CN109816673B - 一种非极大值抑制、动态阈值计算及图像边缘检测方法 - Google Patents

一种非极大值抑制、动态阈值计算及图像边缘检测方法 Download PDF

Info

Publication number
CN109816673B
CN109816673B CN201811610125.0A CN201811610125A CN109816673B CN 109816673 B CN109816673 B CN 109816673B CN 201811610125 A CN201811610125 A CN 201811610125A CN 109816673 B CN109816673 B CN 109816673B
Authority
CN
China
Prior art keywords
gradient
image
pixel point
point
edge
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
CN201811610125.0A
Other languages
English (en)
Other versions
CN109816673A (zh
Inventor
肖昊
范彦铭
史伟忠
孔斯叶
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.)
Hefei University of Technology
Original Assignee
Hefei 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201811610125.0A priority Critical patent/CN109816673B/zh
Publication of CN109816673A publication Critical patent/CN109816673A/zh
Application granted granted Critical
Publication of CN109816673B publication Critical patent/CN109816673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种非极大值抑制、动态阈值计算及图像边缘检测方法，所述检测方法包括高斯滤波消除原始图像中的高斯噪声，获取所述高斯滤波后所得图像每个像素点的梯度，利用所述各像素点的梯度幅值和梯度方向进行非极大值抑制处理，获得候选边缘图像，所述候选边缘图像中标记了作为候选边缘点的像素点，计算图像中目标体轮廓边缘点的动态阈值，并用所述动态阈值筛选所述候选边缘点，获得边缘图像。本发明通过比较水平方向和垂直方向的梯度幅值大小确定梯度方向，避免了梯度方向角的计算，简化了边缘检测的计算复杂度，动态阈值计算方法可有效区分图像中目标体表面纹理造成的伪边缘和目标体的轮廓边缘，为目标体识别提供了更加准确的边缘信息。

