CN111709960A - 一种基于元胞自动机理论的图像边缘精准定位方法 - Google Patents

Abstract

本发明揭示一种基于元胞自动机理论的图像边缘精准定位方法，包括以下步骤：S1：采集原始图像；S2：根据元胞自动机的摩尔近邻模型对原始图像进行边缘增强，得到边缘增强图像；S3：对边缘增强图像进行优化处理；对边缘增强图像进行优化处理包括以下步骤：S31：将边缘增强图像与原始图像进行差值计算，获得差值图像；S32：对差值图像进行二值化处理，获得二值化图像；S33：对二值化图像进行色彩增强；对二值化图像进行色彩增强包括以下步骤：S331：根据二值化图像面积的大小进行区域划分；S332：对不同的区域分别标注不同颜色进行展示。本发明的基于元胞自动机理论的图像边缘精准定位方法通过对模糊的图像边缘进行增强，以便于对图像的边缘实现精准定位。

Description

一种基于元胞自动机理论的图像边缘精准定位方法

技术领域

本发明涉及图像边缘定位技术领域，具体地，涉及一种基于元胞自动机理论的图像边缘精准定位方法。

背景技术

图像最基本的特征是边缘，边缘是图像性区域和另一个属性区域的交接处，是区域属性发生突变的地方，是图像中不确定性最大的地方，也是图像信息最集中的地方，图像的边缘包含着丰富的信息。边缘检测技术对于数字图像是非常重要的，提取出边缘才能将目标和背景区分开来，目前，一般采用统计的方式来完成像均值滤波，中值滤波，高斯滤波等等，这些方法虽然可以提高图片的信噪比，但是，图像的特征也会被弱化，而且，由于图像本身的能量不均匀和噪声，容易导致图像边缘模糊，给边缘定位带来不确定性，从而导致边缘定位不准确。

发明内容

针对现有技术的不足，本发明公开一种基于元胞自动机理论的图像边缘精准定位方法，其包括以下步骤：

采集原始图像；

根据元胞自动机的摩尔近邻模型对原始图像进行边缘增强，获得边缘增强图像

摩尔近邻模型是指一个元胞的上、下、左、右、左上、右上、右下、左下相邻八个元胞为该元胞的邻居，元胞随机向着八个邻居进行分子扩散。

根据本发明的一实施方式，上述获得边缘增强图像之后，还包括以下步骤：

对边缘增强图像进行优化处理。

根据本发明的一实施方式，上述对边缘增强图像进行优化处理包括以下子步骤：

对原始图像与边缘增强图像进行差值计算，获得差值图像。

根据本发明的一实施方式，上述获得差值图像之后，还包括以下步骤：

对差值图像进行二值化处理，获得二值化图像。

根据本发明的一实施方式，上述基于元胞自动机理论的图像边缘精准定位方法采用OTSU算法对差值图像进行二值化处理，OTSU算法步骤如下：

设图像包含L个灰度级(0,1…,L-1)，灰度值为i的的像素点数为Ni，图像总的像素点数为N＝N0+N1+...+N(L-1)。

灰度值为i的点的概率为：P(i)＝N(i)/N。

门限t将整幅图像分为暗区c1和亮区c2两类，则类间方差σ是t的函数：σ＝a1*a2(u1-u2)^2 (2)。

式中，aj为类cj的面积与图像总面积之比，a1＝sum(P(i))i->t,a2＝ 1-a1；

uj为类cj的均值，u1＝sum(i*P(i))/a10->t,u2＝sum(i*P(i))/a2, t+1->L-1,该法选择最佳门限t^使类间方差最大，即：令Δu＝u1-u2，σb＝ max{a1(t)*a2(t)Δu^2}。

根据本发明的一实施方式，上述获得二值化图像之后，还包括以下步骤：

对二值化图像进行色彩增强。

根据本发明的一实施方式，上述对二值化图像进行色彩增强，包括以下子步骤：

根据二值化图像中的面积大小进行区域划分；

对不同的区域分别标注出不同颜色进行展示。

根据本发明的一实施方式，上述原始图像的扩散比例为0.01±0.0025。

根据本发明的一实施方式，上述原始图像随机扩散的循环次数为15-50 次。

根据本发明的一实施方式，上述原始图像随机扩散的循环次数为30次。

本发明的有益效果为：本发明的基于元胞自动机理论的图像边缘精准定位方法通过对模糊的图像边缘进行增强，以便于对图像的边缘实现精准定位。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中基于元胞自动机理论的图像边缘精准定位方法的流程示意图；

图2为本发明实施例中对边缘增强图像进行优化处理的流程示意图；

图3为本发明实施例中对二值化图像进行色彩增强的流程示意图；

图4为本发明实施例中摩尔近邻模型的示意图；

图5为本发明实施例中原始图像；

图6为本发明实施例中边缘增强图像；

图7为本发明实施例中差值图像；

图8为本发明实施例中二值化图像；

图9为本发明实施例中图像边缘明显的图像。

具体实施方式

以下将以图式揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。此外，为简化图式起见，一些习知惯用的结构与组件在图式中将以简单的示意的方式绘示之。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，并非特别指称次序或顺位的意思，亦非用以限定本发明，其仅仅是为了区别以相同技术用语描述的组件或操作而已，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

为能进一步了解本发明的内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：

实施例一

请参照图1、图2及图3，图1为本发明实施例中基于元胞自动机理论的图像边缘精准定位方法的流程示意图；图2为本发明实施例中对边缘增强图像进行优化处理的流程示意图；图3为本发明实施例中对二值化图像进行色彩增强的流程示意图。如图所示，本申请的基于元胞自动机理论的图像边缘精准定位方法具体包括以下步骤：

S1：采集原始图像；

S2：根据元胞自动机的摩尔近邻模型对原始图像进行边缘增强，得到边缘增强图像；

S3：对边缘增强图像进行优化处理。

在步骤S1中，可采用现有的采集原始图像的方式，例如，利用工业相机拍摄元件的图片，从而获得原始图像。

在步骤S2中，利用摩尔近邻模型对原始图像进行边缘增强时，如图4所示，图4为本发明实施例中摩尔近邻模型的示意图。摩尔近邻模型是指一个元胞是上、下、左、右、左上、右上、右下、左下相邻八个元胞为该元胞的邻居，元胞随机向着八个邻居进行分子扩散。为便于说明，在摩尔近邻模型中，以中心的元胞为原点建立平面直角坐标系，分别取平面直角坐标系原点周围的八个点，分别为(-1,-1)、(0，-1)、(+1，-1)、(-1,0)、(+1,0)、(-1,+1)、(0,+1)及(+1,+1)，对每个点进行编码，如下表所示：

(-1,-1)0	(0，-1)1	(+1，-1)2
			(-1,0)7		(+1,0)3
(-1,+1)6	(0,+1)5	(+1,+1)4

分子向八个方向进行随机扩散自由流动，摩尔近邻模型的扩散比例为 0.01±0.0025，随机扩散的循环次数为15-50次，优选地，扩散比例为0.0125，进行随机扩散的循环次数为30次。具体而言，在步骤S1中原始图像，以分子的扩散原理，将自身的基本能量向着自身的八个方向进行分子扩散，其扩散比例是0.0125，则向外扩散的能量等于0.0125乘以基本能量；例如，原始图像的基本能量是100，则扩散的能量即为100×0.0125，即为1.25。随机扩散的循环次数为30次，即进行了30次的扩散。此时显示在图像上体现为，原先较亮的地方变暗，而原先较暗的边缘变亮，从而实现边缘增强。

随机扩散的次数越多，则边缘增强效果越好。本实施例中在随机扩散15 次后已经有了图像边缘增强效果，随机扩散30次得到的图像边缘增强效果相比随机扩散15次得到的图像边缘增强效果更佳。然而随机扩散的次数越多，则运算量和运算时间会急速增加，虽然随机扩散50次以上得到的图像边缘增强效果更佳，但是其运算量和运算时间已经超过了实际工业应用接受能力，反而会使得其实用性不高，因此，设定随机扩散的循环次数为15-50次，优选30次，不仅能够获得优质效果的边缘增强图像，获得边缘增强图像的运算量和运算时间也合适，利于实际的工业应用；当然，扩散比例以及随机扩散的循环次数可根据原始图像的图像特点及状态进行适应性调整，上述仅为本发明的一实施方式，不应以此为限。

进一步地，S3中对边缘增强图像进行优化处理包括以下步骤：

S31：将边缘增强图像与原始图像进行差值计算，获得差值图像；

S32：对差值图像进行二值化处理，获得二值化图像；

S33：对二值化图像进行色彩增强。

在步骤S31中，将边缘增强图像后与原始图像进行差值计算，可有效抑制背景，增强图像差值，使得差值图像的边缘相比边缘增强图像的边缘显示更为清楚。

在步骤S32中，采用OTSU算法(大律算法)对差值图像进行二值化处理， OTSU算法步骤如下：

设图像包含L个灰度级(0,1…,L-1)，灰度值为i的的像素点数为Ni，图像总的像素点数为N＝N0+N1+...+N(L-1)。

灰度值为i的点的概率为：P(i)＝N(i)/N。

门限t将整幅图像分为暗区c1和亮区c2两类，则类间方差σ是t的函数：

σ＝a1*a2(u1-u2)^2 (2)

式中，aj为类cj的面积与图像总面积之比，a1＝sum(P(i))i->t,a2＝ 1-a1；

uj为类cj的均值，u1＝sum(i*P(i))/a10->t,u2＝sum(i*P(i))/a2, t+1->L-1,该法选择最佳门限t^使类间方差最大，即：令Δu＝u1-u2，σb＝ max{a1(t)*a2(t)Δu^2。

采用OTSU算法不但计算简单快速，而且不受图像亮度和对比度的影响，可使得图像的边缘清晰呈现，以便于精准定位。

更进一步，对二值化图像进行色彩增强包括以下步骤：

S331：根据二值化图像面积的大小进行区域划分；

S332：对不同的区域分别标注不同颜色进行展示。

通过对二值化图像面积进行区域划分以及采用不同颜色对不同区域进行标注展示，以更好的凸显出图像的边缘。

实施例二

本申请的基于元胞自动机理论的图像边缘精准定位方法可用于工业X光检测和医疗CT图片的边界增强等领域，以便于产生更适合人观察和认识的图像以及能由计算机进行自动识别和理解图像。

下面以本申请的基于元胞自动机理论的图像边缘精准定位方法用于工业 X光检测为例，进行具体说明。

S1：采集得到原始图像(如图5所示)；采集原始图像可以通过CCD工业相机进行图像的采集，CCD工业相机将采集的图片发送给元胞自动机。

S2：利用扩散比例为0.0125的摩尔近邻模型对原始图像进行30次随机扩散，得到边缘增强图像(如图6所示)；

S3：对边缘增强图像进行优化处理。

优化处理具体包括以下步骤:

S31:将边缘增强图像与原始图像进行差值计算，获得差值图像(如图7 所示)；

S32：采用OTSU算法对差值图像进行二值化处理，获得二值化图像(如图 8所示)；

S33：对二值化图像进行色彩增强。

色彩增强具体包括以下步骤:

S331：根据二值化图像面积的大小划分为三个区域；

S332：对三个区域分别以红绿蓝三种颜色进行标注展示，得到图像边缘明显的图像(如图9所示)。

综上所述，在本发明一或多个实施方式中，本发明的基于元胞自动机理论的图像边缘精准定位方法通过对模糊的图像边缘进行增强，以便于对图像的边缘实现精准定位。

上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理在内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (10)

1.一种基于元胞自动机理论的图像边缘精准定位方法，其特征在于，包括以下步骤：

采集原始图像；

根据元胞自动机的摩尔近邻模型对所述原始图像进行边缘增强，获得边缘增强图像；

所述摩尔近邻模型是指一个元胞的上、下、左、右、左上、右上、右下、左下相邻八个元胞为该元胞的邻居，所述元胞随机向着八个所述邻居进行分子扩散。

2.根据权利要求1所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，获得边缘增强图像之后，还包括以下步骤：

对所述边缘增强图像进行优化处理。

3.根据权利要求2所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，对所述边缘增强图像进行优化处理包括以下子步骤：

对所述原始图像与所述边缘增强图像进行差值计算，获得差值图像。

4.根据权利要求3所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，获得差值图像之后，还包括以下步骤：

对所述差值图像进行二值化处理，获得二值化图像。

5.根据权利要求4所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，采用OTSU算法对所述差值图像进行二值化处理。

6.根据权利要求4所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，获得二值化图像之后，还包括以下步骤：

对所述二值化图像进行色彩增强。

7.根据权利要求6所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，对所述二值化图像进行色彩增强，包括以下子步骤：

根据所述二值化图像中的面积大小进行区域划分；

对不同的区域分别标注出不同颜色进行展示。

8.根据权利要求1-7任一所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，所述原始图像的扩散比例为0.01±0.0025。

9.根据权利要求8所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，所述原始图像随机扩散的循环次数为15-50次。

10.根据权利要求8所述的基于元胞自动机理论的图像边缘精准定位方法，其特征在于，所述原始图像随机扩散的循环次数为30次。

Images