CN113870296B - 基于刚体碰撞优化算法的图像边缘检测方法、装置及介质 - Google Patents

基于刚体碰撞优化算法的图像边缘检测方法、装置及介质 Download PDF

Info

Publication number
CN113870296B
CN113870296B CN202111455684.0A CN202111455684A CN113870296B CN 113870296 B CN113870296 B CN 113870296B CN 202111455684 A CN202111455684 A CN 202111455684A CN 113870296 B CN113870296 B CN 113870296B
Authority
CN
China
Prior art keywords
edge
image
pixel
rigid body
determining
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.)
Active
Application number
CN202111455684.0A
Other languages
English (en)
Other versions
CN113870296A (zh
Inventor
赵卫
吴夜婷
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.)
Jinan University
Original Assignee
Jinan University
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 Jinan University filed Critical Jinan University
Priority to CN202111455684.0A priority Critical patent/CN113870296B/zh
Publication of CN113870296A publication Critical patent/CN113870296A/zh
Application granted granted Critical
Publication of CN113870296B publication Critical patent/CN113870296B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于刚体碰撞优化算法的图像边缘检测方法、装置及介质，包括将待检测图像转换为灰度图像；确定灰度图像中任一像素对应的候选边缘方向，并划分得到为两个像素集合；将各个候选边缘方向中最大的边缘强度作为目标像素的边缘强度；根据最大化方差法确定最佳边缘强度阈值；初始化种群规模和问题维度，并产生初始样本矩阵；将目标像素的边缘强度作为适应度函数，并设置循环次数；根据最佳边缘强度阈值、种群规模、问题维度、初始样本矩阵、适应度函数和循环次数，采用刚体碰撞优化算法确定边缘像素点；根据边缘像素点，输出图像边缘检测结果。本发明提高了精度和收敛速度，可广泛应用于图像处理技术领域。

Description

基于刚体碰撞优化算法的图像边缘检测方法、装置及介质
技术领域
本发明涉及图像处理技术领域，尤其是一种基于刚体碰撞优化算法的图像边缘检测方法、装置及介质。
背景技术
图像边缘检测技术是图像分割和提取的重要手段，通过图像区域的边缘、轮廓以及形状获取大量的图像特征信息。是图像识别，图像分割，图像增强以及图像压缩等领域中广泛应用的基础，是一个非常重要的研究课题，在物体识别、视觉跟踪、工业检测、公共管理、军事科技等领域有广泛的应用。
图像成像过程中往往不可避免会呈现出一定的模糊和变形，这给边缘检测变带来困难，人们因此一直致力于构造具有良好性质的边缘检测算子。传统边缘检测与提取的主要手段包括基于图像灰度分布梯度的Robert算子，Sobel算子、Log等。这些算子计算简单、容易实现，但是由于边缘本身的复杂性，这些算子在抗噪性能方面效果不够理想。新的理论工具在图像边缘检测上得到更广泛的研究与应用，人们又相继提出了基于形态学的边缘检测技术，基于神经网络的检测技术、基于模糊理论的检测技术、基于遗传算法的检测技术、基于卷积神经网络的边缘检测技术等。
群智能优化是一种使用群体的随机搜索算法，它模仿昆虫、鸟类、鱼类等群体演化多样性和行为指向性的机制，不需要目标函数导数，可以用来近似求解一些难以直接求解的优化问题，近些年在产品或系统的优化设计中得到广泛的应用。其中，基于刚体碰撞群智能优化算法，模拟动力学刚体碰撞的动量守恒原理，寻找目标函数最优解，实现简单，算法精度高，收敛速度快。
因此，将刚体碰撞群智能优化算法应用于图像边缘检测，定义合理的确定边缘像素点的优化目标，构建一套新的具备良好抗噪性能的边缘检测方法并且能很好地适应复杂边缘具有重要意义。
发明内容
有鉴于此，本发明实施例提供一种精度高且速度快的，基于刚体碰撞优化算法的图像边缘检测方法、装置及介质。
本发明的一方面提供了一种基于刚体碰撞优化算法的图像边缘检测方法，包括：
将待检测图像转换为灰度图像；
确定所述灰度图像中任一像素对应的候选边缘方向，并根据像素宽范围划分得到为两个像素集合；
确定每个目标像素沿所述候选边缘方向的边缘强度；
将各个候选边缘方向中最大的边缘强度作为所述目标像素的边缘强度；
根据最大化方差法确定最佳边缘强度阈值；
初始化种群规模和问题维度，并产生初始样本矩阵；
将所述目标像素的边缘强度作为适应度函数，并设置循环次数；