Description

一种非极大值抑制、动态阈值计算及图像边缘检测方法
技术领域
本发明涉及图像处理领域，具体涉及一种图像边缘检测方法。
背景技术
随着航天科技的持续发展，深空探测成为重要的研究方向。光学自主导航因为其独立、低成本、高可靠性、高准确度和实时性能的特点，成为深空探索的关键技术。光学自主导航利用深空探测器自带的光学传感器捕获目标星体的图像，通过星载设备的实时图像处理，提取图像中目标星体的边缘点，并利用该边缘点信息计算目标星体的质心位置，用于其轨道导航控制。因此，深空图像中星体目标的边缘检测是深空探测光学自主导航的关键技术之一。
Canny算法是一种常用的、效果较好的边缘检测算法。但在深空图像的边缘检测中，该算法无法有效区分星体轮廓边缘点和星体表面纹理边缘点，从而极大的增加了星体目标质心计算的难度和复杂度。此外，Canny算法采用双阈值去除噪声边缘点，需要计算整幅图的高、低两个阈值，使得Canny边缘检测算法计算复杂度高，在实际深空探测中，图像分辨率很高，存储整幅图所需的硬件资源较大，不利于硬件实现。
发明内容
本发明所要解决的技术问题是：针对Canny算法在图像处理应用中的不足，提出一种既能有效检测图像中目标体轮廓边缘点，又可抑制其表面纹理边缘点，同时易于硬件实现的图像边缘检测方法。
为解决上述技术问题，本发明首先提供一种应用于图像边缘检测的非极大值抑制方法，其特征在于包括如下步骤：
步骤一、根据图像的梯度图像中像素点的梯度幅值和梯度符号，将梯度方向分为对称的六个区域，六个区域划分如下：
Figure BDA0001924532190000011
其中，Gx和Gy分别是像素点(x，y)在水平方向和垂直方向的梯度，SGx、SGy分别表示Gx和Gy的符号位，XOR()表示异或运算；
步骤二、根据输入像素点的水平梯度和垂直梯度的幅值大小和符号，将输入像素点定位至所述六个区域中；
步骤三、将输入像素点的梯度幅值与所属区域中参考点的梯度幅值比较，当输入像素点的梯度幅值大于参考点的梯度幅值，则保留所述输入像素点，将其标记为候选边缘点，反之则抑制所述输入像素点。所采用的技术方案是：
本发明还提供一种应用于图像边缘检测的动态阈值的计算方法，其特征在于包括如下步骤：
步骤一、根据图像各像素点的梯度幅值计算整幅图像的梯度平均值；
步骤二、将各像素点的梯度幅值与所述梯度平均值比较，筛选出梯度幅值大于梯度平均值的像素点；
步骤三、计算筛选出的像素点的梯度幅值的平均值
Figure BDA0001924532190000021
和标准差
Figure BDA0001924532190000022
并按如下公式计算作为筛选图像边缘像素点的动态阈值T：
Figure BDA0001924532190000023
其中，Toffset为常数偏移量。
本发明进一步提供了一种图像边缘检测方法，一种图像边缘检测方法，其特征在于包括如下步骤：
步骤一、根据高斯滤波消除原始图像中的高斯噪声；
步骤二、获取所述高斯滤波后所得图像各像素点的梯度，得到梯度图像；
步骤三、利用梯度图像中各像素点的梯度幅值和梯度符号进行非极大值抑制处理，获得候选边缘图像，所述候选边缘图像中标记了作为候选边缘点的像素点；
步骤四、计算目标体轮廓边缘点的动态阈值，并用所述动态阈值筛选所述候选边缘点，获得边缘图像。
本发明有益效果：
本发明的应用于图像边缘检测的非极大值抑制方法，通过比较像素水平方向和垂直方向的梯度幅值大小确定梯度方向，避免了梯度方向角的计算，简化了计算复杂度，易于硬件电路实现；同时，本发明所述的六个方向区间的非极大值抑制方法兼顾了非极大值抑制的检测精度，在简化计算复杂度的同时，可得到较为细化的边缘检测结果。本发明的应用于图像边缘检测的动态阈值计算方法，可有效区分图像中目标体表面纹理造成的伪边缘和目标体的轮廓边缘，减少后续伪边缘去除的复杂度，为进一步的目标体识别提供了更加准确的边缘信息。同时，本发明所述的应用于图像边缘检测的动态阈值计算方法采用单阈值筛选边缘点，计算复杂度低，易于硬件电路实现。
