CN108961290A - 一种基于Otsu的Ratio算子自适应图像边缘检测方法 - Google Patents
一种基于Otsu的Ratio算子自适应图像边缘检测方法 Download PDFInfo
- Publication number
- CN108961290A CN108961290A CN201810794829.1A CN201810794829A CN108961290A CN 108961290 A CN108961290 A CN 108961290A CN 201810794829 A CN201810794829 A CN 201810794829A CN 108961290 A CN108961290 A CN 108961290A
- Authority
- CN
- China
- Prior art keywords
- ratio
- image
- pixel
- value
- otsu
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于Otsu的Ratio算子自适应图像边缘检测方法,包括以下步骤:(1)获取图像,将其转化为灰度图;(2)对灰度图进行高斯滤波去除图像噪声;(3)设定四个方向的Ratio算子滑动检测模板,分别为0°、90°、180°、270°,使用这四个滑动模板计算得到图像像素点的Ratio值;(4)利用Otsu方法自动获取像素点Ratio值的阈值;(5)进行非极大值抑制,对图像二值化。本发明通过Otsu自动得到Ratio算子的阈值,无需人工手动不断尝试,结合非极大值抑制,准确实时地完成自适应图像边缘检测。
Description
技术领域:
本发明涉及数字图像处理领域,具体涉及一种基于Otsu的Ratio算子自适应图像边缘检测方法。
背景技术:
图像的边缘是指图像中区域属性突变的地方,是一个区域和另一个区域交接的边界,包含着丰富的信息。边缘检测技术对于数字图像处理是非常重要的,提取出边缘能将目标和背景区分开来。
Ratio算子一种利用中间区域和两边相邻区域灰度平均值的比值来进行边缘检测的方法,通过平均值平滑噪声对边缘检测的干扰,并用均值代替差分,对噪声的抑制效果比较优秀。Ratio算子在SAR图像中应用比较广泛。但是传统的Ratio算子在进行边缘检测时,需要通过人工凭借经验手动设置阈值,对待检测的图像通过不断的试凑得到合适的阈值,一旦图像发生变化,都需要再次不停地手动设置,直至得到理想的图像边缘,这种算法耗费大量时间,效率低下,不利于后续的图像处理。
Otsu又叫做最大类间方差法,是一种基于最小二乘法的图像处理算法,该方法首先将图像的直方图中某一灰度作为阈值,然后将图像中的像素点划分为两组,然后分别计算每一组的方差,当两组方差之间的差值最大时,将这个灰度值作为全局阈值,将灰度图像中灰度值小于该阈值的像素点置0,灰度值大于该阈值的像素点置1。
发明内容:
针对上述问题,本发明提供一种基于Otsu的Ratio算子自适应图像边缘检测方法,能够克服人工手动不断尝试得到阈值的缺陷,结合非极大值抑制,准确实时地完成自适应图像边缘检测。
为了实现本发明之目的,拟采用以下技术方案:一种基于Otsu的Ratio算子自适应边缘检测方法,包括以下步骤:
(1)获取图像,将其转化为灰度图;
(2)对灰度图进行高斯滤波去除图像噪声;
(3)设定四个方向的Ratio算子滑动检测模板,分别为0°、90°、180°、270°,使用这四个滑动模板计算得到图像像素点的Ratio值;
(4)利用Otsu方法自动获取像素点Ratio值的阈值;
(5)进行非极大值抑制,对图像二值化。
本方案中所述步骤(3)设定四个方向的Ratio算子滑动检测模板,分别为0°、90°、180°、270°,模板的尺寸是5×5或者是7×7,取中心像素点为待检测点,分别用这四个滑动模板对此待检测点计算,即计算模板两侧不重叠区域内各10个或者是21个像素点的灰度均值U1和U2,定义函数为R=floor((1-min(U1/U2,U2/U1))·100),取这四个滑动模板计算所得的最大值Rmax作为此待检测点的Ratio值。
进一步地,所述步骤(4)利用Otsu方法自动获取像素点Ratio值的阈值,具体为:对所有的图像像素点Ratio值统计,Ratio值为i的像素点个数为ni,最小的Ratio值为nmin,最大的Ratio值为nmax,图像中一共有N个像素点,即每个Ratio值的概率为Pi=ni/N,从(nmin,nmax)中选取k,把所有的Ratio值划分为两个区域[nmin,k]和[k+1,nmax],两个区域的像素数占总像素数的比例分别为两个区域的Ratio均值分别为图像所有像素点的Ratio均值为定义类间方差σ2=W1(U1-U)+W2(U2-U),遍历(nmin,nmax),选出使类间方差σ2最大的k作为阈值。
进一步地,所述步骤(5)具体为:在步骤(2)中像素点Ratio值最终采用的模板方向作为此像素点的方向,比较此像素点左右各两个像素点,即一共四个像素点,如果此像素点Ratio值大于这四个像素点Ratio值,则此像素点置1,否则此像素点置0。
相比现有技术,本发明通过Otsu最大类间方差法自动得到阈值,无需人工手动不断尝试,结合非极大值抑制,准确实时地完成自适应图像边缘检测。
附图说明:
图1为本发明整体流程图。
图2为本发明所使用的四个方向的Ratio算子滑动检测模板图。
图3为本发明所使用的已转化灰度图的学生宿舍图。
图4为本发明用于学生宿舍的效果图。
具体实施方式:
下面通过具体实施例对本发明的目的作进一步详细地描述,实施例不能在此一一赘述,但本发明的实施方式并不因此限定于以下实施例。
本发明的整体流程如图1所示,一种基于Otsu的Ratio算子自适应边缘检测方法,具体包括以下步骤:
(1)获取图像,将其转化为灰度图。
(2)对灰度图进行高斯滤波去除图像噪声。
(3)设定四个方向的Ratio算子滑动检测模板,分别为0°、90°、180°、270°,如图2所示,模板的尺寸是5×5或者是7×7,取中心像素点为待检测点,分别用这四个滑动模板对此待检测点计算,即计算模板两侧不重叠区域内各10个或者是21个像素点的灰度均值U1和U2,定义函数为R=floor((1-min(U1/U2,Ux/U1))·100),取这四个滑动模板计算所得的最大值Rmax作为此待检测点的Ratio值。
