CN111199235A - 一种图像边缘提取方法 - Google Patents

Abstract

本发明提供一种图像边缘提取方法。所述图像边缘提取方法包括以下步骤：S1：采用量子遗传算法来进行图像全局分割的预处理；S2：利用量子衍生的中值滤波方法对原图像进行去噪；S3：利用量子边缘检测算子对去噪后的图像进行边缘检测，得到边缘灰度图；S4：对边缘灰度图进行二值化提取，得到二值化边缘图。本发明提供的图像边缘提取方法具有改善了原量子衍生边缘提取算法边缘连接性差的缺点，增强了图像的边缘细节，使得用量子理论的方法提取遥感图像边缘较传统方法更有优势的优点。

Description

一种图像边缘提取方法

技术领域

本发明涉及建筑技术领域，尤其涉及一种图像边缘提取方法。

背景技术

因为提取一幅图像的边缘是后续图像分割，目标识别以及三维重建等操作的预处理过程，所以精确地进行边缘检测就显得格外重要了。传统的边缘提取算子如sobel算子、laplace算子以及canny算子等处理遥感图像的边缘时效果都不尽理想，然而近几年来有不少学者都想尝试用新的方法来处理遥感图像的边缘，比如：基于小波变换的方法、基于形态学的方法以及神经网络的方法等。

基于量子衍生的方法是指借用量子力学的一些基本原理来改进传统算法的一种新的方法。2007年，谢可夫、许悟生等人基于量子力学、量子信息等理论与概念，提出了量子衍生形态学边缘检测，该方法具有检测噪声污染图像的优点，但不如普通图像边缘检测优越。2013年，艾金根等人提取出了基于量子指针的灰度图像处理方法。2016年，S.Abdel-Khalek等人提出基于量子熵的图像边缘检测算法,通过计算图像的量子熵，来确定图像分割阈值并提取图像边缘。2018年，北京中科院遥感所的毕思文教授带领其团队进行量子遥感图像数据处理方面的研究，其中在量子遥感图像数据边缘提取算法方面的研究也颇有建树。

因为原量子遥感图像数据边缘提取算法存在着边缘连接性差等方面的缺陷，所以本文先对原遥感图像进行全局的阈值分割，锐化图像的边缘，然后进行边缘的二值化提取。仿真实验结果显示，本文算法对比于原算法改善了边缘连接性差的缺点，增强了图像的边缘细节，使得用量子理论的方法提取遥感图像边缘较传统方法更有优势。

因此，有必要提供一种新的图像边缘提取方法解决上述技术问题。

发明内容

本发明解决的技术问题是提供一种改善了边缘连接性差的缺点，增强了图像的边缘细节，使得用量子理论的方法提取遥感图像边缘较传统方法更有优势的图像边缘提取方法。

为解决上述技术问题，本发明提供的图像边缘提取方法包括以下步骤：

S1：采用量子遗传算法来进行图像全局分割的预处理；

S2：利用量子衍生的中值滤波方法对原图像进行去噪；

S3：利用量子边缘检测算子对去噪后的图像进行边缘检测，得到边缘灰度图；

S4：对边缘灰度图进行二值化提取，得到二值化边缘图。

与相关技术相比较，本发明提供的图像边缘提取方法具有如下有益效果：

本发明提供一种图像边缘提取方法，通过先对原遥感图像进行全局的阈值分割，锐化图像的边缘，然后进行边缘的二值化提取，可以有效的解决原量子遥感图像数据边缘提取算法存在着边缘连接性差等方面的缺陷，通过仿真实验，结果显示本文算法对比于原算法改善了边缘连接性差的缺点，增强了图像的边缘细节，使得用量子理论的方法提取遥感图像边缘较传统方法更有优势。