附图说明
图1为图像边缘检测方法流程图；
图2为梯度方向划分示意图；
图3为非极大值抑制参考点示意图。
具体实施方式
实施例一
本发明的图像边缘检测方法尤其适用于既需要有效检测图像中目标体轮廓边缘点，又需要抑制目标体表面纹理边缘点的场合。本实施例以面向深空背景的星体边缘检测为例，对本发明方法进行详细说明。
如图1所示，一种面向深空背景的星体边缘检测方法，包括如下步骤：
1)对原始图像中每个像素点进行高斯平滑滤波，其中，高斯平滑滤波采用3×3卷积模板，并通过公式(1)进行高斯平滑滤波得到平滑图像g(x，y)；
Figure BDA0001924532190000031
2)根据Sobel算子获取所述高斯滤波所得图像中每个像素点的梯度，获得梯度图像，其中，Sobel算子采用3×3算子模板。假设像素点(x，y)水平方向和垂直方向的梯度分别是Gx和Gy，其计算公式如(2)所示；
Figure BDA0001924532190000032
其中A为高斯滤波后所得图像。
3)比较Gx和Gy的幅值确定梯度方向角范围。将梯度方向划分为六个区域(如图2)，区域划分的边界分别是Gy＝0，|Gx|＝2|Gy|，|Gx|＝|Gy|，|Gx|＝|Gy|/2，|Gx|＝2|Gy|，Gx＝0。根据Gx和Gy的幅值和符号，将像素点定位至六个可能的梯度方向之一。
如表1所示，当|Gx|＞2|Gy|时，方向定位在区域1内；当|Gx|＜|Gy|/2时，方向定位在区域6内；当|Gy|＜|Gx|＜2|Gy|时，通过对Gx和Gy符号位的异或运算结果来确定位于区域2还是区域3；当|Gy|/2＜|Gx|＜|Gy|时；通过对Gx和Gy符号位的异或运算结果来确定时位于区域4还是区域5。
表1方向划分和对应区域
Figure BDA0001924532190000041
4)非极大值抑制：将像素点和其临近像素点比较，只考虑像素点周围的八个临近点(如图3)。如表2所示，当输入像素点在区域1时，参考点为水平方向的临近像素点；当输入像素点在区域2时，参考点为水平方向及135°方向的临近像素点；当输入像素点在区域3时，参考点为水平方向及45°方向的临近像素点；当输入像素点在区域4时，参考点为垂直方向及135°方向的临近像素点；当输入像素点在区域5时，参考点为垂直方向及45°方向的临近像素点；当输入像素点在区域6时，参考点为垂直方向的临近像素点。只有像素点比梯度方向上临近点的梯度幅值大时，才将其标记为候选边缘点。
表2NMS值和对应区域
Figure BDA0001924532190000042
5)计算当前图像的动态阈值用于区分星体轮廓边缘点和表面纹理边缘点。假设图片上所有像素点表示为p(x，y)，计算所有像素点的梯度平均值
Figure BDA0001924532190000043
去除梯度幅值小于
Figure BDA0001924532190000044
的像素点，得到原图像的一个子集p0(x，y)，计算p0(x，y)中所有像素点的梯度平均值
Figure BDA0001924532190000051
和标准差
Figure BDA0001924532190000052
通过上述平均值
Figure BDA0001924532190000053
和标准差
Figure BDA0001924532190000054
得到动态阈值
Figure BDA0001924532190000055
其中，Toffset为常数偏移量，其值可根据实际应用中图像的成像效果和背景进行调整，以达到对图像边缘最佳的检测效果。