(4)利用Otsu方法自动获取像素点Ratio值的阈值,具体为:对所有的图像像素点Ratio值统计,Ratio值为i的像素点个数为ni,最小的Ratio值为nmin,最大的Ratio值为nmax,图像中一共有N个像素点,即每个Ratio值的概率为Pi=ni/N,从(nmin,nmax)中选取k,把所有的Ratio值划分为两个区域[nmin,k]和[k+1,nmax],两个区域的像素数占总像素数的比例分别为两个区域的Ratio均值分别为图像所有像素点的Ratio均值为定义类间方差σ2=W1(U1-U)+W2(U2-U),遍历(nmin,nmax),选出使类间方差σ2最大的k作为阈值。
(5)进行非极大值抑制,对图像二值化,具体为:在步骤(2)中像素点Ratio值最终采用的模板方向作为此像素点的方向,比较此像素点左右各两个像素点,即一共四个像素点,如果此像素点Ratio值大于这四个像素点Ratio值,则此像素点置1,否则此像素点置0。
通过本实施例上述5个步骤,可最终实现Ratio算子自适应图像边缘检测,图3为本发明所使用的已转化灰度图的学生宿舍图,图4为本发明用于学生宿舍的边缘检测效果图,本发明通过Otsu最大类间方差法自动得到阈值,无需人工手动不断尝试,结合非极大值抑制,准确实时地完成自适应图像边缘检测。
Claims (4)
1.一种基于Otsu的Ratio算子自适应图像边缘检测方法,其特征在于,包括以下步骤:
(1)获取图像,将其转化为灰度图;
(2)对灰度图进行高斯滤波去除图像噪声;
(3)设定四个方向的Ratio算子滑动检测模板,分别为0°、90°、180°、270°,使用这四个滑动模板计算得到图像像素点的Ratio值;
(4)利用Otsu方法自动获取像素点Ratio值的阈值;
(5)进行非极大值抑制,对图像二值化。
2.根据权利要求1所述的一种基于Otsu的Ratio算子自适应图像边缘检测方法,其特征在于,所述步骤(3)设定四个方向的Ratio算子滑动检测模板,分别为0°、90°、180°、270°,模板的尺寸是5×5或者是7×7,取中心像素点为待检测点,分别用这四个滑动模板对此待检测点计算,即计算模板两侧不重叠区域内各10个或者是21个像素点的灰度均值U1和U2,定义函数为R=floor((1-min(U1/U2,U2/U1))·100),取这四个滑动模板计算所得的最大值Rmax作为此待检测点的Ratio值。
3.根据权利要求1所述的一种基于Otsu的Ratio算子自适应图像边缘检测方法,其特征在于,所述步骤(4)利用Otsu方法自动获取像素点Ratio值的阈值,具体为:对所有的图像像素点Ratio值统计,Ratio值为i的像素点个数为ni,最小的Ratio值为nmin,最大的Ratio值为nmax,图像中一共有N个像素点,即每个Ratio值的概率为Pi=ni/N,从(nmin,nmax)中选取k,把所有的Ratio值划分为两个区域[nmin,k]和[k+1,nmax],两个区域的像素数占总像素数的比例分别为两个区域的Ratio均值分别为图像所有像素点的Ratio均值为定义类间方差σ2=W1(U1-U)+W2(U2-U),遍历(nmin,nmax),选出使类间方差σ2最大的k作为阈值。
4.根据权利要求1所述的一种基于Otsu的Ratio算子自适应图像边缘检测方法,其特征在于,所述步骤(5)进行非极大值抑制,对图像二值化,具体为:在步骤(2)中像素点Ratio值最终采用的模板方向作为此像素点的方向,比较此像素点左右各两个像素点,即一共四个像素点,如果此像素点Ratio值大于这四个像素点Ratio值,则此像素点置1,否则此像素点置0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810794829.1A CN108961290B (zh) | 2018-07-10 | 2018-07-10 | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810794829.1A CN108961290B (zh) | 2018-07-10 | 2018-07-10 | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108961290A true CN108961290A (zh) | 2018-12-07 |
CN108961290B CN108961290B (zh) | 2021-06-15 |
Family
ID=64497457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810794829.1A Active CN108961290B (zh) | 2018-07-10 | 2018-07-10 | 一种基于Otsu的Ratio算子自适应图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961290B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782471A (zh) * | 2019-10-16 | 2020-02-11 | 中国矿业大学 | 一种多尺度sar图像边缘检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6078688A (en) * | 1996-08-23 | 2000-06-20 | Nec Research Institute, Inc. | Method for image segmentation by minimizing the ratio between the exterior boundary cost and the cost of the enclosed region |
US20060090456A1 (en) * | 2004-10-28 | 2006-05-04 | Mitsubishi Denki Kabushiki Kaisha | Control apparatus for an internal combustion engine |
