CN109636822B - 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 - Google Patents

一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 Download PDF

Info

Publication number
CN109636822B
CN109636822B CN201811521855.3A CN201811521855A CN109636822B CN 109636822 B CN109636822 B CN 109636822B CN 201811521855 A CN201811521855 A CN 201811521855A CN 109636822 B CN109636822 B CN 109636822B
Authority
CN
China
Prior art keywords
edge
pixel
value
membership
image
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.)
Active
Application number
CN201811521855.3A
Other languages
English (en)
Other versions
CN109636822A (zh
Inventor
薛林
崔允浩
陈相吉
黑俊铭
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201811521855.3A priority Critical patent/CN109636822B/zh
Publication of CN109636822A publication Critical patent/CN109636822A/zh
Application granted granted Critical
Publication of CN109636822B publication Critical patent/CN109636822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20004Adaptive image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于数字图像处理技术领域,提供了一种基于新构建隶属度函数的改进Canny自适应边缘提取方法,用边缘隶属度图代替梯度图,并结合Otsu法,可以实现自适应的实时边缘提取,并能够在一定程度上有效保护弱边缘,保持边缘的连续性,有效提升了Canny算法的实际应用能力。本发明新构造一种边缘隶属度函数,用边缘隶属度图代替传统Canny边缘检测算法中的梯度图,并结合Otsu法提出一种新的自适应Canny边缘检测方法。新构造的边缘隶属度图相较于梯度图,综合考虑了中心像素本身及其与邻域像素之间的关系,对图像的信息利用更充分,从而使得边缘检测效果更为理想,在一定程度上有效保护了弱边缘,而且边缘连续性更好。