Claims (6)

1.一种应用于图像边缘检测的非极大值抑制方法，其特征在于包括如下步骤：
步骤一、根据图像的梯度图像中像素点的梯度幅值和梯度符号，将梯度方向分为对称的六个区域，六个区域划分如下：
Figure FDA0003833777330000011
其中，Gx和Gy分别是像素点(x，y)在水平方向和垂直方向的梯度，
Figure FDA0003833777330000012
分别表示Gx和Gy的符号位，XOR()表示异或运算；
步骤二、根据输入像素点的水平梯度和垂直梯度的幅值大小和符号，将输入像素点定位至所述六个区域中；
步骤三、将输入像素点的梯度幅值与所属区域中参考点的梯度幅值比较，当输入像素点的梯度幅值大于参考点的梯度幅值，则保留所述输入像素点，将其标记为候选边缘点，反之则抑制所述输入像素点。
2.根据权利要求1所述的非极大值抑制方法，其特征在于当输入像素点在区域1时，参考点为水平方向的临近像素点；当输入像素点在区域2时，参考点为水平方向及135°方向的临近像素点；当输入像素点在区域3时，参考点为水平方向及45°方向的临近像素点；当输入像素点在区域4时，参考点为垂直方向及135°方向的临近像素点；当输入像素点在区域5时，参考点为垂直方向及45°方向的临近像素点；当输入像素点在区域6时，参考点为垂直方向的临近像素点。
3.一种图像边缘检测方法，其特征在于包括如下步骤：
步骤一、根据高斯滤波消除原始图像中的高斯噪声；
步骤二、获取所述高斯滤波后所得图像各像素点的梯度，得到梯度图像；
步骤三、利用梯度图像中各像素点的梯度幅值和梯度符号进行非极大值抑制处理，获得候选边缘图像，所述候选边缘图像中标记了作为候选边缘点的像素点；
步骤四、计算目标体轮廓边缘点的动态阈值，并用所述动态阈值筛选所述候选边缘点，获得边缘图像；
其中，利用梯度图像中各像素点的梯度幅值和梯度符号进行非极大值抑制处理包括如下步骤：
步骤一、根据梯度图像中像素点的梯度幅值和梯度符号，将梯度方向分为对称的六个区域，六个区域划分如下：
Figure FDA0003833777330000021
其中，Gx和Gy分别是像素点(x，y)在水平方向和垂直方向的梯度，
Figure FDA0003833777330000022
分别表示Gx和Gy的符号位，XOR()表示异或运算；
步骤二、根据输入像素点的水平梯度和垂直梯度的幅值大小和符号，将输入像素点定位至所述六个区域中；
步骤三、将输入像素点的梯度幅值与所属区域中参考点的梯度幅值比较，当输入像素点的梯度幅值大于参考点的梯度幅值，则保留所述输入像素点，将其标记为候选边缘点，反之则抑制所述输入像素点。
4.根据权利要求3所述的图像边缘检测方法，其特征在于高斯滤波采用3×3的卷积模板。
5.根据权利要求3所述的图像边缘检测方法，其特征在于根据Sobel算子获取所述高斯滤波后所得图像每个像素点的梯度，按公式(2)进行Sobel卷积计算
Figure FDA0003833777330000023
其中Gx为像素点(x，y)在水平方向的梯度，Gy为像素点(x，y)在垂直方向的梯度，A为高斯滤波后所得图像。
6.根据权利要求3所述的图像边缘检测方法，其特征在于，所述图像轮廓边缘点的动态阈值的计算方法如下：
步骤一、根据图像各像素点的梯度幅值计算整幅图像的梯度平均值；
步骤二、将各像素点的梯度幅值与所述梯度平均值比较，筛选出梯度幅值大于梯度平均值的像素点；
步骤三、计算筛选出的像素点的梯度幅值的平均值
Figure FDA0003833777330000031
和标准差
Figure FDA0003833777330000032
并按如下公式计算作为筛选图像边缘像素点的动态阈值T：
Figure FDA0003833777330000033
其中，Toffset为常数偏移量。
CN201811610125.0A 2018-12-27 2018-12-27 一种非极大值抑制、动态阈值计算及图像边缘检测方法 Active CN109816673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811610125.0A CN109816673B (zh) 2018-12-27 2018-12-27 一种非极大值抑制、动态阈值计算及图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811610125.0A CN109816673B (zh) 2018-12-27 2018-12-27 一种非极大值抑制、动态阈值计算及图像边缘检测方法

Publications (2)

Publication Number Publication Date
CN109816673A CN109816673A (zh) 2019-05-28
CN109816673B true CN109816673B (zh) 2022-11-01

