CN111325765A - 一种基于冗余小波变换的图像边缘检测算法 - Google Patents

一种基于冗余小波变换的图像边缘检测算法 Download PDF

Info

Publication number
CN111325765A
CN111325765A CN202010098321.5A CN202010098321A CN111325765A CN 111325765 A CN111325765 A CN 111325765A CN 202010098321 A CN202010098321 A CN 202010098321A CN 111325765 A CN111325765 A CN 111325765A
Authority
CN
China
Prior art keywords
edge
image
wavelet
processing
low
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.)
Granted
Application number
CN202010098321.5A
Other languages
English (en)
Other versions
CN111325765B (zh
Inventor
王军
黄刚
田博文
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.)
Shandong Chaoyue CNC Electronics Co Ltd
Original Assignee
Shandong Chaoyue CNC Electronics Co Ltd
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 Shandong Chaoyue CNC Electronics Co Ltd filed Critical Shandong Chaoyue CNC Electronics Co Ltd
Priority to CN202010098321.5A priority Critical patent/CN111325765B/zh
Publication of CN111325765A publication Critical patent/CN111325765A/zh
Application granted granted Critical
Publication of CN111325765B publication Critical patent/CN111325765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/70—
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于冗余小波变换的图像边缘检测算法，属于图像边缘检测方法领域，该算法在小波变换基础上进行优化验证，首先构造高通和低通滤波器，再进行相关的行变换和列变换，最终得到各个与原图尺寸相等的低频子图和三个方向上的高频子图，之后通过对各子图的小波系数进行对应的相乘处理，再经过一定的阈值处理，增强处理，以及后续的极大值处理即可获得最终的边缘图像。本文算法提取的边缘完整性相对较好，边缘漏检或过度检测的情况较少，边缘清晰，具有相对较理想的连续性。而传统Sobel算子提取的边缘含有相对较多的噪声，还出现边缘过渡检测的情况，清晰度较差，视觉上有模糊的感觉；传统Canny算子提取的边缘清晰度较好，但完整性较差。