附图说明

图1为本发明提供的图像边缘提取方法的边缘分解矢量图；

图2为本发明提供的图像边缘提取方法的遥感地貌图像的实验结果图；

图3为本发明提供的图像边缘提取方法的街道拍摄图像的实验结果图。

具体实施方式

下面结合附图和实施方式对本发明作进一步说明。

请结合参阅图1、图2和图3，其中，图1为本发明提供的图像边缘提取方法的边缘分解矢量图；图2为本发明提供的图像边缘提取方法的遥感地貌图像的实验结果图；图3为本发明提供的图像边缘提取方法的街道拍摄图像的实验结果图。图像边缘提取方法包括以下步骤：

S1：采用量子遗传算法来进行图像全局分割的预处理；

S2：利用量子衍生的中值滤波方法对原图像进行去噪；

S3：利用量子边缘检测算子对去噪后的图像进行边缘检测，得到边缘灰度图；

S4：对边缘灰度图进行二值化提取，得到二值化边缘图。

1、图像的多阈值全局分割：

因为阈值法分简单明了，且特别适用于图像的整体分割，所以方法采用它来进行图像的全局分割，由于遥感图像纹理复杂，边界模糊等特点，采用多阈值的分割方法，然而从一幅图像中寻找多个阈值也不是一件容易的事，本方法采用量子遗传算法来进行遥感图像的多阈值全局分割。

2、量子遗传算法：

2.1量子染色体：

有一个生物种群Q，种群的个体数为pop_num,现在假设该种群的每一个个体都只有一条染色体。众所周知，一条染色体上只有一个DNA分子，而一个DNA分子里有多个基因。如果用一个量子比特来表示DNA分子上的一个基因，那么我们就可以用量子比特编码的方式来表示这一条染色体：

如上所述称为量子染色体编码，每一纵列称为一个量子比特基因，第i个量子比特基因可以由量子基态|0>和|1>和它们的概率幅[ai,bi]来表示，i＝1,2,......,n。例如：有一个三量子位的系统(假设第一行表示基态|0>的概率幅,第二行表示基态|1>的概率幅)：

那么该量子系统可以这样表示：

上式结果表明，系统中|001>,|011>,|101>,|111>四种基态出现的概率分别为1/8，1/8，3/8，3/8，该量子系统可以同时表示四种状态信息，对该染色体中的任意基因操作会同时作用于所有可能的状态。随着|a|2趋近于0或|b|2趋近于1，量子染色体会收敛到某一确定的单一态。

2.2量子变异：

生物在繁衍后代的过程中都会发生遗传和变异，某些优良的变异会导致生物的进化。基因突变是指在生物细胞的分裂过程中某些特殊因素导致染色体上的某些基因发生变异的过程。由于基因突变出现了不同的基因，所以产生了新的染色体，从而使该生物表现出了新的性状，随着自然选择，拥有该性状的个体就生存下来了。在量子遗传算法中，染色体变异可以通过量子旋转门[12]来实现，利用最优个体的染色体信息来引导染色体进化，提高算法的收敛性，常见的量子旋转门公式定义如下：

其中θ表示量子旋转门的旋转变异角度，其大小和方向根据人为控制而进行。量子旋转变异操作为：

其中[a b]′为基因的量子比特矢量表示。量子旋转变异操作的目的是实现状态间的转移，使算法更快的收敛。

3、用QGA实现多阈值全局分割的算法步骤：

(1)、初始化进化代数t和种群pop_qt，设置最大进化的代数t_max和灾变条件d_max。

(2)、初始化全局最优多阈值向量opt_vec和对应的最大适应度值变量max_adapt。

(3)、通过随机数引擎和pop_qt中每一个个体的某一条基因链来随机生成pop_binstr,它的每一个元素类似一个二进制串，然后通过线性变换函数生成pop_pt，其每个元素为一个多阈值向量vec。

(4)、根据适应度函数来评价pop_pt，先找出适应度值最大的vec，即为当代最优的vec，然后将其适应度值与max_adapt进行比较，最后更新opt_vec和max_adapt；