Description

一种基于新构建隶属度函数的改进Canny自适应边缘提取 方法
技术领域
本发明属于数字图像处理技术领域,特别是一种基于新构建隶属度函数的改进的Canny自适应边缘提取算法。
背景技术
边缘是数字图像中灰度变化明显的区域,包含了重要的图像特征信息,对模式识别、图像分割、立体匹配等起着关键作用,所以边缘检测成为数字图像处理及机器视觉领域的研究热点和难点。传统的边缘检测算子,如Robert、Sobel、Prewitt、LoG等抗噪能力不强,边缘检测效果不够理想。
Canny边缘检测算法鲁棒性强,定位精度高,经常应用于实际工程领域,而且由于其性能稳定,常被作为验证标准来校验新提出的边缘检测算法的性能。Canny边缘检测算法采用了滞后阈值方法,通过设定高低阈值,来保证既能检测强边缘,又能最大程度的保留弱边缘。高低阈值的选取,直接决定了Canny的边缘检测效果。但是在传统的Canny边缘检测算法中,高低阈值的选取主要靠人为通过试错的方法来手动设定,效率较低,且受人为因素干扰较大,不具备自适应性,在实际工程应用中无法自动实时地进行边缘检测。为了解决Canny算法的自适应性,在部分文献中基于Otsu法根据类间方差最大原理在梯度图的基础上来自动选取双阈值。但是,该方法得到的边缘检测效果不够理想,容易丢失弱边缘,出现边缘不连续的现象。
针对上述问题,本发明提出一种新的边缘隶属度函数,用边缘隶属度图代替传统Canny边缘检测算法中采用的梯度图,再结合Otsu法提出了一种改进的Canny自适应边缘检测算法。通过实验验证,该方法实时性强,而且能够在一定程度上有效保护弱边缘,边缘连续性较好。
发明内容
本发明的主要目的是提供一种基于新构造边缘隶属度函数的改进Canny自适应边缘提取算法,用边缘隶属度图代替梯度图,并结合Otsu法,可以实现自适应的实时边缘提取,并能够在一定程度上有效保护弱边缘,保持边缘的连续性,有效提升了Canny算法的实际应用能力。
本发明的技术方案:
一种基于新构建隶属度函数的改进Canny自适应边缘提取方法,步骤如下:
1)输入图像,并将彩色图像转化为灰度图像;
2)用高斯滤波对待处理图像进行平滑去噪,减小噪声对边缘特征的干扰;
3)用Sobel梯度算子分别在图像X方向求梯度分量Gx和Y方向求梯度分量Gy
4)基于步骤3)中的结果,用二阶范数计算梯度幅值为:
Figure GDA0002766820410000021
梯度方向为:
θ=arctant(Gy/Gx) (2)
5)综合考虑像素本身灰度值及其与周围邻域像素的关联信息,构造一种新的隶属度函数,并根据新构造的隶属度函数求边缘隶属度;
首先对每一个像素在其8邻域内,求灰度值之差再求反;其中,maxP为步骤4)中所求梯度幅值的最大值,x0为中心像素,xi为中心像素8邻域中的第i个像素;
Figure GDA0002766820410000022
进一步地,求中心像素在其8邻域范围内的方差,其中
Figure GDA0002766820410000023
为均值;
Figure GDA0002766820410000031
进一步地,构造边缘隶属度函数MF,其中,x0为中心像素,对于8位灰度图像而言,imgRange=255;
Figure GDA0002766820410000032
6)基于步骤5)得到的边缘隶属度图,进行非极大值抑制处理,进一步细化边缘;
7)对经过非极大值抑制处理后的边缘隶属度图,采用Otsu法,根据类间方差最大原理求总体阈值T,利用总体阈值T将整幅图像分成高值区和低值区两个区域,分别求两个区域内特征值的均值(μhl)和方差(σ2 h2 l),高阈值Th和低阈值Tl计算公式如下:
Th=μll (6)
Tl=μl-0.3σl (7)
8)利用步骤7)中得到的高低阈值Th和Tl,对步骤6)得到的细化的边缘隶属度图进行二值化处理。灰度值大于Th的像素为边缘点,灰度值小于Tl的像素为非边缘点。对于灰度值介于Tl和Th之间的像素,当其8邻域像素中存在灰度值为255的像素时,认为该像素为边缘点;如果不存在,则认为该像素不是边缘点。
本发明的有益效果:本发明新构造一种边缘隶属度函数,用边缘隶属度图代替传统Canny边缘检测算法中的梯度图,并结合Otsu法提出一种新的自适应Canny边缘检测方法。新构造的边缘隶属度图相较于梯度图,综合考虑了中心像素本身及其与邻域像素之间的关系,对图像的信息利用更充分,从而使得边缘检测效果更为理想,在一定程度上有效保护了弱边缘,而且边缘连续性更好。
附图说明
图1a是待检测图像a。
图1b是待检测图像b。
图2a是采用Otsu法对图像a基于隶属度图进行边缘检测。
图2b是采用Otsu法对图像a基于梯度图进行边缘检测。
图3a是采用Otsu法对图像b基于隶属度图进行边缘检测。
图3b是采用Otsu法对图像b基于梯度图进行边缘检测。
具体实施方式
为使本发明的目的、技术方案及优点描述的更加清楚,下面以Berkeley图像分割数据集中随机选取的两张数字图像为例,结合本发明实施例中的附图,对本发明中的技术方案进行完整的描述。
1)输入图像a,并将原始图像转化为灰度图。
2)对灰度图进行高斯滤波,平滑降噪。
3)基于Sobel梯度算子,采用3*3的卷积核,求水平方向梯度Gx和竖直方向梯度Gy
4)利用步骤3)中得到的结果,基于二阶范数求梯度幅值G,并计算梯度方向。
5)求边缘隶属度MF,从而将待处理图像的梯度图转化为边缘隶属度图。
Figure GDA0002766820410000041
Figure GDA0002766820410000042
Figure GDA0002766820410000043
6)对步骤5)中的结果进行非极大值抑制处理,使图像边缘得到细化。
7)基于改进Otsu法求高阈值和低阈值:
Th=μll
Tl=μl-0.3σl
8)对步骤6)中得到的细化边缘隶属度图,利用步骤7)中得到的双阈值进行二值化处理得到最终的边缘图。
9)对图像b依次按照上述步骤进行边缘检测,最终得到的边缘检测效果如图1a、1b所示。
10)用Otsu法按照步骤6)、步骤7)、步骤8)对传统的梯度图进行边缘检测,得到的边缘效果如图2a、2b所示。
11)利用Pratt边缘评价算子对两组边缘效果图进行评价,统计结果如表1所示,理想值为1。
类型 图a 图b
基于梯度图 0.544953 0.768499
基于隶属度图 0.974285 0.948403
表1 Pratt边缘评价统计结果。

Claims (1)

1.一种基于新构建隶属度函数的改进Canny自适应边缘提取方法,其特征在于,步骤如下:
1)输入图像,并将彩色图像转化为灰度图像;
2)用高斯滤波对待处理图像进行平滑去噪,减小噪声对边缘特征的干扰;
3)用Sobel梯度算子分别在图像X方向求梯度分量Gx和Y方向求梯度分量Gy
4)基于步骤3)中的结果,用二阶范数计算梯度幅值为:
Figure FDA0002766820400000011
梯度方向为:
θ=arctant(Gy/Gx) (2)
5)综合考虑像素本身灰度值及其与周围邻域像素的关联信息,构造一种新的隶属度函数,并根据新构造的隶属度函数求边缘隶属度;
首先对每一个像素在其8邻域内,求灰度值之差再求反;其中,maxP为步骤4)中所求梯度幅值的最大值,x0为中心像素,xi为中心像素8邻域中的第i个像素;
Figure FDA0002766820400000012
进一步地,求中心像素在其8邻域范围内的方差,其中
Figure FDA0002766820400000015
为均值;
Figure FDA0002766820400000013
进一步地,构造边缘隶属度函数MF,其中,x0为中心像素,对于8位灰度图像而言,imgRange=255;
Figure FDA0002766820400000014
6)基于步骤5)得到的边缘隶属度图,进行非极大值抑制处理,进一步细化边缘;
7)对经过非极大值抑制处理后的边缘隶属度图,采用Otsu法,根据类间方差最大原理求总体阈值T,利用总体阈值T将整幅图像分成高值区和低值区两个区域,分别求两个区域内特征值的均值(μhl)和方差(σ2 h2 l),高阈值Th和低阈值Tl计算公式如下:
Th=μll (6)
Tl=μl-0.3σl (7)
8)利用步骤7)中得到的高低阈值Th和Tl,对步骤6)得到的细化的边缘隶属度图进行二值化处理;灰度值大于Th的像素为边缘点,灰度值小于Tl的像素为非边缘点;对于灰度值介于Tl和Th之间的像素,当其8邻域像素中存在灰度值为255的像素时,认为该像素为边缘点;如果不存在,则认为该像素不是边缘点。
CN201811521855.3A 2018-12-13 2018-12-13 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 Active CN109636822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811521855.3A CN109636822B (zh) 2018-12-13 2018-12-13 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811521855.3A CN109636822B (zh) 2018-12-13 2018-12-13 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法