Description

一种基于冗余小波变换的图像边缘检测算法
技术领域
本发明涉及图像边缘检测方法技术领域，具体地说是一种基于冗余小波变换的图像边缘检测算法。
背景技术
如今，计算机视觉技术广泛应用于生活中的各个领域，而图像处理是实现计算机视觉的一个基础，其中，边缘检测是数字图像处理领域的一个重要研究内容。
目标物体的主要特征信息隐含于该目标图像的边缘中，因而图像边缘检测处理愈来愈重要，边缘信息于图像分析以及人的视觉至关重要，在计算机视觉、图像分割、特征提取和图像匹配等应用中起着至关重要的作用，是图像分析与识别的一个关键环节。
目前，国内存在很多边缘检测的算法，传统的边缘检测算子有各自优缺点，主要对空域进行处理，虽然运算速度快，但去除噪声能力较差，提取的边缘的封闭性及完整性有待进一步提高。
而新兴的小波变换近年来也开始应用于图像的边缘提取。小波变换是继傅里叶变换之后的一种时间与尺度的分析方法，能对信号进行多分辨率分析，同时在时频两域上均具备表征信号局部特征的能力，广泛应用于图像处理领域。冗余小波变换是离散小波变换的一种，冗余小波变换消除了普通小波变换的移变性，冗余小波变换得到的各低频子带及高频子带的大小均与输入信号大小相同，即各子图总像素点个数与原图相同，从而提供了更丰富的边缘信息。
本专利在小波变换基础上进行优化验证，提出基于冗余小波变换的边缘提取算法。
发明内容
本发明的技术任务是针对现有图像边缘提取技术的不足，提供一种基于冗余小波变换的图像边缘检测算法。
本发明解决其技术问题所采用的技术方案是：
一种基于冗余小波变换的图像边缘检测算法，该算法首先构造高通和低通滤波器，再进行相关的行变换和列变换，最终得到各个与原图尺寸相等的低频子图和三个方向上的高频子图，之后通过对各子图的小波系数(像素值)进行对应的相乘处理，再经过一定的阈值处理，增强处理，以及后续的极大值处理即可获得最终的边缘图像。
方案优选地，具体算法步骤如下：
S1、图像冗余小波变换
所采用的冗余小波算法为小波滤波器法，先按行后按列将每一个像素点经过小波滤波器(低通滤波器或高通滤波器)处理，从而得到大小与原图相同的低频近似分量以及三个方向上的高频细节分量；
S2、小波系数相乘
将相邻尺度(同一方向)小波系数相乘，获得三幅不同方向上的小波系数相乘后的小波系数图LH(i,j)、HL(i,j)、HH(i,j)，然后进行一定的线性处理。
S3、阈值去噪处理
对步骤S2得到的相乘后的小波系数图进行一定阈值处理，通过将小于该阈值的小波系数赋零，在一定程度上去除图像的噪声点；
S4、将第二层低频子带LL2(i,j)进行边缘处理，得到经过边缘处理后的低频子带LL(i,j)；
S5、极大值检测
将步骤S3和步骤S4中获得的三个方向上的小波系数图和经过边缘处理的低频子图进行极大值处理，每个位置的像素点取这四幅图像对应位置上的像素值最大的点，作为图像的边缘像素点，从而获得边缘图像max(i,j)；
S6、线性增强
将步骤S5提取到的边缘图像进行一定的增强处理，扩展灰度的范围，经过线性灰度增强后的边缘图像更加清晰，部分隐含的像素值较低的边缘也更加明显。
方案优选地，步骤S1中小波滤波器包括低通滤波器及高通滤波器
方案优选地，步骤S1中进行两级冗余小波变换，得到8幅大小与原始图像相同的子图。
方案优选地，步骤S1算法步骤如下：
1)构造滤波器；
2)低频分量与高频分量求解；
3)低频子带与三个高频子带的求解，得到四幅与原图大小相同的小波系数子图；
4)重复2)和3)步骤，进行2级变换得到8幅小波系数图。
方案优选地，步骤S1中所涉及低频近似分量对应：2幅低频子图LL1(i,j)和LL2(i,j)。
方案优选地，步骤S1中所涉及三个方向上的高频细节分量对应：包括2幅低频子图LL1(i,j)和LL2(i,j)，2幅保留水平细节信息的高频子图LH1(i,j)和LH2(i,j)，2幅包含垂直细节信息的高频子图HL1(i,j)和HL2(i,j)，以及2幅反映对角细节的高频子图HH1(i,j)和HH2(i,j)。
方案优选地，步骤S3中阈值确定可借用photoshop确定。
方案优选地，步骤S4中将第二层低频子带LL2(i,j)利用Roberts算子进行边缘处理。
本发明的一种基于冗余小波变换的图像边缘检测算法，与现有技术相比所产生的有益效果是：
本文算法提取的边缘完整性相对较好，边缘漏检或过度检测的情况较少，边缘清晰，具有相对较理想的连续性。对比传统Sobel算子提取的边缘含有相对较多的噪声，还出现边缘过渡检测的情况，清晰度较差，视觉上有模糊的感觉；对比传统Canny算子提取的边缘清晰度较好，但完整性较差。
附图说明
为了更清楚地描述本发明一种基于冗余小波变换的图像边缘检测算法的实施过程，下面将附上简图作进一步说明。
附图1是本发明冗余小波变换的示意图；
附图2是本发明所采用的线性增强函数；
附图3是本发明的原图像；
附图4为sobel算子边缘检测图；
附图5为canny算子边缘检测图；
附图6为本发明边缘检测算法图；
附图7为线性增强后边缘图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-7，本发明一种基于冗余小波变换的图像边缘检测算法，是通过构造高通和低通滤波器，再进行相关的行变换和列变换，最终得到各个与原图尺寸相等的低频子图和三个方向上的高频子图，之后通过对各子图的小波系数(像素值)进行对应的相乘处理，再经过一定的阈值处理，增强处理，以及后续的极大值处理即可获得最终的边缘图像。具体算法步骤如下：
S1、图像冗余小波变换
本文进行了两级冗余小波变换，得到8幅大小与原始图像相同的子图。包括2幅低频子图LL1(i,j)和LL2(i,j)，2幅保留水平细节信息的高频子图LH1(i,j)和LH2(i,j)，2幅包含垂直细节信息的高频子图HL1(i,j)和HL2(i,j)，以及2幅反映对角细节的高频子图HH1(i,j)和HH2(i,j)。
本专利采用的冗余小波算法为小波滤波器法，先按行后按列将每一个像素点经过小波滤波器(低通滤波器或高通滤波器)处理，从而得到大小与原图相同的低频近似分量以及三个方向上的高频细节分量，如图1所示。
S2、小波系数相乘
将相邻尺度(同一方向)小波系数相乘，获得三幅不同方向上的小波系数相乘后的小波系数图LH(i,j)、HL(i,j)、HH(i,j)，然后进行一定的线性处理。
S3、阈值去噪处理
对于含有噪声的图像，经过小波变换，计算获得的小波系数主要由噪声和图像的细节信息组成，因此小波系数较小的像素点，有可能是噪声信号。而小波系数相乘后在一定程度上会减少噪声的影响，但仍然会存在一部分噪声点，因而要对相乘后的小波系数图进行一定阈值处理，3、其中阈值确定可借用photoshop确定，通过将小于该阈值的小波系数赋零，即可在一定程度上去除图像的噪声点，依据此方法对步骤(2)得到的系数图进行处理。
S4、将第二层低频子带LL2(i,j)利用4、Roberts算子进行边缘处理，得到经过边缘处理后的低频子带LL(i,j)。
5、极大值检测
将步骤(3)和步骤(4)中获得的三个方向上的小波系数图和经过边缘处理的低频子图进行极大值处理，每个位置的像素点取这四幅图像对应位置上的像素值最大的点，作为图像的边缘像素点，从而获得边缘图像max(i,j)。
S6、线性增强
提取到图像的边缘，可能会出现由于像素值范围过小，导致边缘较暗，在视觉上由于对比度较低，会存在看不清的状况，因而需要进行一定的增强处理，扩展灰度的范围。线性灰度增强可以通过线性点运算将图像进行线性扩展，本文选取的灰度线性变换函数如图2所示。如图7所示，经过线性灰度增强后的边缘图像更加清晰，部分隐含的像素值较低的边缘也更加明显。
至此，边缘检测完成。
结果分析：
由图4、图5、图6的结果也能得出本文算法在边缘提取效果方面的优势。Sobel算子提取的边缘含有相对较多的噪声，还出现边缘过渡检测的情况，清晰度较差，视觉上有模糊的感觉；Canny算子提取的边缘清晰度较好，但完整性较差；本文算法提取的边缘完整性相对较好，边缘漏检或过度检测的情况较少，边缘清晰，具有相对较理想的连续性。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (8)

