CN111027567A - 一种基于算法学习的边缘提取方法 - Google Patents

一种基于算法学习的边缘提取方法 Download PDF

Info

Publication number
CN111027567A
CN111027567A CN201911041041.4A CN201911041041A CN111027567A CN 111027567 A CN111027567 A CN 111027567A CN 201911041041 A CN201911041041 A CN 201911041041A CN 111027567 A CN111027567 A CN 111027567A
Authority
CN
China
Prior art keywords
image
edge extraction
target image
similar
method based
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.)
Pending
Application number
CN201911041041.4A
Other languages
English (en)
Inventor
林国军
董林鹭
熊兴中
陈明举
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.)
Sichuan University of Science and Engineering
Original Assignee
Sichuan University of Science and Engineering
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 Sichuan University of Science and Engineering filed Critical Sichuan University of Science and Engineering
Priority to CN201911041041.4A priority Critical patent/CN111027567A/zh
Publication of CN111027567A publication Critical patent/CN111027567A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/30Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于算法学习的边缘提取方法,涉及图像处理领域。本发明为了克服现有技术在高噪声环境下边缘提取不完整,或无法提取出图像纹理边缘信息的缺点,采取先录入目标图像的相似图像进行像素纹理匹配,依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰,并根据上述鉴别结果对目标图像进行滤波处理;然后对目标图像进行细节强化,背景弱化处理;最后计算像素梯度幅值,做非极大值抑制处理,提取边缘信息,实现了在高噪声且无先验知识情况下,能够通过算法学习对图像进行预处理,克服高噪声的影响,完整的提取出图像边缘信息,克服传统算子边缘提取不完整、不连续和缺口等问题。

Description

一种基于算法学习的边缘提取方法
技术领域
本发明涉及图像处理技术领域,特别是一种基于算法学习的边缘提取方法。
背景技术
随着人工智能的兴起,数字图像处理的应用也越来越广泛。其中,图像边缘提取直接影响图像处理结果的好坏,如人脸定位,车牌定位,文字识别等等。图像边缘提取目的,是将图像中目标信息与背景信息进行分离处理,降低实际工程的复杂度,提高信息处理效率。因此,边缘提取的研究意义巨大。
目前,对于边缘提取算法,许多学者提出了不同的方法,在图像处理过程中常用到的边缘提取算法有利用一阶偏导的Sobel算子、Prewitt算子,利用二阶偏导的Log算子,Canny算子。张宁波等人提出基于图论的边缘提取方法,将图像看作无向图,再将所有权值的均值确定为阈值。任克强等人提出融合模糊增强的改进Canny算子,通过构造分段模糊隶属度函数对高低灰度进行不同处理的方法来提取图像边缘,能有效的实现边缘细化的目的。
但目前的现有技术对于噪声较高的图像的边缘提取效果不理想,容易出现抖动、不完整、干扰过大等缺点。
发明内容
本发明的目的在于克服现有技术在高噪声环境下边缘提取不完整,或无法提取出图像纹理边缘信息的缺点,提供一种基于算法学习的边缘提取方法,通过算法学习对图像进行预处理,克服高噪声的影响。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于算法学习的边缘提取方法,包括以下步骤:
S100、录入目标图像的相似图像进行像素纹理匹配,依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰,并根据上述鉴别结果对目标图像进行滤波处理;
S200、对目标图像进行细节强化,背景弱化处理;
S300、计算像素梯度幅值,做非极大值抑制处理,提取边缘信息。
其中,对计算出的值做非极大值抑制处理,目的是细化边缘上的像素点。边缘提取的原理是对图像中相邻两个像素点的值变化较大的点,将较大值的像素点作为轮廓的边缘点,以完成边缘提取过程。
优选的,所述S100步骤包括:
S101、录入目标图像的系列相似图像,筛选出与所述目标图像最相似的图像;
S102、将相似图像R分成若干碎片,计算出相似图像各碎片的特征向量U和特征值Λ;
S103、根据特征向量U和特征值Λ数据分别匹配出所述相似图像中与所述目标图像的各部分最相似的碎片对所述目标图像进行滤波。
优选的,所述S101步骤具体为:
给出待滤波图像,将若干幅相似图像记作A=[A1,A2,···,Ak]∈Rm×n,其中,k为正整数,R表示由相似图像构成的向量矩阵,m、n分别表示矩阵的行和列,相似图像y的线性表示为:
y=Ax0+z
式中,x0表示系数向量,只有当相似图像与待滤波图像相关时x0系数才有值,其余项无关项x0系数都为零,并且z∈Rm是一个能量有界的噪声项满足||z||2<ε;为了降低待滤波图像A线性表示相似图像y∈Rm的计算复杂度,采用正则化最小二乘法化解,表达式如下:
Figure BDA0002252814950000031
式中,λ为正则化参数,x为系数向量,对式上可解析推导为:
Figure BDA0002252814950000032
式中,I表示单位矩阵,令P=(ATA+λ·I)-1AT,则可将上表达为
Figure BDA0002252814950000033
可以看出P与y无关,在给定测试样本y时,通过Py将y映射到P上求出
Figure BDA0002252814950000034
协同表示分类器的快速特性就是由P决定的;
再计算出正则化系数的残差:
Figure BDA0002252814950000035
协同表示分类器最终输出结果如下所示:
identity(y)=argmin{r(y)}
根据计算结果,相似图像与待滤波图像残差值最小的那幅图像为与待滤波图像最相似的图像。
优选的,所述S102步骤包括筛选过程,所述筛选过程加入了对角权重矩阵;其中空间形状自适应性由权重W1∈R决定,碎片相似性强度由权重W2∈R决定,满足表达式:
Figure BDA0002252814950000036
subjectto UTU=I
其中,1,2表示群稀疏度的度量,P为图像碎片;令W1=I,
Figure BDA0002252814950000037
其中,η表示归一化常数,h表示稀疏度衰变参数;最终筛选碎片的特征分解结果满足:
[U,S]=eig(PPT)
其中,U表示特征向量矩阵,S表示特征值矩阵。
优选的,所述特征向量U表示各个碎片的特征向量,满足正交条件UTU=I以及U=(u1,···,uk)∈R,其中I为单位矩阵,特征值Λ满足
Figure BDA0002252814950000041
其中S表示特征值矩阵,σ为噪声标准差;
所述特征值矩阵Λ,由各相似碎片的特征向量值λi组成,λi的表达式满足:
Figure BDA0002252814950000042
其中,p表示图像细节初始估计值,k为正整数。
优选的,所述细节强化的过程满足公式:
Figure BDA0002252814950000043
其中,x表示目标图像内的灰度值,y表示局部均匀稀疏处理后目标图像内的灰度值,M、N分别表示目标图像的行与列,L表示灰度级个数,nj表示像素占所有像素的比例,k为正整数。
优选的,所述背景弱化的过程满足
Figure BDA0002252814950000044
其中pz表示细节特征强化后的目标图像,
Figure BDA0002252814950000045
是局部均匀稀疏处理前的目标图像整体变量F(x),
Figure BDA0002252814950000046
是局部均匀稀疏处理后的目标图像整体变量F(y)。
优选的,所述像素梯度幅值M(x,y)满足
Figure BDA0002252814950000047
其极大值θ(x,y)满足
Figure BDA0002252814950000048
其中,Gx、Gy表达式如下:
Figure BDA0002252814950000049
Figure BDA00022528149500000410
pz(x,y)表示边缘提取图像中某一点像素值。
一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的方法。
与现有技术相比,本发明的有益效果:
本发明通过在滤波过程前先录入相似图像,进行算法学习,依照相似图像与目标图像相互对比,来鉴别目标图像各个像素是否属于噪声的干扰,并以此为基础进行滤波、强化细节图像以及边缘提取,实现了在高噪声且无先验知识情况下,完整提取出图像边缘信息,能够减小滤除噪声时的错误概率,最大限度的去除噪声的干扰,克服了传统算子边缘提取不完整、不连续和缺口,直接滤波不能将噪声完全去除,也避免对目标图像细节纹理造成二次污染的问题。
同时,本发明通过录入大量相似图像进行筛选从而选获得一张最相似的图的方式,极大的避免了人为选择的影响,使相似图像更加接近目标图像,满足本发明的需求。
附图说明
图1为本发明实施例1中所述的一种基于算法学习的边缘提取方法流程图。
图2为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-无噪声图像的边缘提取的效果图中的原图。
图3为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Sobel算子进行无噪声图像的边缘提取的效果图。
图4为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Robers算子进行无噪声图像的边缘提取的效果图。
图5为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Prewitt算子进行无噪声图像的边缘提取的效果图。
图6为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Log算子进行无噪声图像的边缘提取的效果图。
图7为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Canny算子进行无噪声图像的边缘提取的效果图。
图8为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用本发明的方法进行无噪声图像的边缘提取的效果图。
图9为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图3的白色虚线框标出部分放大图。
图10为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图4的白色虚线框标出部分放大图。
图11为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图5的白色虚线框标出部分放大图。
图12为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图6的白色虚线框标出部分放大图。