根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点；
根据所述边缘像素点，输出图像边缘检测结果。
可选地，所述根据最大化方差法确定最佳边缘强度阈值，包括：
根据预设的初始边缘强度阈值，将图像像素分为第一像素集合和第二像素集合；
计算所述灰度图像中所有像素的第一平均边缘强度，并且计算所述第一像素集合和所述第二像素集合的第二平均边缘强度；
根据所述第一平均边缘强度和所述第二平均边缘强度计算边缘强度方差；
根据所述边缘强度方差确定所述最佳边缘强度阈值。
可选地，所述根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点，包括：
根据所述适应度函数、所述种群规模和所述初始样本矩阵，计算碰撞刚体的质量；
对所述碰撞刚体的质量进行降序排列，等分成数量相同的静态组和动态组两组；
初始化静态组的速度以及初始化动态组的速度；
根据所述碰撞刚体的质量，对所述静态组的速度和动态组的速度进行更新；
根据更新后的静态组的速度和动态组的速度，更新碰撞以后刚体的位置；
根据新的碰撞刚体的位置，确定边缘像素点。
可选地，所述根据新的碰撞刚体的位置，确定边缘像素点，包括：
对于种群中任一样本，当该样本的边缘强度大于边缘强度阈值时，将该样本对应位置的像素标记为边界点；
在所述边界点的目标范围内选取一个新的候选样本替换所述样本。
本发明实施例另一方面还提供了一种基于刚体碰撞优化算法的图像边缘检测装置，包括：
第一模块，用于将待检测图像转换为灰度图像；
第二模块，用于确定所述灰度图像中任一像素对应的候选边缘方向，并根据像素宽范围划分得到为两个像素集合；
第三模块，用于确定每个目标像素沿所述候选边缘方向的边缘强度；
第四模块，用于将各个候选边缘方向中最大的边缘强度作为所述目标像素的边缘强度；
第五模块，用于根据最大化方差法确定最佳边缘强度阈值；
第六模块，用于初始化种群规模和问题维度，并产生初始样本矩阵；
第七模块，用于将所述目标像素的边缘强度作为适应度函数，并设置循环次数；
第八模块，用于根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点；
第九模块，用于根据所述边缘像素点，输出图像边缘检测结果。
本发明实施例另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例另一方面还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前面所述的方法。
本发明的实施例将待检测图像转换为灰度图像；确定所述灰度图像中任一像素对应的候选边缘方向，并根据像素宽范围划分得到为两个像素集合；确定每个目标像素沿所述候选边缘方向的边缘强度；将各个候选边缘方向中最大的边缘强度作为所述目标像素的边缘强度；根据最大化方差法确定最佳边缘强度阈值；初始化种群规模和问题维度，并产生初始样本矩阵；将所述目标像素的边缘强度作为适应度函数，并设置循环次数；根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点；根据所述边缘像素点，输出图像边缘检测结果。本发明提高了精度和收敛速度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于刚体碰撞优化算法的图像边缘检测方法流程图；
图2（a）是本发明实施例提供的NW-SE方向及W-E方向像素集合划分示意图；
图2（b）是以像素（i,j）为中心定义的方位；
图2（c）是像素（i,j）集合划分的四个方位；
图3是本发明实施例需要边缘检测的原始图像和使用基于刚体碰撞优化算法的边缘检测结果示意图；
图4是本发明实施例使用传统经典边缘检测方法得到的结果示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明提供一种基于刚体碰撞群智能优化算法的图像边缘检测方法，该方法有较好的适应性，能提供良好的边缘检测结果。基于4个方向的灰度导数，建立图像边缘强度矩阵。模仿刚体碰撞过程中的含一定能量损失的动量守恒原理，寻找和定位以灰度导数为基础定义的边缘强度较大的像素点，标记为边缘像素点。不依赖传统一些图像检测方法所使用的滤波器降噪技术，提供了一条图像边缘检测的新思路，是现有图像边缘检测方法的扩展
具体地，本发明实施例提供了一种基于刚体碰撞优化算法的图像边缘检测方法，包括：
将待检测图像转换为灰度图像；
确定所述灰度图像中任一像素对应的候选边缘方向，并根据像素宽范围划分得到为两个像素集合；
确定每个目标像素沿所述候选边缘方向的边缘强度；
将各个候选边缘方向中最大的边缘强度作为所述目标像素的边缘强度；
根据最大化方差法确定最佳边缘强度阈值；
初始化种群规模和问题维度，并产生初始样本矩阵；
将所述目标像素的边缘强度作为适应度函数，并设置循环次数；
根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点；
根据所述边缘像素点，输出图像边缘检测结果。
可选地，所述根据最大化方差法确定最佳边缘强度阈值，包括：
根据预设的初始边缘强度阈值，将图像像素分为第一像素集合和第二像素集合；
计算所述灰度图像中所有像素的第一平均边缘强度，并且计算所述第一像素集合和所述第二像素集合的第二平均边缘强度；
根据所述第一平均边缘强度和所述第二平均边缘强度计算边缘强度方差；
根据所述边缘强度方差确定所述最佳边缘强度阈值。
可选地，所述根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点，包括：