1.一种基于冗余小波变换的图像边缘检测算法，其特征在于，该算法首先构造高通和低通滤波器，再进行相关的行变换和列变换，最终得到各个与原图尺寸相等的低频子图和三个方向上的高频子图，之后通过对各子图的小波系数进行对应的相乘处理，再经过一定的阈值处理，增强处理，以及后续的极大值处理即可获得最终的边缘图像。
2.根据权利要求1所述的一种基于冗余小波变换的图像边缘检测算法，其特征在于，具体算法步骤如下：
S1、图像冗余小波变换
所采用的冗余小波算法为小波滤波器法，先按行后按列将每一个像素点经过小波滤波器处理，从而得到大小与原图相同的低频近似分量以及三个方向上的高频细节分量；
S2、小波系数相乘
将相邻尺度小波系数相乘，获得三幅不同方向上的小波系数相乘后的小波系数图LH(i,j)、HL(i,j)、HH(i,j)，然后进行一定的线性处理。
S3、阈值去噪处理
对步骤S2得到的相乘后的小波系数图进行一定阈值处理，通过将小于该阈值的小波系数赋零，在一定程度上去除图像的噪声点；
S4、将第二层低频子带LL2(i,j)进行边缘处理，得到经过边缘处理后的低频子带LL(i,j)；
S5、极大值检测
将步骤S3和步骤S4中获得的三个方向上的小波系数图和经过边缘处理的低频子图进行极大值处理，每个位置的像素点取这四幅图像对应位置上的像素值最大的点，作为图像的边缘像素点，从而获得边缘图像max(i,j)；
S6、线性增强
将步骤S5提取到的边缘图像进行一定的增强处理，扩展灰度的范围，经过线性灰度增强后的边缘图像更加清晰，部分隐含的像素值较低的边缘也更加明显。
3.根据权利要求2所述的一种基于冗余小波变换的图像边缘检测算法，其特征在于，步骤S1中小波滤波器包括低通滤波器及高通滤波器。
4.根据权利要求2或3所述的一种基于冗余小波变换的图像边缘检测算法，其特征在于，步骤S1中进行两级冗余小波变换。
5.根据权利要求5所述的一种基于冗余小波变换的图像边缘检测算法，其特征在于，其算法步骤如下：
1)构造滤波器；
2)低频分量与高频分量求解；
3)低频子带与三个高频子带的求解，得到四幅与原图大小相同的小波系数子图；
4)重复2)和3)步骤，进行2级变换得到8幅小波系数图。
6.根据权利要求2、3或5所述的一种基于冗余小波变换的图像边缘检测算法，其特征在于，步骤S1中所三个方向上的高频细节分量对应于保留水平细节信息的高频子图、包含垂直细节信息的高频子图、以及反映对角细节的高频子图。
7.根据权利要求2、3或5所述的一种基于冗余小波变换的图像边缘检测算法，其特征在于，步骤S3中阈值借用photoshop确定。
8.根据权利要求2、3或5所述的一种基于冗余小波变换的图像边缘检测算法，其特征在于，步骤S4中将第二层低频子带LL2(i,j)利用Roberts算子进行边缘处理。
CN202010098321.5A 2020-02-18 2020-02-18 一种基于冗余小波变换的图像边缘检测方法 Active CN111325765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010098321.5A CN111325765B (zh) 2020-02-18 2020-02-18 一种基于冗余小波变换的图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098321.5A CN111325765B (zh) 2020-02-18 2020-02-18 一种基于冗余小波变换的图像边缘检测方法