(5)、令t＝t+1，并通过量子旋转门U(t)来更新pop_qt，这一步的目的是不断生成具有更大适应度值的染色体，并且最终达到收敛；

(6)、将当前代适应度值最小的量子染色体替换成适应度值最大的量子染色体；

(7)、如果连续d_max代都没有出现更大适应度值的vec，说明该种群发生了灾变，需要重新初始化pop_qt；

(8)、判断终止条件，如果满足以下两个条件:

①相邻两代的平均种群适应度值差异小于很小的某个值,

②遗传进化的代数大于t_max,

则输出当代的最优个体,即对应最优的多阈值解。

4、量子边缘提取算法：

4.1、图像的叠加态关联分解：

假设有一个3*3的卷积窗，经过归一化后，中间的像素值为f(x,y),其临近的像素如下表所示的3*3的卷积窗：

fx-1,y-1	fx,y-1	fx+1,y-1
			fx-1,y	fx,y	fx+1,y
fx-1,y+1	fx,y+1	fx-1,y+1

假设有一个3量子位的量子系统，每一个量子位都是一个像素比特，则按照上表所示可以得出如下公式：

参阅图1，如果以每一个态矢|i>对应的8个系数wi的平方和分别作为模板的中心像素值,我们就可以得出原图分解后的8个特征子图。现在以lena图像为例，通过观察并对比每一幅子图，可以看出：态矢量含“1”越多，子图轮廓越清晰，所以图(a)的轮廓最清晰，也最接近于原图。以图(h)为例，其态矢为

它表示水平方向上图像出现黑白白的概率，此值可以反映原图位置(x,y)处出现灰度正跳变的概率。

4.2、量子衍生中值滤波：

因为图像中的椒盐噪声对本文边缘检测的影响较大，所以在做边缘提取之前需要进行中值滤波，为了获得更好的效果，本文借鉴量子衍生中值滤波[11]的方法，利用公式(4)和公式(5)对公式(3)进行量子Hadamard门操作：

然后再对新态矢H|f_x,y>进行测量，就可以得到|0>的概率为：

由式(11)可以看出，当图像中该点为黑点或者白点时，此式的等号才能成立。在0和1之间的任何一个数值都会使此式的值大于0.5。可以利用此式并结合条件中值滤波去除遥感图像中的椒盐噪声。

4.3、量子边缘检测算法：

图1中态矢|110>、|011>、|100>、|001>对应的4副子图(d)、(h)、(g)、(e)存在着灰度边缘的变化，我们定义|110>和|100>两个态矢表示图像灰度值的反跳变，|011>和|001>两个态矢表示图像灰度值的正跳变。在此，我们将构成跳变的态矢中的两个量子位进行取反操作，得到对应的反态矢，如态矢|110>的反态矢是|101>，他们的概率差正好反映了该处发生灰度跳变的可能性大小，即图像边缘的可能性大小。水平方向的四个态矢正反跳变的概率分别为：

正跳变：

|w₀₁₁|²-|w₁₀₁|²＝(f_x,y-f_x-1,y)*f_x+1,y

|w₀₀₁|²-|w₀₁₀|²＝(f_x+1,y-f_x,y)*(1-f_x-1,y) (9)

负跳变：

|w₁₁₀|²-|w₁₀₁|²＝(f_x,y-f_x+1,y)*f_x-1,y

|w₁₀₀|²-|w₀₁₀|²＝(f_x-1,y-f_x,y)*(1-f_x+1,y) (10)

这里不妨用两个正态矢或者反态矢的算术平均值来作为灰度发生剧变的概率：

现考虑水平和垂直两个方向，水平方向取0°、45°、135°，垂直方向上取90°、45°、135°，并考虑到中心像素点与邻近像素点的距离对中心像素值的影响，水平方向上的0°和垂直方向上的90°乘以权值