Family

ID=66602830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811610125.0A Active CN109816673B (zh) 2018-12-27 2018-12-27 一种非极大值抑制、动态阈值计算及图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN109816673B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490889B (zh) * 2019-08-12 2023-05-09 中电科技（合肥）博微信息发展有限责任公司 一种基于边缘检测的雷达目标提取方法
CN110796675A (zh) * 2019-10-29 2020-02-14 成都市景鸿科技有限公司 一种混合外区抑制与贝叶斯模型的轮廓检测方法
CN110930423B (zh) * 2019-11-26 2023-07-14 广州敏视数码科技有限公司 一种物体边缘特征识别提取方法
CN111323766B (zh) * 2020-04-13 2022-02-11 中国科学院声学研究所东海研究站 一种舰船尾流声呐图像处理方法
CN111723821A (zh) * 2020-06-11 2020-09-29 上海电力大学 一种电厂仪表图像的检测识别方法及装置
CN111951216B (zh) * 2020-07-02 2023-08-01 杭州电子科技大学 基于计算机视觉的脊柱冠状面平衡参数自动测量方法
CN111968143A (zh) * 2020-07-22 2020-11-20 中国人民解放军国防科技大学 基于关联成像的边缘图像提取方法及系统
CN111988611B (zh) * 2020-07-24 2024-03-05 北京达佳互联信息技术有限公司 量化偏移信息的确定方法、图像编码方法、装置及电子设备
CN111932624B (zh) * 2020-08-13 2023-08-18 秦皇岛燕大滨沅科技发展有限公司 一种基于坡度图像分割的安息角检测方法
CN113296095B (zh) * 2021-05-21 2023-12-22 东南大学 一种用于脉冲探地雷达的目标双曲线边缘提取方法
CN113658153B (zh) * 2021-08-24 2024-01-26 凌云光技术股份有限公司 一种轮廓数据特征点检测方法及装置
CN115731253A (zh) * 2022-11-16 2023-03-03 刘梓航 一种图像边缘提取方法、系统、设备及介质
CN116580031B (zh) * 2023-07-13 2023-09-29 山东勇嘉包装科技股份有限公司 一种无溶剂复合印刷异常检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101841642A (zh) * 2010-04-22 2010-09-22 南京航空航天大学 一种基于分数阶次信号处理的边缘检测方法
CN108416789A (zh) * 2018-06-04 2018-08-17 武汉斑马快跑科技有限公司 图像边缘检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG155797A1 (en) * 2008-03-20 2009-10-29 St Microelectronics Asia System and process for image rescaling with edge adaptive phase control in interpolation process

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101841642A (zh) * 2010-04-22 2010-09-22 南京航空航天大学 一种基于分数阶次信号处理的边缘检测方法
CN108416789A (zh) * 2018-06-04 2018-08-17 武汉斑马快跑科技有限公司 图像边缘检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于梯度直方图的焊缝边缘检测方法;胡金等;《电焊机》;20150420(第04期);全文 *
融合数学形态学滤波技术的边缘检测算法;李东兴等;《山东理工大学学报(自然科学版)》;20180918(第06期);全文 *

Also Published As

Publication number Publication date
CN109816673A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN109816673B (zh) 一种非极大值抑制、动态阈值计算及图像边缘检测方法
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN109035276B (zh) 一种图像边缘提取方法、装置及自动驾驶系统
JP7297018B2 (ja) ビジョンシステムでラインを検出するためのシステム及び方法
Ahmed Comparative study among Sobel, Prewitt and Canny edge detection operators used in image processing
US11443437B2 (en) Vibe-based three-dimensional sonar point cloud image segmentation method
JP5699788B2 (ja) スクリーン領域検知方法及びシステム
CN107301661A (zh) 基于边缘点特征的高分辨率遥感图像配准方法
CN108256394A (zh) 一种基于轮廓梯度的目标跟踪方法
CN104899888B (zh) 一种基于Legendre矩的图像亚像素边缘检测方法
CN110349207A (zh) 一种复杂环境下的视觉定位方法
CN110245600B (zh) 自适应起始快速笔画宽度无人机道路检测方法
Dobson et al. Fast, large-scale, particle image velocimetry-based estimations of river surface velocity
WO2018072333A1 (zh) 一种元件错件检测方法和装置
JP2023120281A (ja) ビジョンシステムでラインを検出するためのシステム及び方法
CN107564006B (zh) 一种利用Hough变换的圆形目标检测方法
CN114627080B (zh) 基于计算机视觉的车辆冲压配件缺陷检测方法
CN109060290A (zh) 基于视频和亚像素技术对风洞密度场进行测量的方法
JP5548212B2 (ja) 横断歩道標示検出方法および横断歩道標示検出装置
Wu et al. A self-adaptive correction method for perspective distortions of image
Zhang et al. A new algorithm for accurate and automatic chessboard corner detection
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN105869108B (zh) 一种用于动平台移动目标侦测中的图像配准方法
Pan et al. An efficient method for skew correction of license plate
CN103473753A (zh) 一种基于多尺度小波阈值去噪的目标检测方法

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