Publications (2)

Publication Number Publication Date
CN109636822A CN109636822A (zh) 2019-04-16
CN109636822B true CN109636822B (zh) 2021-03-16

Family

ID=66073470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811521855.3A Active CN109636822B (zh) 2018-12-13 2018-12-13 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法

Country Status (1)

Country Link
CN (1) CN109636822B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378866B (zh) * 2019-05-22 2021-04-06 中国水利水电科学研究院 一种基于无人机巡检的渠道衬砌破损图像识别方法
CN110245600B (zh) * 2019-06-11 2021-07-23 长安大学 自适应起始快速笔画宽度无人机道路检测方法
CN111578838A (zh) * 2020-05-25 2020-08-25 安徽工业大学 一种齿轮尺寸视觉测量装置及测量方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
CN107590501A (zh) * 2017-07-30 2018-01-16 华南理工大学 一种改进的基于Otsu的Canny自适应边缘提取方法
CN108109155A (zh) * 2017-11-28 2018-06-01 东北林业大学 一种基于改进Canny的自动阈值边缘检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106716450B (zh) * 2014-05-06 2020-05-19 河谷控股Ip有限责任公司 利用边缘向量的基于图像的特征检测

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700421A (zh) * 2015-03-27 2015-06-10 中国科学院光电技术研究所 一种基于canny的自适应阈值的边缘检测算法
CN107590501A (zh) * 2017-07-30 2018-01-16 华南理工大学 一种改进的基于Otsu的Canny自适应边缘提取方法
CN108109155A (zh) * 2017-11-28 2018-06-01 东北林业大学 一种基于改进Canny的自动阈值边缘检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《An Adaptive Thresholding algorithm of field leaf image》;Jianlun Wang,et al;《Computers and Electronics in Agriculture》;20130831;第96卷;第23-39页 *
《An Improved NMS-Based Adaptive Edge Detection Method and Its FPGA Implementation》;Enzeng Dong,et al;《Journal of Sensors》;20161231;第1-8页 *
《一种自适应阈值的Canny边缘检测算法》;唐路路;《光电工程》;20110531;第38卷(第5期);第127-132页 *
《基于Canny算法的自适应边缘检测方法》;卞桂平,等;《电子设计工程》;20170531;第25卷(第10期);第53-57页 *

Also Published As

Publication number Publication date
CN109636822A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
Kim et al. Adaptive smoothness constraints for efficient stereo matching using texture and edge information
CN111080661B (zh) 基于图像的直线检测方法、装置以及电子设备
CN107220988B (zh) 基于改进canny算子的零部件图像边缘提取方法
CN109636822B (zh) 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法
CN109658424B (zh) 一种改进的鲁棒二维otsu阈值图像分割方法
CN109377450B (zh) 一种边缘保护的去噪方法
CN105844601A (zh) 一种基于双边滤波和多尺度Retinex算法的矿井图像增强方法
CN102521836A (zh) 一种基于特定类灰度图像的边缘检测方法
CN107169979A (zh) 一种改进Canny算子的图像边缘检测方法
CN110648349A (zh) 基于背景减除和连通区域算法的焊缝缺陷分割方法
CN110298344A (zh) 一种基于机器视觉的仪表旋钮定位与检测方法
CN117764989B (zh) 一种视觉辅助的显示屏缺陷检测方法
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN110751680A (zh) 一种具有快速对齐算法的图像处理方法
CN116468641A (zh) 一种红外血管图像增强处理方法
CN111429372A (zh) 一种增强低对比度图像边缘检测效果的方法
CN111179186A (zh) 一种保护图像细节的图像去噪系统
CN105389793A (zh) 一种自动识别物体表面裂缝走向及宽度的方法
CN104751426A (zh) 基于三维块匹配变换去除高密度脉冲噪声的方法
CN113296095A (zh) 一种用于脉冲探地雷达的目标双曲线边缘提取方法
CN113837198A (zh) 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法
CN114943744A (zh) 基于局部Otsu阈值化的边缘检测方法
Xu et al. Improved Canny Edge Detection Operator
CN109389139A (zh) 一种蝗虫计数方法及装置
CN108961290B (zh) 一种基于Otsu的Ratio算子自适应图像边缘检测方法

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