根据所述适应度函数、所述种群规模和所述初始样本矩阵，计算碰撞刚体的质量；
对所述碰撞刚体的质量进行降序排列，等分成数量相同的静态组和动态组两组；
初始化静态组的速度以及初始化动态组的速度；
根据所述碰撞刚体的质量，对所述静态组的速度和动态组的速度进行更新；
根据更新后的静态组的速度和动态组的速度，更新碰撞以后刚体的位置；
根据新的碰撞刚体的位置，确定边缘像素点。
可选地，所述根据新的碰撞刚体的位置，确定边缘像素点，包括：
对于种群中任一样本，当该样本的边缘强度大于边缘强度阈值时，将该样本对应位置的像素标记为边界点；
在所述边界点的目标范围内选取一个新的候选样本替换所述样本。
本发明实施例另一方面还提供了一种基于刚体碰撞优化算法的图像边缘检测装置，包括：
第一模块，用于将待检测图像转换为灰度图像；
第二模块，用于确定所述灰度图像中任一像素对应的候选边缘方向，并根据像素宽范围划分得到为两个像素集合；
第三模块，用于确定每个目标像素沿所述候选边缘方向的边缘强度；
第四模块，用于将各个候选边缘方向中最大的边缘强度作为所述目标像素的边缘强度；
第五模块，用于根据最大化方差法确定最佳边缘强度阈值；
第六模块，用于初始化种群规模和问题维度，并产生初始样本矩阵；
第七模块，用于将所述目标像素的边缘强度作为适应度函数，并设置循环次数；
第八模块，用于根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点；
第九模块，用于根据所述边缘像素点，输出图像边缘检测结果。
本发明实施例另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例另一方面还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前面所述的方法。
下面结合说明书附图，对本发明的具体实现原理进行详细说明：
图1是本实施例提供的一种基于刚体碰撞优化算法的图像边缘检测方法流程图，共包括6个步骤，具体如下：
S1、导入待检测图像，将其转换为灰度图像，以
Figure 977941DEST_PATH_IMAGE001
表示该数字灰 度图像，图像大小为
Figure 331693DEST_PATH_IMAGE002
，
Figure 303060DEST_PATH_IMAGE003
为
Figure 716855DEST_PATH_IMAGE004
处像素灰度值。
S2、考虑
Figure 914618DEST_PATH_IMAGE005
处可能成为边缘的四个方向（如图2(b)所示），
Figure 321328DEST_PATH_IMAGE006
（如图2 (c)所示），将
Figure 163514DEST_PATH_IMAGE007
邻域1个像素宽范围内以边缘像素为界，划分成两侧部分元素重叠的集合， 例如
Figure 731898DEST_PATH_IMAGE008
方向（如图2(a)所示）：
Figure 416957DEST_PATH_IMAGE009
按照同样的方法对其它三个方向分别划分集合：
Figure 708917DEST_PATH_IMAGE010
Figure 264663DEST_PATH_IMAGE011
S3、定义目标沿d方向
Figure 20261DEST_PATH_IMAGE012
的边缘强度
Figure 51671DEST_PATH_IMAGE013
：
Figure 550916DEST_PATH_IMAGE014
Figure 492328DEST_PATH_IMAGE015
Figure 668094DEST_PATH_IMAGE016
Figure 62166DEST_PATH_IMAGE017
其中，
Figure 935141DEST_PATH_IMAGE018
为边缘垂直的两侧方向，
Figure 465479DEST_PATH_IMAGE019
为两个方向像素集合灰度的平均差异，
Figure 94038DEST_PATH_IMAGE020
为集合内灰度的平均差异，
Figure 975406DEST_PATH_IMAGE021
为以边缘为界划分的两侧像素集合，
Figure 65722DEST_PATH_IMAGE022
为
Figure 591512DEST_PATH_IMAGE023
集合中的元素，
Figure 250027DEST_PATH_IMAGE024
为差异修正系数。
S4、选择四个方向的最大边缘强度作为
Figure 477746DEST_PATH_IMAGE025
位置像素的边缘强度
Figure 388064DEST_PATH_IMAGE026
，即
Figure 627415DEST_PATH_IMAGE027
其中,
Figure 847044DEST_PATH_IMAGE028
分别为
Figure 312792DEST_PATH_IMAGE029
位置像素沿着
Figure 885855DEST_PATH_IMAGE030
四个方向的边缘强度；
S5、按照最大化方差的原则确定最佳边缘强度阈值
Figure 369926DEST_PATH_IMAGE031
；
S6、刚体碰撞优化算法确定像素边缘点；
S7、输出边缘检测结果。
该步骤S5中以优化算法求解目标函数确定最佳边缘强度阈值
Figure 635823DEST_PATH_IMAGE031
，包括以下步骤：
S5-1、假定边缘强度阈值为t，将图像像素分为两类
Figure 588866DEST_PATH_IMAGE032