因此，我们可以得到水平方向上的检测算子为：

6个方向，一共12组算子，其中6个水平模板构成了水平方向上的边缘检测算子，6个垂直模板构成了垂直方向上的边缘检测算子。本文提出，在水平方向上分别取正负2个方向算子的平均值的的最大值作为水平检测分量G_x，在垂直方向上分别取正负2个方向算子的平均值的的最大值作为垂直检测分量G_y，即

最后，取水平检测分量与垂直检测分量的梯度绝对值之和作为最终的边缘检测结果，即

G(x,y)＝|G_X|+|G_y| (15)

最后，本文借用canny算子非极大值抑制的思想对以上的灰度边缘图进行二值化提取，可以得到二值化边缘图。

5、优越性验证：

为了验证本文算法相对于原量子衍生算法的优越性，在Visual Studio 2013的测试环境下选取几组有代表性的图像进行边缘提取的仿真实验，并将这些结果与传统的边缘检测Canny算子和原量子衍生算法进行主观和客观的对比。主观方法主要是肉眼直接观察图像边缘提取质量的好与坏，客观方法主要是用一些典型的边缘提取评价指标来对处理后的图像进行测量，然后来对比其值的手段。本文采用基于连通域的边缘评价方法，方法是统计整幅图像的边缘点个数EdgeNum，4连通域个数(C4)与8连通域个数(C8)以及它们之间的比值(C8/C4)，比值越小，则说明边缘的线性连接度越好，漏检和错检的概率就越小。

5.1、遥感地貌图像性：

参阅图2，对比以上三幅图片可以看出，图2中图(c)和图(d)要比图(b)更能检测出精细的边缘结构，比如图中左下角陆地内部的房屋和树木以及图中右半部分连接到陆地内部的高架桥，图(b)都粘连到一块去了，而图(c)和图(d)都还能看到一些绿色植被的轮廓和桥体的边缘。然而在边缘的连通性方面，图(c)要逊色于图(b)和图(d),比如图中中间部分的码头和驶向海面的快艇，图(c)连接的不好，图(b)和图(d)中那些物体的边缘都连接的很好。总的说来，本文的方法要优于原传统Canny算法和原量子衍生方法；

上表第一组遥感边缘图实验结果，由上表可知，Canny算法的边缘点个数是最少的，原量子衍生方法次之，本文的方法最多，说明本文方法能够更加精细的检测出物体的边缘结构，这与肉眼的视觉效果是一致的。对于两类联通域个数的比值而言，本文方法较原量子衍生方法优化了该评价指标，说明本文改善了原方法边缘连接性较传统方法较差的问题。

5.2、街道拍摄图像

参阅图3，对比仿真后的三幅图不难看出，本文的方法和原量子衍生的方法要优于传统的Canny算法，Canny算法对于一些精细物体的结构并没有检测出来，比如右上角的屋檐瓦片和天空中的白云。对比于原量子衍生的方法，本文方法更好的连接了某些物体的边缘，例如最底部左边一个女孩头发的轮廓以及右下角一束照射到地面的阳光。然而，本文方法的不足之处是，对于噪声点很敏感以致于检测了一些原本不存在的边缘，例如图中的右上角有一些零零散散的边缘点，可以说出现了轻微的空心粉效应。

上表为第二组街景边缘图实验结果，通过上表进一步验证了本文算法不仅能够检测出物体边缘的精细结构，而且更好的连接了边缘点，这与遥感地貌图像性的实验结果是一致的。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (1)

1.一种图像边缘提取方法，其特征在于，包括以下步骤：

S1：采用量子遗传算法来进行图像全局分割的预处理；

S2：利用量子衍生的中值滤波方法对原图像进行去噪；

S3：利用量子边缘检测算子对去噪后的图像进行边缘检测，得到边缘灰度图；

S4：对边缘灰度图进行二值化提取，得到二值化边缘图。

Images