图13为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图7的白色虚线框标出部分放大图。
图14为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图8的白色虚线框标出部分放大图。
图15为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图3的白色实线框标出部分放大图。
图16为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图4的白色实线框标出部分放大图。
图17为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图5的白色实线框标出部分放大图。
图18为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图6的白色实线框标出部分放大图。
图19为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图7的白色实线框标出部分放大图。
图20为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验中图8的白色实线框标出部分放大图。
图21为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-二维码图像加入标准差为0.3的高斯噪声边缘提取的原图。
图22为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-二维码图像加入标准差为0.3的高斯噪声边缘提取的噪声图。
图23为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-二维码图像加入标准差为0.3的高斯噪声边缘提取的相似图。
图24为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Sobel算子进行二维码图像加入标准差为0.3的高斯噪声边缘提取的效果图。
图25为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Robers算子进行二维码图像加入标准差为0.3的高斯噪声边缘提取的效果图。
图26为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Prewitt算子进行二维码图像加入标准差为0.3的高斯噪声边缘提取的效果图。
图27为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Log算子进行二维码图像加入标准差为0.3的高斯噪声边缘提取的效果图。
图28为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Canny算子进行二维码图像加入标准差为0.3的高斯噪声边缘提取的效果图。
图29为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用本发明的方法进行二维码图像加入标准差为0.3的高斯噪声边缘提取的效果图。
图30为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-车牌图像加入标准差为0.5的高斯噪声边缘提取的原图。
图31为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-车牌图像加入标准差为0.5的高斯噪声边缘提取的噪声图。
图32为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-车牌图像加入标准差为0.5的高斯噪声边缘提取的相似图。
图33为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Sobel算子进行车牌图像加入标准差为0.5的高斯噪声边缘提取的效果图。
图34为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Robers算子进行车牌图像加入标准差为0.5的高斯噪声边缘提取的效果图。
图35为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Prewitt算子进行车牌图像加入标准差为0.5的高斯噪声边缘提取的效果图。
图36为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Log算子进行车牌图像加入标准差为0.5的高斯噪声边缘提取的效果图。
图37为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Canny算子进行车牌图像加入标准差为0.5的高斯噪声边缘提取的效果图。
图38为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用本发明的方法进行车牌图像加入标准差为0.5的高斯噪声边缘提取的效果图。
图39为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-文字图像加入标准差为0.7的高斯噪声边缘提取的原图。
图40为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-文字图像加入标准差为0.7的高斯噪声边缘提取的噪声图。
图41为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-文字图像加入标准差为0.7的高斯噪声边缘提取的相似图A。
图42为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-文字图像加入标准差为0.7的高斯噪声边缘提取的相似图B。