Publications (2)

Publication Number Publication Date
CN111325765A true CN111325765A (zh) 2020-06-23
CN111325765B CN111325765B (zh) 2022-07-05

Family

ID=71165236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010098321.5A Active CN111325765B (zh) 2020-02-18 2020-02-18 一种基于冗余小波变换的图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN111325765B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012607A (zh) * 2022-01-27 2023-04-25 华南理工大学 图像弱纹理特征提取方法及装置、设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685728A (zh) * 2018-11-30 2019-04-26 中南大学 基于局部时频域变换的数字图像处理方法
CN110020659A (zh) * 2019-03-29 2019-07-16 武汉九天高分遥感技术有限公司 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统
CN110458856A (zh) * 2019-07-22 2019-11-15 桂林航天工业学院 一种熔池图像边缘检测方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685728A (zh) * 2018-11-30 2019-04-26 中南大学 基于局部时频域变换的数字图像处理方法
CN110020659A (zh) * 2019-03-29 2019-07-16 武汉九天高分遥感技术有限公司 一种基于二进小波的遥感影像多尺度边缘提取与匹配方法和系统
CN110458856A (zh) * 2019-07-22 2019-11-15 桂林航天工业学院 一种熔池图像边缘检测方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUXIA CUI: "Motion Estimation and Compensation in the Redundant-Wavelet Domain Using Triangle Meshes", 《SIGNAL PROCESSING：IMAGE COMMUNICATION》 *
谢洪途: "基于冗余小波变换的视频压缩运动估计与补偿算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012607A (zh) * 2022-01-27 2023-04-25 华南理工大学 图像弱纹理特征提取方法及装置、设备、存储介质
CN116012607B (zh) * 2022-01-27 2023-09-01 华南理工大学 图像弱纹理特征提取方法及装置、设备、存储介质

Also Published As

Publication number Publication date
CN111325765B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN109242888B (zh) 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
CN112767251B (zh) 基于多尺度细节特征融合神经网络的图像超分辨率方法
Zhang et al. Joint image denoising using adaptive principal component analysis and self-similarity
US20130094769A1 (en) Method and system for determining structural similarity between images
Liu et al. A medical image enhancement method using adaptive thresholding in NSCT domain combined unsharp masking
CN104463804A (zh) 一种基于直觉模糊集的图像增强方法
CN110135312B (zh) 一种基于分级lcm的快速小目标检测方法
CN101739667B (zh) 基于非下采样轮廓波变换的遥感图像道路增强方法
CN111612741A (zh) 一种基于失真识别的精确无参考图像质量评价方法
CN104881847A (zh) 一种基于小波分析和伪彩色处理的比赛视频图像增强方法
CN1251145C (zh) 综合边缘和纹理信息的金字塔图像融合方法
CN107590785A (zh) 一种基于sobel算子的布里渊散射谱图像识别方法
CN111145102A (zh) 一种基于卷积神经网络的合成孔径雷达图像去噪方法
CN116416156A (zh) 一种基于Swin Transformer的医学图像去噪方法
Xing et al. Infrared and visible image fusion based on nonlinear enhancement and NSST decomposition
CN111325765B (zh) 一种基于冗余小波变换的图像边缘检测方法
CN1761285A (zh) 一种去除视频孤立噪声点的方法
CN103077507A (zh) 基于Beta算法的多尺度SAR图像降噪方法
CN102254306B (zh) 一种基于图像简化分层模型的实时图像去雾方法
Ein-shoka et al. Quality enhancement of infrared images using dynamic fuzzy histogram equalization and high pass adaptation in DWT
CN111311508B (zh) 一种带噪路面裂缝图像的降噪方法
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN108171741B (zh) 一种基于自适应多向经验模式分解的图像纹理分解方法
Li et al. Medical image fusion based on local Laplacian decomposition and iterative joint filter

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 250100 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech District, Shandong Province

Applicant after: Chaoyue Technology Co.,Ltd.

Address before: 250100 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech District, Shandong Province

Applicant before: SHANDONG CHAOYUE DATA CONTROL ELECTRONICS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant