CN111223050A - 一种实时图像边缘检测算法 - Google Patents
一种实时图像边缘检测算法 Download PDFInfo
- Publication number
- CN111223050A CN111223050A CN201811432598.6A CN201811432598A CN111223050A CN 111223050 A CN111223050 A CN 111223050A CN 201811432598 A CN201811432598 A CN 201811432598A CN 111223050 A CN111223050 A CN 111223050A
- Authority
- CN
- China
- Prior art keywords
- edge
- real
- pixel
- threshold
- time 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.)
- Pending
Links
- 238000003708 edge detection Methods 0.000 title claims abstract description 33
- 230000015654 memory Effects 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000000630 rising effect Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 1
- 230000005764 inhibitory process Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明目的是为了增加边缘检测算法的功能,打破已有检测算法不能实时处理图像的局限性。本发明提出了一种实时图像边缘检测算法,具有以下步骤:包括步骤:根据实时图像灰度数据及已处理的图像灰度数据进行计算进而设置短时记忆阈值及双阈值;依据短时记忆阈值对实时图像数据进行预处理消除部分背景干扰;根据双阈值对于预处理后的图像进行边缘检测。该算法具有实时性,效率高,适应性强,能根据图像背景特征进行自适应阈值设置,能有效解决很多背景复杂的图像。
Description
技术领域
本发明专利涉及图像处理技术领域,尤其涉及一种实时图像边缘检测算法。
背景技术
边缘检测是图像处理的重要技术之一。边缘检测是定位边缘像素的过程,已有的边缘检测算法包括canny边缘检测算法,sobel边缘检测算法等等,这些已有的边缘检测算法处理的图像是整幅图像,并不能对正在得到的图像进行有效的处理,本发明所提出的实时图像边缘检测算法是在已有边缘检测算法能实现功能的基础上增加了实时性这一功能,本发明提出的边缘检测算法能实时处理正在得到的图像,本算法只需知道当前已得到图像而不需知道后面图像的情况即可处理实用性较强,适应的场景也更加广泛。本发明提出的边缘检测算法可以处理的实例有:地铁或高铁接触线识别;电线的识别检测等等。
发明内容
为了增加边缘检测算法的功能,打破已有检测算法不能实时处理图像的局限性,本发明提出了一种实时图像边缘检测算法。该算法具有实时性,效率高,适应性强,能根据图像背景特征进行自适应阈值设置,能有效解决很多背景复杂的图像。
为了实时高效的进行图像边缘检测,本发明采用的技术方案是:
所述的一种实时图像边缘检测算法,包括以下步骤:
步骤1:根据实时图像灰度数据及已处理的图像灰度数据进行计算进而设置短时记忆阈值及双阈值;
步骤2:依据短时记忆阈值对实时图像数据进行预处理消除部分背景干扰;
步骤3:根据双阈值对于预处理后的图像进行边缘检测。
所述步骤1中的实时图像灰度数据是从线阵相机中获取的图像;所述步骤1中的实时是指当前正在处理的行像素为当前已得到的图像数据的最后一行像素。
所述步骤2中的图像预处理为:所述实时图像数据中每个像素点的灰度g与短时记忆阈值G1比较,如果该像素点的灰度值g大于G1,则保留原值;如果该像素点的灰度值g小于G1,则将该像素点的灰度值置为0。
所述步骤3中的图像的边缘检测,具体包括以下步骤:
步骤A:消除噪声:对所述预处理后的实时图像数据进行中值滤波处理,滤除实时图像背景中的干扰噪声;
步骤B:计算梯度幅值和方向:对所述消除噪声后的实时图像数据的水平、垂直和两个对角线方向分别进行一阶线性m点灰度差分,计算参与差分计算的m点像素的灰度和,所述m满足0<m<标准边缘像素宽度;
步骤C:非极值抑制:在所述实时图像所有像素点的各个梯度方向的大小为n的邻域内进行差分值非极值抑制,在所述邻域内的差分极大值或差分极小值以及像素灰度和保留下来,其他非极值的差分值和像素灰度和置为0,所述n满足0<n<标准像素宽度;
步骤D:双阈值设置及强弱边缘的判定:差分高阈值、差分低阈值、像素灰度和高阈值和像素灰度和低阈值分别设为d1、d2、g1和g2,通过如下公式进行强弱边缘的判定:
其中,f等于1表示强边缘,f等于0表示弱边缘;
步骤E:滞后边界追踪与关联追踪:滞后边界追踪:在当前处理行中如果检测到强边缘,
检测该强边缘的前后连通区域是否存在若边缘,如果强边缘的连通区域存在弱边缘,将弱边缘标识为的可能边缘;关联追踪:如果当前行检测到的弱边缘在上一行处理结果找到的边缘中心的一个大小为t的邻域内,将弱边缘标识为接触线的可能边缘;再通过如下公式判断边缘属于上升沿还是下降沿,所述t满足条件t等于标准边缘像素宽度的一半:
其中,h等于1表示上升沿,h等于-1表示下降沿,然后把可能边缘的边缘像素序号和差分值存入数组中。
步骤F:合并边沿:把找到的边沿中连续的上升沿或连续的下降沿合并成一个上升沿或下降沿,并记录相应边缘像素序号,得到所有边缘。
在所述1中的短时记忆阈值G1为当前处理行前面已处理的100行图像找到的边缘像素的灰度平均值。
所述步骤1中双阈值设置,具体包括以下步骤:
步骤A:计算当前行之前已处理的100行图像像素灰度平均值并将其设置为短时记忆阈值G2;
步骤B:计算当前行图像像素灰度平均值a,比较当前行像素灰度平均值与短时记忆阈值G2,根据a与G2不同的比较关系设置相应的动态双阈值包括差分高低阈值以及像素灰度和高低阈值;动态双阈值的设置原则为高阈值为低阈值的整数倍,具体倍数根据实际决定。
本发明使用中值滤波去除噪声,有效的保留接触线边缘信息并且去除大量噪声,根据短时记忆特性及图像灰度平均值特征设置自适应双阈值可以更好的处理不同背景环境下的图像,进行非极值抑制和滞后边界追踪与关联追踪更有效的检测出接触线边缘。
与现有技术相比,本发明有以下优点:
(1)与已有边缘检测算法相比,本发明能实现实时进行边缘检测,具有实时性。
(2)对比已有边缘检测算法,本发明采用短时记忆阈值与基于短时记忆阈值的自适应双阈值,更好的处理了背景环境变化下图像边缘的检测。
附图说明
图1:本实时图像边缘检测算法应用实例场景图
图2:实时图像边缘检测算法流程图
具体实施方式
下面结合附图对本发明做进一步详细说明:
本发明提出一种实时图像边缘检测算法,如图2所示,具体按以下步骤实施:
首先实时读入图像数据,然后将图像转为灰度图,获取当前行的像素灰度值;
然后在灰度图上做边缘检测,具体包括以下步骤:
步骤A:预处理:对转换后的灰度图像当前行即已输入图像数据的最后一行像素每个像素点灰度值g与短时记忆阈值G1比较,如果该像素点的灰度值g大于G1,则保留原值;如果该像素点的灰度值g小于G1,则将该像素点的灰度值置为0;这里短时记忆阈值的获取过程为:每次处理都取当前处理行的之前已处理的图像数据结果中100行处理结果中得到的边缘像素灰度平均值即设置为短时记忆阈值G1;
步骤B:对预处理后的图像数据每行像素进行1*x中值滤波:每行像素中每个像素点取该像素前(x-1)/2点和后(x-1)/2点加上该像素共x点,对这x点进行排序,取中值替代当前像素点的值;
步骤C:对中值滤波后的图像数据的水平、竖直和两个对角线方向分别进行m点差分并保存差分值和像素序号,并计算参与差分的m个点的像素灰度和;
步骤D:对像素点各个梯度方向的差分值进行非极值抑制:对于当前像素点,在其各个梯度方向的大小为n的邻域内进行差分值非极值抑制,在邻域内的差分极大值或差分极小值保留下来,其他非极值的差分值置为0;
步骤E:双阈值设置及强弱边缘的判定:其中双阈值的设置:每次首先找到当前行之前已处理的图像数据,这里取之前100行像素求这100行所有像素灰度平均值设置为短时记忆阈值G2,然后通过判断当前行所有像素灰度平均值与G2进行比较,设置相应的差分高阈值和差分低阈值以及灰度和高阈值与灰度和低阈值。如果当前行像素灰度平均值a大于G2,差分低阈值设置为dmin1,相应的差分高阈值设置为3倍差分低阈值即dmax1=3*dmin1;像素灰度和低阈值设置为smin1;相应的像素灰度和高阈值设置为smax1=3*smin1;如果a小于G2,差分低阈值设置为dmin2,相应的差分高阈值设置为3倍差分低阈值dmax2=3*dmin2;像素灰度和低阈值设置为smin2;相应的像素灰度和高阈值设置为smax1=3*smin2;强弱边缘的判定:如果当前处理行中差分大于差分高阈值且像素灰度和大于像素灰度和高阈值的认为是强边缘,如果当前处理行中差分小于查分高阈值大于差分低阈值且像素灰度和小于像素灰度和高阈值大于像素灰度和低阈值认为是弱边缘。
步骤F:滞后边界追踪与关联追踪:滞后边界追踪:在当前处理行中如果检测到强边缘,检测该强边缘的前后连通区域是否存在若边缘,如果强边缘的连通区域存在弱边缘,将弱边缘标识为的可能边缘;关联追踪:如果当前行检测到的弱边缘在上一行处理结果找到的边缘中心的一个大小为t的邻域内,将弱边缘标识为接触线的可能边缘;再通过如下公式判断边缘属于上升沿还是下降沿,所述t满足条件t等于标准边缘像素宽度的一半:
其中,h等于1表示上升沿,h等于-1表示下降沿,然后把可能边缘的边缘像素序号和差分值存入数组中。
步骤G:合并边沿:把找到的边沿中连续的上升沿或连续的下降沿合并成一个上升沿或下降沿,并记录相应边缘像素序号,得到所有边缘。
本算法的一个应用实例是地铁或高铁接触线识别,处理过程中的灰度图像如下图1所示,实验结果表明本算法可以有效检测到图像中的接触线边缘。
以上为本发明所提出的一种实时图像边缘检测算法的实施过程以及已经使用本算法所解决的图像边缘处理实例,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种实时图像边缘检测算法,其特征在于,所述算法包括以下步骤:
步骤1:根据实时图像灰度数据及已处理的图像灰度数据进行计算进而设置短时记忆阈值及双阈值;
步骤2:依据短时记忆阈值对实时图像数据进行预处理消除部分背景干扰;
步骤3:根据双阈值对于预处理后的图像进行边缘检测。
2.根据权力要求1所述的一种实时图像边缘检测算法,其特征在于,所述步骤1中的实时图像灰度数据的获取是由线阵相机所得到的,所述步骤1中的实时是指当前正在处理的行像素为当前已得到的图像数据的最后一行像素。
3.根据权力要求1所述的一种实时图像边缘检测算法,其特征在于,所述步骤1中的短时记忆阈值G1为当前处理行前面已处理的100行图像找到的边缘像素的灰度平均值。
4.根据权力要求1所述的一种实时图像边缘检测算法,其特征在于,所述步骤1中双阈值设置,具体包括以下步骤:
步骤A:计算当前行之前已处理的100行图像像素灰度平均值并将其设置为短时记忆阈值G2;
步骤B:计算当前行图像像素灰度平均值a,比较当前行像素灰度平均值与短时记忆阈值G2,根据a与G2不同的比较关系设置相应的动态双阈值包括差分高低阈值以及像素灰度和高低阈值;动态双阈值的设置原则为高阈值为低阈值的整数倍,具体倍数根据实际决定。
5.根据权力要求1所述的一种实时图像边缘检测算法,其特征在于,所述步骤2中的实时图像数据预处理为:所述实时图像数据中每个像素点的灰度g与短时记忆阈值G1比较,如果该像素点的灰度值g大于G1,则保留原值;如果该像素点的灰度值g小于G1,则将该像素点的灰度值置为0。
6.根据权力要求1所述的一种实时图像边缘检测算法,其特征在于,所述步骤3中的图像的边缘检测,具体包括以下步骤:
步骤A:消除噪声:对所述预处理后的实时图像数据进行中值滤波处理,滤除实时图像背景中的干扰噪声;
步骤B:计算梯度幅值和方向:对所述消除噪声后的实时图像数据的水平、垂直和两个对角线方向分别进行一阶线性m点灰度差分,计算参与差分计算的m点像素的灰度和,所述m满足0<m<标准边缘像素宽度;
步骤C:非极值抑制:在所述实时图像所有像素点的各个梯度方向的大小为n的邻域内进行差分值非极值抑制,在所述邻域内的差分极大值或差分极小值以及像素灰度和保留下来,其他非极值的差分值和像素灰度和置为0,所述n满足0<n<标准边缘像素宽度;
步骤D:双阈值及强弱边缘的判定:差分高阈值、差分低阈值、像素灰度和高阈值和像素灰度和低阈值分别设为d1、d2、g1和g2,通过如下公式进行强弱边缘的判定:
其中,f等于1表示强边缘,f等于0表示弱边缘;
步骤E:滞后边界追踪与关联追踪:滞后边界追踪:在当前处理行中如果检测到强边缘,检测该强边缘的前后连通区域是否存在弱边缘,如果强边缘的连通区域存在弱边缘,将弱边缘标识为可能的边缘;关联追踪:如果当前行检测到的弱边缘在上一行处理结果找到的边缘中心的一个大小为t的邻域内,将弱边缘标识为可能的边缘;再通过如下公式判断边缘属于上升沿还是下降沿,所述t满足条件t等于标准边缘像素宽度的一半:
其中,h等于1表示上升沿,h等于-1表示下降沿,然后把可能边缘的边缘像素序号和差分值存入数组中。
步骤F:合并边沿:把找到的边沿中连续的上升沿或连续的下降沿合并成一个上升沿或下降沿,并记录相应边缘像素序号,得到所有边缘。
7.根据权力要求6所述的实时图像数据的边缘检测,其特征在于,所述标准边缘像素宽度是对目标图像的标准边缘进行人工检测得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811432598.6A CN111223050A (zh) | 2018-11-27 | 2018-11-27 | 一种实时图像边缘检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811432598.6A CN111223050A (zh) | 2018-11-27 | 2018-11-27 | 一种实时图像边缘检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111223050A true CN111223050A (zh) | 2020-06-02 |
Family
ID=70830488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811432598.6A Pending CN111223050A (zh) | 2018-11-27 | 2018-11-27 | 一种实时图像边缘检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223050A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070741A (zh) * | 2020-09-07 | 2020-12-11 | 浙江师范大学 | 一种基于图像显著性区域提取方法的大米垩白度检测系统 |
CN113112432A (zh) * | 2021-05-13 | 2021-07-13 | 广州道一科学技术有限公司 | 自动识别图像条带的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
US20160267675A1 (en) * | 2014-06-23 | 2016-09-15 | Boe Technology Group Co., Ltd. | Image edge detection method and apparatus thereof, image target identification method and apparatus thereof |
CN107368802A (zh) * | 2017-07-14 | 2017-11-21 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
-
2018
- 2018-11-27 CN CN201811432598.6A patent/CN111223050A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
US20160267675A1 (en) * | 2014-06-23 | 2016-09-15 | Boe Technology Group Co., Ltd. | Image edge detection method and apparatus thereof, image target identification method and apparatus thereof |
CN107368802A (zh) * | 2017-07-14 | 2017-11-21 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
QIANLI D.Y. MA等: "Artificial Object Edge Detection based on Enhanced Canny Algorithm for High-speed Railway Apparatus Identification", 《2017 10TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI 2017)》 * |
爱鱼: "Canny边缘检测算法的实现", 《HTTPS://WWW.CNBLOGS.COM/MIGHTYCODE/P/6394810.HTML》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070741A (zh) * | 2020-09-07 | 2020-12-11 | 浙江师范大学 | 一种基于图像显著性区域提取方法的大米垩白度检测系统 |
CN112070741B (zh) * | 2020-09-07 | 2024-02-23 | 浙江师范大学 | 一种基于图像显著性区域提取方法的大米垩白度检测系统 |
CN113112432A (zh) * | 2021-05-13 | 2021-07-13 | 广州道一科学技术有限公司 | 自动识别图像条带的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
Bindu et al. | An efficient medical image segmentation using conventional OTSU method | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN110782477A (zh) | 基于序列图像的运动目标快速检测方法、计算机视觉系统 | |
CN105590319A (zh) | 一种深度学习的图像显著性区域检测方法 | |
CN115131351B (zh) | 基于红外图像的机油散热器检测方法 | |
CN110390681B (zh) | 一种基于深度相机的深度图物体轮廓快速提取方法及装置 | |
Gao | An adaptive median filtering of salt and pepper noise based on local pixel distribution | |
CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
CN111223050A (zh) | 一种实时图像边缘检测算法 | |
CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
Shi et al. | Image enhancement for degraded binary document images | |
Kaushal et al. | Adaptive thresholding for edge detection in gray scale images | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
Mustafa et al. | Improved wolf algorithm on document images detection using optimum mean technique | |
CN114067122B (zh) | 一种两级式二值化图像处理方法 | |
JP3906221B2 (ja) | 画像処理方法及び画像処理装置 | |
CN111767939B (zh) | 一种水下声呐系统目标提取方法 | |
CN112085683B (zh) | 一种显著性检测中的深度图可信度检测方法 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN111489371B (zh) | 一种场景的直方图近似单峰分布时的图像分割方法 | |
CN111797838A (zh) | 一种图片类文档盲去噪系统、方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200602 |