图43为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Sobel算子进行文字图像加入标准差为0.7的高斯噪声边缘提取的效果图。
图44为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Robers算子进行文字图像加入标准差为0.7的高斯噪声边缘提取的效果图。
图45为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Prewitt算子进行文字图像加入标准差为0.7的高斯噪声边缘提取的效果图。
图46为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Log算子进行文字图像加入标准差为0.7的高斯噪声边缘提取的效果图。
图47为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Canny算子进行文字图像加入标准差为0.7的高斯噪声边缘提取的效果图。
图48为本发明实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用本发明的方法进行文字图像加入标准差为0.7的高斯噪声边缘提取的效果图。
图49为本发明实施例3所述的一种利用了实施例1所述的一种基于算法学习的边缘提取方法的一种电子设备。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示,本发明所述的一种基于算法学习的边缘提取方法的具体流程如下:
S100.算法学习滤波过程:
将相似图像R分成若干碎片,用P1,P2,...,Pk∈R表示,设噪声建模表达式为q=p+n,p表示细节部分,n表示被污染的细节部分,本文的学习过程可以定义为:
Figure BDA0002252814950000111
其中A表示学习获得的先验知识,为保证特征分解的有效性,令A为对称矩阵,满足:A=UΛUT,其中U=(u1,···,uk)∈R表示各个碎片的特征向量,Λ=diag(λ1,···,λk)∈R表示各碎片特征值。因此,本算法学习过程,相当于找相似图像各碎片的特征向量U和特征值Λ。
由上文可知,U由碎片特征向量构成,满足正交条件UTU=I,为了保证找到与待处理图像高度相似的碎片,则需要利用U的正交性,筛选相似度高的图像碎片P=(P1,···,Pk)。
在相似碎片的筛选过程中,考虑到图像稀疏性方向会影响像素,本发明加入了对角权重矩阵,其中空间形状自适应性由权重W1∈R决定,碎片相似性强度由权重W2∈R决定,满足表达式:
Figure BDA0002252814950000121
subjectto UTU=I
式中,1,2表示群稀疏度的度量,目的是筛选出与待处理图像相似的碎片。其中为了计算简便,令W1=I。并且定义:
Figure BDA0002252814950000122
式中,η表示归一化常数,h表示稀疏度衰变参数。
最终筛选碎片的特征分解结果满足:
[U,S]=eig(PPT)
式中,U表示特征向量矩阵,S表示特征值矩阵。
估计特征值矩阵Λ,可知由各相似碎片的特征向量值λi组成,其表达式满足:
Figure BDA0002252814950000123
式中,p表示图像细节初始估计值,σ为噪声标准差。由于初始估计值的不确定性,本文利用最小化贝叶斯均值平方误差(BMSE)判断定出不同细节碎片p,表达式满足:
Figure BDA0002252814950000124
式中,条件分布f(q|p)满足高斯独立同分布,可得f(q|p)=Ν(p,σ2,I)。
先验分布f(p)是根据k个匹配碎片p1···pk的唯一性来定义的,进而获得f(p)的均值μ、协方差Σ。其表示式满足:
Figure BDA0002252814950000131
Figure BDA0002252814950000132
式中,权重ωi由W2定义,即
Figure BDA0002252814950000133
代入上式得到特征值矩阵Λ的最小贝叶斯,表达式满足:
Figure BDA0002252814950000134
最终特征值矩阵Λ表达式:
Figure BDA0002252814950000135
最后依照各碎片的特征向量U和特征值Λ数据来分别筛选出与目标图像各部分最贴近的相似碎片,并依照这些碎片来对目标图像进行滤波处理,依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰,采用这种方法能够最大限度的去除噪声的干扰,减小滤除目标图像内容的错误率,避免了直接滤波不能将噪声完全去除,同时也避免对目标图像细节纹理造成二次污染的问题。
S200.强化图像细节特征
设图像
Figure BDA0002252814950000136
是个整体变量F(x),x表示图像内的灰度值。设局部均匀稀疏处理后的图像
Figure BDA0002252814950000137
是个整体变量F(y),y表示局部均匀稀疏处理后图像内的灰度值。增强过程满足:y=T(x)。
T(x)得求解过程如下:
Figure BDA0002252814950000141
式中,T-1(y)是T(x)的反函数。对上式两边y同时求导,得到:
Figure BDA0002252814950000142
式中,
Figure BDA0002252814950000143
其中nk表示像素占所有像素的比例,M、N分别表示图像的行与列,
Figure BDA0002252814950000144
L表示灰度级个数。
代入将f(x)、f(y)的结果代入上式中,得到:
Figure BDA0002252814950000145
整理得:
Figure BDA0002252814950000146
同时对两边x积分,得到增强纹理的关系式:
Figure BDA0002252814950000147
图像细节特征强化表达式满足:
Figure BDA0002252814950000148
式中,pz表示细节特征强化后的图像。
S300.边缘提取
本发明同样需要计算出图像的像素梯度幅值和其方向值,分别用M(x,y)、θ(x,y)表示,表达式满足:
Figure BDA0002252814950000149
Figure BDA00022528149500001410
其中Gx、Gy数学表达式如下所示:
Figure BDA0002252814950000151
Figure BDA0002252814950000152
式中,pz(x,y)表示边缘提取图像中某一点像素值。
对计算出的M(x,y)值做非极大值抑制处理,目的是细化边缘上的像素点。边缘提取的原理是对图像中相邻两个像素点的值变化较大的点,作为轮廓的边缘点,完成边缘提取过程。
对比实验:
选取工程中常处理且目标与背景明确的二维码、车牌号、文字等图像作为实验对象,并用Sobel算子、Robers算子、Prewitt算子、Log算子和Canny算子与本发明在无噪声和有噪声(高斯噪声)情况下提取图像边缘信息,采用MATLAB2016a编程,以2.60GHz的英特尔处理器、内存为8GB的笔记本为平台进行实验仿真进行对比实验。
1.无噪声图像边缘提取实验
无噪声图像的边缘提取对比图如图2到图8所示,图2为本实验的原图,图3到图7分别对应Sobel算子、Robers算子、Prewitt算子、Log算子和Canny算子,从整体观察,这几种算子均无法完整提取出原图图2中心处图标,而本发明对应的图8,则能够完整地提取出该图标边缘轮廓。
本文选取图3到图8的各算子与本发明边缘提取图像,部分细节用白色虚线框和白色实线框标出,并将其放大,进行分析对比,其中白色虚线框标出部分如图9到图14所示(图9到图14分别对应Sobel算子、Robers算子、Prewitt算子、Log算子、Canny算子和本发明)、白色实线框标出部分如图15到图20所示(图15到图20分别对应Sobel算子、Robers算子、Prewitt算子、Log算子、Canny算子和本发明)。
如图9到图20所示,Sobel算子、Robers算子、Prewitt算子、Log算子提取边缘时,提取不完整,其中Robers算子提取效果最差,Canny算子与本发明提取边缘较完整,但是在转角处本发明与Canny算子都出现了抖动现象,但从抖动程度和边缘区分度分析,本发明优于Canny算子。结合整体观察和细节分析,本发明优于传统边缘提取算法。
2.噪声图像边缘提取实验
选取二维码、车牌号、文字等图像加入不同水平的高斯噪声,验证本发明抗噪声性能,其中二维码图像加入标准差为0.3的高斯噪声边缘提取效果图如图21到图29所示(图21到图29分别对应原图、噪声图、相似图、Sobel算子、Robers算子、Prewitt算子、Log算子、Canny算子和本发明),车牌图像加入标准差为0.5的高斯噪声边缘提取效果图如图30到图38所示(图30到图38分别对应原图、噪声图、相似图、Sobel算子、Robers算子、Prewitt算子、Log算子、Canny算子和本发明),文字图像加入标准差为0.7的高斯噪声边缘提取效果图如图39到图48所示(图39到图48分别对应原图、噪声图、相似图A、相似图B、Sobel算子、Robers算子、Prewitt算子、Log算子、Canny算子和本发明)。
在本实验中,本发明引入相似图像,如图23、图32、图41和图42,先使算法学习高质量图像内部纹理信息,在边缘提取时起到先验知识作用,而其他算子则直接对噪声图像进行边缘提取。
如图21到图29所示,为二维码图像加入标准偏差为0.3的高斯噪声图,目标图像如图22所示。观察图24到图29,各算子提取效果与本发明对比,从整体观察,对噪声图像中心处图标,本发明提取最完整,Canny算子提取到部分边缘信息,其他算子无法提取图标轮廓,再观察二维码纹理,Sobel算子、Robers算子和Prewitt算子无法提取出纹理轮廓,Log算子能提取大部分纹理轮廓,但抖动、残缺非常严重,Canny算子和本发明能提取出完整纹理信息。同时,本发明较Canny算子,在克服抖动问题上性能明显更优。
图30、图39分别为车牌号图像和文字,在实际中,该类图像很容易获得高质量的相似图像,因此,本文对该类图像加大了噪声污染程度,进一步凸显本发明的抗噪性能。如图31所示,是一幅被标准差偏为0.5的高斯噪声污染的车牌号图像,观察图33到图37,传统的边缘检测算子已无能为力,而本发明能够清晰地检测出车牌号的目标边缘。图39是一幅文字图像,对其加了标准偏差为0.7的高斯噪声,观察图43到图47,Sobel算子、Robers算子和Prewitt算子无法提取到文字边缘信息,Log算子和Canny算子在提取文字边缘信息的同时,将噪声边缘一同提取出来,严重干扰了图像边缘信息的识别。本发明在完整提取出文字边缘的同时,并没有受到噪声的干扰,但缺陷是部分边缘纹理出现抖动。
综合上述,本发明在无噪声且无先验知识情况下,能克服传统算子边缘提取不完整、不连续和缺口等问题,但在克服边缘抖动性能上还不够理想。在强高斯噪声污染情况下,本发明明显优于其他算子,能完整提取出图像边缘信息。因此,本发明主要实用于有相似度高可学习的同类型图像且受到强噪声污染有明确目标和背景的图像。
实施例2
本实施例与实施例1的区别在于:录入相似图像为多张,并对这多张相似图像进行筛选,进而获得一张最相似的图,其过程满足:
给出待滤波图像,将若干幅相似图像记作A=[A1,A2,···,Ak]∈Rm×n,其中,k为正整数,R表示由相似图像构成的向量矩阵,m、n分别表示矩阵的行和列,相似图像y的线性表示为:
y=Ax0+z
式中,x0表示系数向量,只有当相似图像与待滤波图像相关时x0系数才有值,其余项无关项x0系数都为零,并且z∈Rm是一个能量有界的噪声项满足||z||2<ε;为了降低待滤波图像A线性表示相似图像y∈Rm的计算复杂度,采用正则化最小二乘法化解,表达式如下:
Figure BDA0002252814950000181
式中,λ为正则化参数,x为系数向量,对式上可解析推导为:
Figure BDA0002252814950000182
式中,I表示单位矩阵,令P=(ATA+λ·I)-1AT,则可将上表达为
Figure BDA0002252814950000183
可以看出P与y无关,在给定测试样本y时,通过Py将y映射到P上求出
Figure BDA0002252814950000184
协同表示分类器的快速特性就是由P决定的;
再计算出正则化系数的残差:
Figure BDA0002252814950000185
协同表示分类器最终输出结果如下所示:
identity(y)=argmin{r(y)}
根据计算结果,相似图像与待滤波图像残差值最小的那幅图像为与待滤波图像最相似的图像。
实施例3
如图49所示,一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述实施例所述的一种基于算法学习的边缘提取方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口,用于输入输出数据;电源用于为电子设备提供电能。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于装置及电子设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但本发明不局限于上述具体实施方式,因此任何对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于算法学习的边缘提取方法,其特征在于,包括:
S100、录入目标图像的相似图像进行像素纹理匹配,依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰,并根据上述鉴别结果对目标图像进行滤波处理;
S200、对目标图像进行细节强化,背景弱化处理;
S300、计算像素梯度幅值,做非极大值抑制处理,提取边缘信息。
2.根据权利要求1所述的一种基于算法学习的边缘提取方法,其特征在于:所述S100步骤包括:
S101、录入目标图像的系列相似图像,筛选出与所述目标图像最相似的图像;
S102、将筛选出的相似图像R分成若干碎片,计算出相似图像各碎片的特征向量U和特征值Λ;
S103、根据特征向量U和特征值Λ数据分别匹配出所述相似图像中与所述目标图像的各部分最相似的碎片对所述目标图像进行滤波。
3.根据权利要求2所述的一种基于算法学习的边缘提取方法,其特征在于:所述S101步骤具体为:
给出待滤波图像,将若干幅相似图像记作A=[A1,A2,···,Ak]∈Rm×n,其中,k为正整数,R表示由相似图像构成的向量矩阵,m、n分别表示矩阵的行和列,相似图像y的线性表示为:
y=Ax0+z
式中,x0表示系数向量,z∈Rm是一个能量有界的噪声项满足||z||2<ε;采用正则化最小二乘法化解,表达式如下:
Figure FDA0002252814940000011
式中,λ为正则化参数,x为系数向量,对式上可解析推导为:
Figure FDA0002252814940000021
式中,I表示单位矩阵,令P=(ATA+λ·I)-1AT,则可将上表达为
Figure FDA0002252814940000022
可以看出P与y无关,在给定测试样本y时,通过Py将y映射到P上求出
Figure FDA0002252814940000023
协同表示分类器的快速特性就是由P决定的;
再计算出正则化系数的残差:
Figure FDA0002252814940000024
协同表示分类器最终输出结果如下所示:
identity(y)=arg min{r(y)}
根据计算结果,相似图像与待滤波图像残差值最小的那幅图像为与待滤波图像最相似的图像。
4.根据权利要求2所述的一种基于算法学习的边缘提取方法,其特征在于:所述S102步骤包括筛选过程,所述筛选过程加入了对角权重矩阵;其中空间形状自适应性由权重W1∈R决定,碎片相似性强度由权重W2∈R决定,满足表达式:
Figure FDA0002252814940000025
subjectto UTU=I
其中,1,2表示群稀疏度的度量,P为图像碎片;令W1=I,
Figure FDA0002252814940000026
其中,η表示归一化常数,h表示稀疏度衰变参数;最终筛选碎片的特征分解结果满足:
[U,S]=eig(PPT)
其中,U表示特征向量矩阵,S表示特征值矩阵。
5.根据权利要求2所述的一种基于算法学习的边缘提取方法,其特征在于:所述特征向量U表示各个碎片的特征向量,满足正交条件UTU=I以及U=(u1,···,uk)∈R,其中I为单位矩阵,特征值Λ满足
Figure FDA0002252814940000031
其中S表示特征值矩阵,σ为噪声标准差;
所述特征值矩阵Λ,由各相似碎片的特征向量值λi组成,λi的表达式满足:
Figure FDA0002252814940000032
其中,p表示图像细节初始估计值,k为正整数。
6.根据权利要求1所述的一种基于算法学习的边缘提取方法,其特征在于:所述细节强化的过程满足公式:
Figure FDA0002252814940000033
其中,x表示目标图像内的灰度值,y表示局部均匀稀疏处理后目标图像内的灰度值,M、N分别表示目标图像的行与列,L表示灰度级个数,nj表示像素占所有像素的比例,k为正整数。
7.根据权利要求6所述的一种基于算法学习的边缘提取方法,其特征在于:所述背景弱化的过程满足
Figure FDA0002252814940000034
其中pz表示细节特征强化后的目标图像,
Figure FDA0002252814940000035
是局部均匀稀疏处理前的目标图像整体变量F(x),
Figure FDA0002252814940000036
是局部均匀稀疏处理后的目标图像整体变量F(y)。
8.根据权利要求7所述的一种基于算法学习的边缘提取方法,其特征在于:所述像素梯度幅值M(x,y)满足
Figure FDA0002252814940000037
其极大值θ(x,y)满足:
Figure FDA0002252814940000038
其中,Gx、Gy表达式如下:
Figure FDA0002252814940000039
Figure FDA00022528149400000310
pz(x,y)表示边缘提取图像中某一点像素值。
9.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
CN201911041041.4A 2019-10-30 2019-10-30 一种基于算法学习的边缘提取方法 Pending CN111027567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911041041.4A CN111027567A (zh) 2019-10-30 2019-10-30 一种基于算法学习的边缘提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911041041.4A CN111027567A (zh) 2019-10-30 2019-10-30 一种基于算法学习的边缘提取方法

Publications (1)

Publication Number Publication Date
CN111027567A true CN111027567A (zh) 2020-04-17

Family

ID=70204651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911041041.4A Pending CN111027567A (zh) 2019-10-30 2019-10-30 一种基于算法学习的边缘提取方法

Country Status (1)

Country Link
CN (1) CN111027567A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667426A (zh) * 2020-06-04 2020-09-15 四川轻化工大学 一种基于频域变分的医学图像增强方法
CN111696042A (zh) * 2020-06-04 2020-09-22 四川轻化工大学 基于样本学习的图像超分辨重建方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001344565A (ja) * 2000-03-30 2001-12-14 Fujitsu Ltd 単語画像正規化装置,単語画像正規化プログラム記録媒体および単語画像正規化プログラム
CN102592267A (zh) * 2012-01-06 2012-07-18 复旦大学 基于稀疏表示的医学超声图像滤波方法
CN107220988A (zh) * 2017-04-30 2017-09-29 南京理工大学 基于改进canny算子的零部件图像边缘提取方法
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN108022233A (zh) * 2016-10-28 2018-05-11 沈阳高精数控智能技术股份有限公司 一种基于改进型Canny算子的工件边缘提取方法
CN108470343A (zh) * 2017-02-23 2018-08-31 南宁市富久信息技术有限公司 一种改进的图像边缘检测方法
CN109492587A (zh) * 2018-11-12 2019-03-19 浙江宇视科技有限公司 图像处理方法及装置
WO2019174068A1 (zh) * 2018-03-15 2019-09-19 华中科技大学 基于距离加权稀疏表达先验的图像复原与匹配一体化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001344565A (ja) * 2000-03-30 2001-12-14 Fujitsu Ltd 単語画像正規化装置,単語画像正規化プログラム記録媒体および単語画像正規化プログラム
CN102592267A (zh) * 2012-01-06 2012-07-18 复旦大学 基于稀疏表示的医学超声图像滤波方法
CN108022233A (zh) * 2016-10-28 2018-05-11 沈阳高精数控智能技术股份有限公司 一种基于改进型Canny算子的工件边缘提取方法
CN108470343A (zh) * 2017-02-23 2018-08-31 南宁市富久信息技术有限公司 一种改进的图像边缘检测方法
CN107220988A (zh) * 2017-04-30 2017-09-29 南京理工大学 基于改进canny算子的零部件图像边缘提取方法
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
WO2019174068A1 (zh) * 2018-03-15 2019-09-19 华中科技大学 基于距离加权稀疏表达先验的图像复原与匹配一体化方法
CN109492587A (zh) * 2018-11-12 2019-03-19 浙江宇视科技有限公司 图像处理方法及装置

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
BINGXIN YANG 等: "Local sparsity enhanced compressed sensing magnetic resonance imaging in uniform discrete curvelet domain", 《BMC MEDICAL IMAGING》 *
ENMING LUO 等: "Image denoising by targeted external databases", 《2014 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 *
MICHAEL ELAD 等: "Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
ZHIYUAN CHEN 等: "Aspect Extraction with Automated Prior Knowledge Learning", 《PROCEEDINGS OF THE 52ND ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS》 *
兰红 等: "基于CV模型改进的磁共振成像", 《科学技术与工程》 *
孙少超: "基于带权稀疏表示和字典学习的图像去噪模型", 《计算机科学》 *
施志刚 等: "基于改进局部协作表示的快速人脸识别算法", 《计算机工程与设计》 *
杨帆,王志陶,张华, 北京航空航天大学出版社 *
赵良军 等: "采用先验知识的边缘提取算法", 《四川师范大学学报(自然科学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667426A (zh) * 2020-06-04 2020-09-15 四川轻化工大学 一种基于频域变分的医学图像增强方法
CN111696042A (zh) * 2020-06-04 2020-09-22 四川轻化工大学 基于样本学习的图像超分辨重建方法
CN111696042B (zh) * 2020-06-04 2023-06-27 四川轻化工大学 基于样本学习的图像超分辨重建方法
CN111667426B (zh) * 2020-06-04 2023-10-13 四川轻化工大学 一种基于频域变分的医学图像增强方法

Similar Documents

Publication Publication Date Title
CN110009013B (zh) 编码器训练及表征信息提取方法和装置
Zhao et al. Detail-preserving image denoising via adaptive clustering and progressive PCA thresholding
Chen et al. A gradient-based pixel-domain attack against SVM detection of global image manipulations
CN110378924B (zh) 基于局部熵的水平集图像分割方法
CN109671029A (zh) 基于伽马范数最小化的图像去噪算法
Oszust No-reference image quality assessment using image statistics and robust feature descriptors
CN111932468A (zh) 一种基于含噪声图像分布约束的贝叶斯图像去噪方法
Tang et al. Bayesian framework with non-local and low-rank constraint for image reconstruction
CN111027567A (zh) 一种基于算法学习的边缘提取方法
CN107784284B (zh) 人脸识别方法及系统
Tangsakul et al. Single image haze removal using deep cellular automata learning
Kollem et al. Image denoising by using modified SGHP algorithm
Jin et al. An image denoising iterative approach based on total variation and weighting function
Khanna et al. Fractional derivative filter for image contrast enhancement with order prediction
Zhao et al. Natural image deblurring based on ringing artifacts removal via knowledge-driven gradient distribution priors
Fan et al. Synthesizing black-box anti-forensics deepfakes with high visual quality
Luo et al. GCA-Net: Gait contour automatic segmentation model for video gait recognition
Lionnie et al. A study on pre-processing methods for copy-move forgery detection based on SIFT
Ishida et al. Shadow detection by three shadow models with features robust to illumination changes
Lyasheva et al. Application of image weight models to increase canny contour detector resilience to interference
Zhao et al. Joint Extreme Channels-Inspired Structure Extraction and Enhanced Heavy-Tailed Priors Heuristic Kernel Estimation for Motion Deblurring of Noisy and Blurry Images
Shakenov Algorithms of background suppression in the problem of detection of point targets in images
Yin A comparative study on the method of extracting edge and contour information of multifunctional digital ship image
Yaman et al. Noise2inpaint: Learning referenceless denoising by inpainting unrolling
CN111401404B (zh) 一种适用于含噪图像的关联分析方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200417