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 PDFInfo
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000003708 edge detection Methods 0.000 abstract description 25
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010276 construction Methods 0.000 abstract 1
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20004—Adaptive 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
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:
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;
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;
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(μh,μl)和方差(σ2 h,σ2 l),高阈值Th和低阈值Tl计算公式如下:
Th=μl+σl (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。
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=μl+σl
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:
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;
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;
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(μh,μl)和方差(σ2 h,σ2 l),高阈值Th和低阈值Tl计算公式如下:
Th=μl+σl (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。
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)
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)
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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015171815A1 (en) * | 2014-05-06 | 2015-11-12 | Nant Holdings Ip, Llc | Image-based feature detection using edge vectors |
-
2018
- 2018-12-13 CN CN201811521855.3A patent/CN109636822B/zh active Active
Patent Citations (3)
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)
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 | |
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 | |
CN110298344A (zh) | 一种基于机器视觉的仪表旋钮定位与检测方法 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
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 | |
Kusnik et al. | On the robust technique of mixed Gaussian and impulsive noise reduction in color digital images | |
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 |