘检测算法流程图，如图所示：本 发明提供的是一种基于改进Sobel算子的不规则烟包图像融合边缘检测算法，包 括以下步骤：

S1，利用形态学平滑算法对不规则烟包图像进行滤波，保留边缘信息并去 除噪声；

S2，用Otsu方法对阈值进行自适应设定；

S3，采用改进Sobel算子得到不规则烟包的边缘信息，所述改进Sobel算子 主要是：通过扩展传统Sobel算子垂直与水平两个方向的模板，增加6个方向模 板；

S4，根据改进Sobel算子、Canny算子获取的边缘检测信息进行特征融合， 得到最终的融合图像。

所述的基于改进Sobel算子的不规则烟包图像融合边缘检测算法包括形态 学平滑算法对不规则烟包图像进行滤波，则其操作步骤为：

S11：采用形态学中的开运算处理，设结构元素为s₁，定义开运算操作为：

式中，F不规则烟包图像的集合，表示开运算操作，s表示结构元素，Θ表示图 像F被结构元素s腐蚀，表示结构元素对图像F的膨胀。

S12：采用形态学中的闭运算处理，设结构元素为s₂，定义闭运算操作为：

式中，F不规则烟包图像的集合，·表示闭运算操作，s表示结构元素，Θ表示图 像F被结构元素s腐蚀，表示结构元素对图像F的膨胀。

所述的基于改进Sobel算子的不规则烟包图像融合边缘检测算法包括利用 Otsu方法对阈值进行自适应设定，则其操作步骤为：

所述的基于改进Sobel算子的不规则烟包图像融合边缘检测算法包括对传 统Sobel算子进行扩展，增加6个方向的模板，则其操作步骤为：

S31：边界是亮度级的梯度变化，边缘是梯度变化的位置，用梯度向量的大 小和方向来表述这种变化。边缘用梯度向量的大小和方向来表述这种变化。

梯度算子是一阶导数算子。图像f(x,y)在位置(i,j)的梯度定义为下列矢量：

的幅度值为：

S32：Sobel算子用水平和竖直两个方向的模板与图像f(x,y)做卷积运算，以 此近似计算(i,j)处的梯度值，可通过下列公式求解G_x和G_y的值：

f(x,y)＝max{|G_x|,|G_y|}

Gx＝f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)-f(i-1,j-1)-2f(i-1,j)-f(i-1,j+1)

Gy＝f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)-f(i-1,j-1)-2f(i,j-1)-f(i+1,j-1)

式中，G_x和G_y分别为水平方向和垂直方向的梯度值。

S33：在传统Sobel算子的基础上，增加其他六个方向的模板，分别为 45°、135°、180°、225°、270°、315°。

S34：根据上述8个方向模板，计算不同方向的权值，计算公式如下：

lng(x,y)＝-ln2[d(x,y)²-u]

ω(x,y)＝[g(x,y)]

式中，d(x,y)表示模板的元素与中心点之间的欧式距离，g(x,y)表示(x,y)处的实数权值，u表示调整系数，对g(x,y)取整得到ω(x,y)。

S35：通过步骤S24计算出模板各个点的权重，然后与目标图像相对应的像 素做卷积运算。

S36：选取在步骤S25中得到的最大值，用此最大值代替模板中心点对应的 目标图像的像素值，最后输出最大的灰度值作为所有模板中的像素输出值。

S37：设定合适的阈值T，若(i,j)处的梯度幅值▽f(i,j)≥T，则将该点定义为 边缘点。

所述的基于改进Sobel算子的不规则烟包图像融合边缘检测算法，包括根据 改进Sobel算子和Canny算子获取的边缘检测信息进行特征融合，得到最终的融 合图像，则其操作步骤为：

S41：从不规则烟包图像，分别采用Sobel和Canny算子提取边缘特征参数；

S42：对所得到的图像A(x,y)，B(x,y)进行二值化处理；

S43：假定A(x,y)、B(x,y)为经过步骤S51处理的待融合图像，F(x,y)为融合 图像。设N表示融合图像总的像素个数，n_i表示图像A(x,y)，B(x,y)的像素个数， l表示融合图像的级数划分，p_i表示图像A(x,y)，B(x,y)在融合图像F(x,y)的概率， 公式如下所示：

p_i＝n_i/N

S44：A(x,y)、B(x,y)为经过步骤S51处理的待融合图像，F(x,y)为融合图像， 那么定义它们的关系式如下：

式中，ω_i(i＝1,2)为各个图像的对应的权值，不同的权值对应不同的融合结果。

S45：设定一个阈值T对权值ω_i(i＝1,2)进行计算，计算公式如下：

公式得出当时得到的边缘检测效果最好。

式中，ω₀、ω₁为图像A(x,y)和B(x,y)分别对应的权值，T表示设定的阈值，l 表示融合图像的级数划分，μ₀、μ₁和μ分别表示图像A(x,y)、B(x,y)和F(x,y)的 像素值的均值。

通过公式验证，得出当时得到的边缘检测效果最好。

S46：对M幅图像做平均，定义如下：

式中，S_j(x,y)表示待融合图像，为融合后图像的平均值，M为待融合 图像的个数。

S47：对图像A(x,y)，B(x,y)做叠加运算，得到即为最终的融合图像。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范 围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或 修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于改进Sobel算子的不规则烟包图像融合边缘检测算法，其特征在于，包括以下步骤：

S1，利用形态学平滑算法对不规则烟包图像进行滤波，保留边缘信息并去除噪声；

S2，用Otsu方法对阈值进行自适应设定；

S3，采用改进Sobel算子得到不规则烟包的边缘信息，所述改进Sobel算子主要是：通过扩展传统Sobel算子垂直与水平两个方向的模板，增加6个方向模板；

S4，根据改进Sobel算子、Canny算子获取的边缘检测信息进行特征融合，得到最终的融合图像。

2.根据权利要求1所述的基于改进Sobel算子的不规则烟包图像融合边缘检测算法，其特征在于，所述步骤S1形态学平滑算法对不规则烟包图像进行滤波的具体步骤为：

S11：采用形态学中的开运算处理，设结构元素为s₁，定义开运算操作为：

式中，F不规则烟包图像的集合，表示开运算操作，s表示结构元素，Θ表示图像F被结构元素s腐蚀，表示结构元素对图像F的膨胀；

S12：采用形态学中的闭运算处理，设结构元素为s₂，定义闭运算操作为：

式中，F表示不规则烟包图像的集合，·表示闭运算操作，s表示结构元素，Θ表示图像F被结构元素s腐蚀，表示结构元素对图像F的膨胀。

3.根据权利要求1所述的基于改进Sobel算子的不规则烟包图像融合边缘检测算法，其特征在于，所述步骤S2，利用Otsu方法对阈值进行自适应设定，具体步骤为：

首先，得到图像的灰度直方图，然后计算目标与背景的方差，最后取方差最大值，作为最佳阈值。

4.根据权利要求1所述的基于改进Sobel算子的不规则烟包图像融合边缘检测算法，其特征在于，所述步骤S3，对传统Sobel算子进行扩展，增加6个方向的模板的具体步骤为：

S31：边界是亮度级的梯度变化，边缘是梯度变化的位置，用梯度向量的大小和方向来表述这种变化。边缘用梯度向量的大小和方向来表述这种变化；

梯度算子是一阶导数算子。图像f(x,y)在位置(i,j)的梯度定义为下列矢量：

▽f的幅度值为：

S32：Sobel算子用水平和竖直两个方向的模板与图像f(x,y)做卷积运算，以此近似计算(i,j)处的梯度值，可通过下列公式求解G_x和G_y的值：

f(x,y)＝max{|G_x|,|G_y|}

Gx＝f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)-f(i-1,j-1)-2f(i-1,j)-f(i-1,j+1)

Gy＝f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)-f(i-1,j-1)-2f(i,j-1)-f(i+1,j-1)

式中，G_x和G_y分别为水平方向和垂直方向的梯度值；

S33：在传统Sobel算子的基础上，增加其他六个方向的模板，分别为45°、135°、180°、225°、270°、315°。

S34：根据上述8个方向模板，计算不同方向的权值，计算公式如下：

lng(x,y)＝-ln2[d(x,y)²-u]

ω(x,y)＝[g(x,y)]

式中，d(x,y)表示模板的元素与中心点之间的欧式距离，g(x,y)表示(x,y)处的实数权值，u表示调整系数，对g(x,y)取整得到ω(x,y)；

S35：通过步骤S24计算出模板各个点的权重，然后与目标图像相对应的像素做卷积运算；

S36：选取在步骤S25中得到的最大值，用此最大值代替模板中心点对应的目标图像的像素值，最后输出最大的灰度值作为所有模板中的像素输出值；

S37：设定合适的阈值T，若(i,j)处的梯度幅值▽f(i,j)≥T，则将该点定义为边缘点。

5.根据权利要求1所述的基于改进Sobel算子的不规则烟包图像融合边缘检测算法，其特征在于，所述步骤S4，根据改进Sobel算子和Canny算子获取的边缘检测信息进行特征融合，得到最终的融合图像，具体的的步骤为：

S41：从不规则烟包图像，分别采用Sobel和Canny算子提取边缘特征参数；

S42：对所得到的图像A(x,y)，B(x,y)进行二值化处理；

S43：假定A(x,y)、B(x,y)为经过步骤S51处理的待融合图像，F(x,y)为融合图像。设N表示融合图像总的像素个数，n_i表示图像A(x,y)，B(x,y)的像素个数，l表示融合图像的级数划分，p_i表示图像A(x,y)，B(x,y)在融合图像F(x,y)的概率，公式如下所示：

p_i＝n_i/N

S44：A(x,y)、B(x,y)为经过步骤S51处理的待融合图像，F(x,y)为融合图像，那么定义它们的关系式如下：

式中，ω_i(i＝1,2)为各个图像的对应的权值，不同的权值对应不同的融合结果。

S45：设定一个阈值T对权值ω_i(i＝1,2)进行计算，计算公式如下：

公式得出当时得到的边缘检测效果最好。

式中，ω₀、ω₁为图像A(x,y)和B(x,y)分别对应的权值，T表示设定的阈值，l表示融合图像的级数划分，μ₀、μ₁和μ分别表示图像A(x,y)、B(x,y)和F(x,y)的像素值的均值；

通过公式验证，得出当时得到的边缘检测效果最好；

S46：对M幅图像做平均，定义如下：

式中，S_j(x,y)表示待融合图像，为融合后图像的平均值，M为待融合图像的个数；

S47：对图像A(x,y)，B(x,y)做叠加运算，得到即为最终的融合图像。