和
Figure 824676DEST_PATH_IMAGE033
；
S5-2、计算图像像素总的平均边缘强度
Figure 304198DEST_PATH_IMAGE034
：
Figure 350783DEST_PATH_IMAGE035
S5-3、计算
Figure 774811DEST_PATH_IMAGE036
和
Figure 299464DEST_PATH_IMAGE037
集合像素的平均边缘强度
Figure 899073DEST_PATH_IMAGE038
和
Figure 365826DEST_PATH_IMAGE039
：
Figure 418096DEST_PATH_IMAGE040
其中，
Figure 480861DEST_PATH_IMAGE041
和
Figure 528452DEST_PATH_IMAGE042
分别表示
Figure 182418DEST_PATH_IMAGE036
和
Figure 721984DEST_PATH_IMAGE037
集合中元素的个数；
S5-4、图像类之间像素的边缘强度方差为：
Figure 103287DEST_PATH_IMAGE043
其中，
Figure 287274DEST_PATH_IMAGE044
为
Figure 971197DEST_PATH_IMAGE045
集合像素占图像的比例；
S5-5、以优化算法求解目标函数确定最佳边缘强度阈值
Figure 857113DEST_PATH_IMAGE046
：
Figure 792839DEST_PATH_IMAGE047
该步骤S6中刚体碰撞优化算法确定边缘像素点，包括以下步骤：
S6-1、初始化碰撞刚体粒子种群规模
Figure 690388DEST_PATH_IMAGE048
，问题的维度
Figure 669845DEST_PATH_IMAGE049
，随机产生
Figure 59369DEST_PATH_IMAGE050
初始碰撞刚 体样本矩阵
Figure 657841DEST_PATH_IMAGE051
，其中每一行代表一个样本，设置循环次数
Figure 800109DEST_PATH_IMAGE052
，选择边缘强度作为适应度 函数
Figure 966780DEST_PATH_IMAGE053
；
S6-2、计算碰撞刚体
Figure 702654DEST_PATH_IMAGE054
的质量
Figure 963871DEST_PATH_IMAGE055
：
Figure 711379DEST_PATH_IMAGE056
S6-3、将碰撞刚体排序，按照质量降序排列，等分成数量相同的静态组和动态组两组，初始化碰撞前静态组的速度：
Figure 439163DEST_PATH_IMAGE057
S6-4、初始化动态组的速度：
Figure 255810DEST_PATH_IMAGE058
S6-5、更新碰撞之后静态组和动态组的速度：
Figure 337029DEST_PATH_IMAGE059
其中，
Figure 922731DEST_PATH_IMAGE060
，
Figure 290259DEST_PATH_IMAGE061
为算法迭代次数；
S6-6、更新碰撞以后刚体的位置
Figure 610513DEST_PATH_IMAGE062
：
Figure 744691DEST_PATH_IMAGE063
其中，
Figure 325845DEST_PATH_IMAGE064
为 [-1,1]之间的随机数；
S6-7、对于种群
Figure 270798DEST_PATH_IMAGE065
中的任一第
Figure 62037DEST_PATH_IMAGE066
个样本
Figure 609693DEST_PATH_IMAGE067
，若其边缘强度值大于边缘 强度阈值
Figure 451878DEST_PATH_IMAGE068
，则将
Figure 285842DEST_PATH_IMAGE069
对应位置的像素标记为边界点，并在其宽度为
Figure 705322DEST_PATH_IMAGE070
的范围内随机选取一 个新的候选样本替换种群中的
Figure 666456DEST_PATH_IMAGE071
；
S8、步骤S6-2~S6-7循环
Figure 815677DEST_PATH_IMAGE072
次。
下面以一张人像图像（如图3中的(a)所示）的边缘检测应用实例对本发明进行进一步阐述。该基于刚体碰撞优化算法的图像边缘检测方法包括以下步骤：
S1、导入待检测图像，将其转换为灰度图像，以
Figure 508958DEST_PATH_IMAGE073
表示该 数字灰度图像，图像大小为
Figure 25521DEST_PATH_IMAGE074
，
Figure 180559DEST_PATH_IMAGE075
为
Figure 794074DEST_PATH_IMAGE076
处像素灰度值。
S2、考虑
Figure 235420DEST_PATH_IMAGE077
处可能成为边缘的四个方向，
Figure 708120DEST_PATH_IMAGE078
，将
Figure 260324DEST_PATH_IMAGE079
邻域1个 像素宽范围内以边缘像素为界，划分成两侧部分元素重叠的集合，例如
Figure 56242DEST_PATH_IMAGE080
方向：
Figure 419222DEST_PATH_IMAGE081
按照同样的方法对其它三个方向分别划分集合：
Figure 894065DEST_PATH_IMAGE082