CN102096921A (zh) * | 2011-01-10 | 2011-06-15 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
CN103065307A (zh) * | 2012-12-25 | 2013-04-24 | 上海交通大学 | 非精确配准下sar/spot图像的区域融合检测方法 |
CN107945199A (zh) * | 2017-10-26 | 2018-04-20 | 国网山东省电力公司菏泽供电公司 | 基于蝙蝠算法和大津算法的红外图像分割方法及系统 |
-
2018
- 2018-07-10 CN CN201810794829.1A patent/CN108961290B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6078688A (en) * | 1996-08-23 | 2000-06-20 | Nec Research Institute, Inc. | Method for image segmentation by minimizing the ratio between the exterior boundary cost and the cost of the enclosed region |
US20060090456A1 (en) * | 2004-10-28 | 2006-05-04 | Mitsubishi Denki Kabushiki Kaisha | Control apparatus for an internal combustion engine |
CN102096921A (zh) * | 2011-01-10 | 2011-06-15 | 西安电子科技大学 | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 |
CN103065307A (zh) * | 2012-12-25 | 2013-04-24 | 上海交通大学 | 非精确配准下sar/spot图像的区域融合检测方法 |
CN107945199A (zh) * | 2017-10-26 | 2018-04-20 | 国网山东省电力公司菏泽供电公司 | 基于蝙蝠算法和大津算法的红外图像分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
MENGXING HUANG ET AL.: "An Improved Image Segmentation Algorithm Based on the Otsu Method", 《2012 13TH ACIS INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING,ARTIFICIAL INTELLIGENCE,NETWORKING AND PARALLEL/DISTRIBUTED COMPUTING》 * |
YAJUN YANG ET AL.: "A kind of segmentation method of linear structures for medical images", 《第35届中国控制会议》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782471A (zh) * | 2019-10-16 | 2020-02-11 | 中国矿业大学 | 一种多尺度sar图像边缘检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108961290B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN101127908B (zh) | 引入全局特征分类的视频图像运动处理方法及其实现装置 | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN104156951B (zh) | 一种针对支气管肺泡灌洗液涂片的白细胞检测方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN108921800A (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
CN108491784A (zh) | 面向大型直播场景的单人特写实时识别与自动截图方法 | |
CN109064418B (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
CN104036521A (zh) | 一种新的视网膜眼底图像分割方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN114299275A (zh) | 一种基于霍夫变换的车牌倾斜校正方法 | |
CN103955949A (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN102306307B (zh) | 一种彩色显微图像序列中固点噪声的定位方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN108470343A (zh) | 一种改进的图像边缘检测方法 | |
CN110298344A (zh) | 一种基于机器视觉的仪表旋钮定位与检测方法 | |
CN112669304B (zh) | 一种基于数字图像处理技术的花粉检测方法 | |
CN116721099B (zh) | 一种基于聚类的肝脏ct影像的图像分割方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN106651831B (zh) | 一种竹块缺陷检测方法和系统 | |
CN106600615B (zh) | 一种图像边缘检测算法评价系统及方法 |
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 |