S3、定义目标沿d方向
Figure 735113DEST_PATH_IMAGE083
的边缘强度
Figure 979013DEST_PATH_IMAGE084
：
Figure 637527DEST_PATH_IMAGE085
Figure 350400DEST_PATH_IMAGE086
其中，
Figure 978827DEST_PATH_IMAGE087
为边缘垂直的两侧方向，
Figure 359124DEST_PATH_IMAGE088
为两个方向像素集合灰度的平均差异，
Figure 313173DEST_PATH_IMAGE089
为 集合内灰度的平均差异，
Figure 247763DEST_PATH_IMAGE090
为以边缘为界划分的两侧像素集合，
Figure 86406DEST_PATH_IMAGE091
为
Figure 570476DEST_PATH_IMAGE092
集合中的元素，
Figure 446160DEST_PATH_IMAGE093
为差异修正系数。
S4、选择四个方向的最大边缘强度作为
Figure 258258DEST_PATH_IMAGE094
位置像素的边缘强度
Figure 759646DEST_PATH_IMAGE095
，即
Figure 848956DEST_PATH_IMAGE096
其中，
Figure 285754DEST_PATH_IMAGE097
分别为
Figure 709782DEST_PATH_IMAGE098
位置像素沿着
Figure 890228DEST_PATH_IMAGE099
四个方向的边缘强度；
S5、按照最大化方差的原则确定最佳边缘强度阈值
Figure 935561DEST_PATH_IMAGE100
；
S6、刚体碰撞优化算法确定像素边缘点；
S7、输出边缘检测结果。
其中，步骤S5中以优化算法求解目标函数确定最佳边缘强度阈值
Figure 402314DEST_PATH_IMAGE101
，包括以下步 骤：
S5-1、假定边缘强度阈值为
Figure 189004DEST_PATH_IMAGE102
，将图像像素分为两类
Figure 782928DEST_PATH_IMAGE103
和
Figure 361677DEST_PATH_IMAGE104
；
S5-2、计算图像像素总的平均边缘强度
Figure 874698DEST_PATH_IMAGE105
：
Figure 758471DEST_PATH_IMAGE106
S5-3、计算
Figure 139774DEST_PATH_IMAGE107
和
Figure 792603DEST_PATH_IMAGE108
集合像素的平均边缘强度
Figure 742105DEST_PATH_IMAGE109
和
Figure 628021DEST_PATH_IMAGE110
：
Figure 563747DEST_PATH_IMAGE111
其中，
Figure 726875DEST_PATH_IMAGE112
和
Figure 971912DEST_PATH_IMAGE113
分别表示
Figure 830278DEST_PATH_IMAGE114
和
Figure 694329DEST_PATH_IMAGE115
集合中元素的个数；
S5-4、图像类之间像素的边缘强度方差为：
Figure 571018DEST_PATH_IMAGE116
其中，
Figure 737688DEST_PATH_IMAGE117
为
Figure 473563DEST_PATH_IMAGE118
集合像素占图像的比例；
S5-5、以优化算法求解目标函数确定最佳边缘强度阈值
Figure 359DEST_PATH_IMAGE119
：
Figure 138079DEST_PATH_IMAGE047
其中，步骤S6中刚体碰撞优化算法确定边缘像素点，包括以下步骤：
S6-1、初始化碰撞刚体粒子种群规模
Figure 210072DEST_PATH_IMAGE120
，问题的维度
Figure 557876DEST_PATH_IMAGE121
，随机产生
Figure 763730DEST_PATH_IMAGE122
初始 碰撞刚体样本矩阵
Figure 365744DEST_PATH_IMAGE123
，其中每一行代表一个样本，设置循环次数
Figure 123484DEST_PATH_IMAGE124
，选择边缘强度 作为适应度函数
Figure 568372DEST_PATH_IMAGE125
；
S6-2、计算碰撞刚体
Figure 453282DEST_PATH_IMAGE126
的质量
Figure 159070DEST_PATH_IMAGE127
：
Figure 228657DEST_PATH_IMAGE128
S6-3、将碰撞刚体排序，按照质量降序排列，等分成数量相同的静态组和动态组两组，初始化碰撞前静态组的速度：
Figure 770628DEST_PATH_IMAGE129
S6-4、初始化动态组的速度：
Figure 177339DEST_PATH_IMAGE130
S6-5、更新碰撞之后静态组和动态组的速度：
Figure 222786DEST_PATH_IMAGE131
其中，
Figure 322329DEST_PATH_IMAGE132
，
Figure 476230DEST_PATH_IMAGE134
为算法迭代次数；
S6-6、更新碰撞以后刚体的位置
Figure 702943DEST_PATH_IMAGE135
：
Figure 383323DEST_PATH_IMAGE136
其中，
Figure 794713DEST_PATH_IMAGE137
为 [-1,1]之间的随机数；
S6-7、对于种群
Figure 311276DEST_PATH_IMAGE138
中的任一第
Figure 325369DEST_PATH_IMAGE139
个样本
Figure 1201DEST_PATH_IMAGE140
，若其边缘强度值大于边缘 强度阈值
Figure 193279DEST_PATH_IMAGE141
，则将
Figure 446405DEST_PATH_IMAGE142
对应位置的像素标记为边界点，并在其宽度为
Figure 873976DEST_PATH_IMAGE143
的范围内随机选取 一个新的候选样本替换种群中的
Figure 545260DEST_PATH_IMAGE144
；
S8、步骤S6-2~S6-7循环
Figure 891927DEST_PATH_IMAGE145
次。
本实施例中所公开的基于刚体碰撞优化算法的边缘检测方法与其它各经典边缘检测方法得到的结果如图3中的(b)和图4所示，从图3中的（b）和图4可以看出，所公开的基于刚体碰撞优化算法的边缘检测方法，在未使非极大值抑制等措施的情况下，边缘检测效果比Canny略差，达到甚至超过了其它Sobol、Roberts、Prewitt等方法的边缘检测效果，图像轮廓特征更清晰和明显，提供了一条图像边缘检测的新途径。
综上所述，本发明相对于现有技术具有如下的优点及效果：
（1）本发明建立在刚体碰撞群智能优化算法基础上，边缘像素点的搜索算法参数简单，易于实现。
（2）本发明基于4个方向的灰度导数，建立图像边缘强度矩阵，将边缘点附近的小规模局部搜索和大量的全局搜索相结合，保证了该边缘检测方法不会陷入局部边缘点，找到最重要的图像全局边缘特征。
（3）本发明将刚体碰撞群智能优化算法应用于图像边缘检测，扩展了群智能算法在图像分析与处理问题中的有效性和通用性，对图像分析与处理领域有重要的意义。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果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，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种基于刚体碰撞优化算法的图像边缘检测方法，其特征在于，包括：
将待检测图像转换为灰度图像；
确定所述灰度图像中任一像素对应的候选边缘方向，并根据像素宽范围划分得到为两个像素集合；
确定每个目标像素沿所述候选边缘方向的边缘强度；
将各个候选边缘方向中最大的边缘强度作为所述目标像素的边缘强度；
根据最大化方差法确定最佳边缘强度阈值；
初始化种群规模和问题维度，并产生初始样本矩阵；
将所述目标像素的边缘强度作为适应度函数，并设置循环次数；
根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点；
根据所述边缘像素点，输出图像边缘检测结果；
所述根据最大化方差法确定最佳边缘强度阈值，包括：
根据预设的初始边缘强度阈值，将图像像素分为第一像素集合和第二像素集合；
计算所述灰度图像中所有像素的第一平均边缘强度，并且计算所述第一像素集合和所述第二像素集合的第二平均边缘强度；
根据所述第一平均边缘强度和所述第二平均边缘强度计算边缘强度方差；
根据所述边缘强度方差确定所述最佳边缘强度阈值。
2.根据权利要求1所述的基于刚体碰撞优化算法的图像边缘检测方法，其特征在于，所述根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点，包括：
根据所述适应度函数、所述种群规模和所述初始样本矩阵，计算碰撞刚体的质量；
对所述碰撞刚体的质量进行降序排列，等分成数量相同的静态组和动态组两组；
初始化静态组的速度以及初始化动态组的速度；
根据所述碰撞刚体的质量，对所述静态组的速度和动态组的速度进行更新；
根据更新后的静态组的速度和动态组的速度，更新碰撞以后刚体的位置；
根据新的碰撞刚体的位置，确定边缘像素点。
3.根据权利要求2所述的基于刚体碰撞优化算法的图像边缘检测方法，其特征在于，所述根据新的碰撞刚体的位置，确定边缘像素点，包括：
对于种群中任一样本，当该样本的边缘强度大于边缘强度阈值时，将该样本对应位置的像素标记为边界点；
在所述边界点的目标范围内选取一个新的候选样本替换所述样本。
4.一种基于刚体碰撞优化算法的图像边缘检测装置，其特征在于，包括
第一模块，用于将待检测图像转换为灰度图像；
第二模块，用于确定所述灰度图像中任一像素对应的候选边缘方向，并根据像素宽范围划分得到为两个像素集合；
第三模块，用于确定每个目标像素沿所述候选边缘方向的边缘强度；
第四模块，用于将各个候选边缘方向中最大的边缘强度作为所述目标像素的边缘强度；
第五模块，用于根据最大化方差法确定最佳边缘强度阈值；
第六模块，用于初始化种群规模和问题维度，并产生初始样本矩阵；
第七模块，用于将所述目标像素的边缘强度作为适应度函数，并设置循环次数；
第八模块，用于根据所述最佳边缘强度阈值、所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数，采用刚体碰撞优化算法确定边缘像素点；
第九模块，用于根据所述边缘像素点，输出图像边缘检测结果；
其中，所述第五模块具体用于：
根据预设的初始边缘强度阈值，将图像像素分为第一像素集合和第二像素集合；
计算所述灰度图像中所有像素的第一平均边缘强度，并且计算所述第一像素集合和所述第二像素集合的第二平均边缘强度；
根据所述第一平均边缘强度和所述第二平均边缘强度计算边缘强度方差；
根据所述边缘强度方差确定所述最佳边缘强度阈值。
5.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至3中任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至3中任一项所述的方法。
CN202111455684.0A 2021-12-02 2021-12-02 基于刚体碰撞优化算法的图像边缘检测方法、装置及介质 Active CN113870296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111455684.0A CN113870296B (zh) 2021-12-02 2021-12-02 基于刚体碰撞优化算法的图像边缘检测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111455684.0A CN113870296B (zh) 2021-12-02 2021-12-02 基于刚体碰撞优化算法的图像边缘检测方法、装置及介质

Publications (2)

Publication Number Publication Date
CN113870296A CN113870296A (zh) 2021-12-31
CN113870296B true CN113870296B (zh) 2022-02-22

Family

ID=78985474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111455684.0A Active CN113870296B (zh) 2021-12-02 2021-12-02 基于刚体碰撞优化算法的图像边缘检测方法、装置及介质

Country Status (1)

Country Link
CN (1) CN113870296B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115239692B (zh) * 2022-08-12 2023-06-27 广东科学技术职业学院 一种基于图像识别技术的电子元器件检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018063238A (ja) * 2016-10-11 2018-04-19 株式会社東芝 エッジ検出装置、エッジ検出方法、及び物品保持装置
CN111553342A (zh) * 2020-04-01 2020-08-18 深圳一清创新科技有限公司 一种视觉定位方法、装置、计算机设备和存储介质
CN111680611A (zh) * 2020-06-03 2020-09-18 江苏无线电厂有限公司 一种道路通过性检测方法、系统及设备
CN112435208A (zh) * 2019-08-07 2021-03-02 河海大学常州校区 显著性边缘引导的绝缘子区域检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7616204B2 (en) * 2005-10-19 2009-11-10 Nvidia Corporation Method of simulating dynamic objects using position based dynamics
US7930152B2 (en) * 2006-07-14 2011-04-19 Colorado School Of Mines Method for signal and image processing with lattice gas processes
US9478105B1 (en) * 2008-12-30 2016-10-25 Lucasfilm Entertainment Company Ltd. Detecting collision between objects
WO2015132817A1 (ja) * 2014-03-05 2015-09-11 三菱電機株式会社 エッジ検出装置、エッジ検出方法およびプログラム
JP6656988B2 (ja) * 2016-03-30 2020-03-04 株式会社エクォス・リサーチ 画像処理装置、半導体装置、画像認識装置、移動体装置、及び画像処理方法
CN108846322A (zh) * 2018-05-25 2018-11-20 重庆大学 快速高精度的车辆碰撞检测方法
TWI693577B (zh) * 2018-09-19 2020-05-11 聚晶半導體股份有限公司 影像產生方法與電子裝置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018063238A (ja) * 2016-10-11 2018-04-19 株式会社東芝 エッジ検出装置、エッジ検出方法、及び物品保持装置
CN112435208A (zh) * 2019-08-07 2021-03-02 河海大学常州校区 显著性边缘引导的绝缘子区域检测方法
CN111553342A (zh) * 2020-04-01 2020-08-18 深圳一清创新科技有限公司 一种视觉定位方法、装置、计算机设备和存储介质
CN111680611A (zh) * 2020-06-03 2020-09-18 江苏无线电厂有限公司 一种道路通过性检测方法、系统及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Collision Detection for 3D Rigid Body Motion Planning with Narrow Passages;Daniel Schneider et al;《International Conference on Robotics and Automation》;20171231;4365-4370 *
包围盒碰撞检测算法的优化;刘健鑫等;《计算机工程与应用》;20080621(第18期);51-53,86 *
基于改进布谷鸟搜索算法的图像边缘检测;邓江洪 等;《计算机系统应用》;20151231;第24卷(第8期);第281-285页 *

Also Published As

Publication number Publication date
CN113870296A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
Khaire et al. A fuzzy set approach for edge detection
US7450762B2 (en) Method and arrangement for determining an object contour
Wang et al. Generalizing cell segmentation and quantification
Hu et al. A multi-directions algorithm for edge detection based on fuzzy mathematical morphology
Djemame et al. Solving reverse emergence with quantum PSO application to image processing
Yan et al. Method to Enhance Degraded Image in Dust Environment.
CN113870296B (zh) 基于刚体碰撞优化算法的图像边缘检测方法、装置及介质
Mahmoud et al. Segmentation of skin cancer images based on gradient vector flow (GVF) snake
Jevtić et al. Edge detection using ant colony search algorithm and multiscale contrast enhancement
Qiao et al. Layered input GradiNet for image denoising
Guan et al. NCDCN: multi-focus image fusion via nest connection and dilated convolution network
Ma et al. Feature selection module for CNN based object detector
Nguyen et al. An improved real-time blob detection for visual surveillance
Elaraby et al. A Novel Algorithm for Edge Detection of Noisy Medical Images
Lei et al. Two-dimensional maximum entropy image segmentation method based on quantum-behaved particle swarm optimization algorithm
El-Sayed Edges detection based on renyi entropy with split/merge
CN113888577B (zh) 一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质
Zhang et al. A digital fuzzy edge detector for color images
Al-Hussain et al. Moment-preserving thresholding using gamma distribution
CN108596954B (zh) 一种基于压缩感知的视频车辆跟踪方法
Liang et al. Image Edge Detection with Fuzzy Classifier.
CN113850830B (zh) 基于布谷鸟优化算法的图像边缘检测方法、装置及介质
CN113870297B (zh) 一种图像边缘检测方法、装置及存储介质
Hu et al. A multistage with multiattention network for single image dehazing
See et al. Fuzzy-based parameterized gaussian edge detector using global and local properties

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
GR01 Patent grant
GR01 Patent grant