CN114022505A - 一种彩色图像边缘检测方法 - Google Patents
一种彩色图像边缘检测方法 Download PDFInfo
- Publication number
- CN114022505A CN114022505A CN202111332032.8A CN202111332032A CN114022505A CN 114022505 A CN114022505 A CN 114022505A CN 202111332032 A CN202111332032 A CN 202111332032A CN 114022505 A CN114022505 A CN 114022505A
- Authority
- CN
- China
- Prior art keywords
- equation
- image
- edge detection
- threshold
- fhn
- 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 73
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000009792 diffusion process Methods 0.000 claims abstract description 66
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000001413 cellular effect Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract 12
- 238000010606 normalization Methods 0.000 claims abstract 2
- 210000004027 cell Anatomy 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 4
- 210000004460 N cell Anatomy 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000087 stabilizing effect 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种彩色图像边缘检测方法,步骤1、输入彩色图像并对输入的原始图像进行归一化处理;步骤2、分析FHN的单稳态特性,根据局部区域的灰度变化,构造了一个调整函数来优化反应扩散方程中的扩散系数,计算出具有灰度自适应的阈值;步骤3、构造一个基于FitzHugh‑Nagumo(FHN)反应扩散方程的细胞神经网络结构;步骤4、利用提出的的细胞神经网络模型可以分别对灰度彩色图像或在HSV颜色空间对彩色彩色图像进行边缘检测;步骤5、输出彩色图像的边缘检测结果。本发明分析了FHN反应扩散方程的动力学性质,证明了其在图像边缘提取中的可行性;将基于FHN反应扩散方程的CNN应用于灰度和彩色彩色图像的边缘检测;采用反应扩散方程对扩散系数进行优化,使阈值更具适应性,由于自适应阈值可以根据彩色图像的亮度自适应选取,因此,提出的这种彩色图像边缘检测方法行之有效。
Description
技术领域
本发明属于图像分割技术领域,特别是涉及一种基于反应扩散方程彩色图像边缘检测方法。
背景技术
边缘检测是图像处理领域的一个经典问题,尤其彩色图像边缘提取一直是图像处理领域的热点问题。与灰度图像相比,彩色图像的边缘检测结果会包含更多的边缘信息,特别是对于一些亮度相同但颜色不同的图像。近年来,许多科学家在这一领域做了大量的研究。一些是关于经典算法的优化,例如,Sobel算子,Canny算等,虽然这些技术在原有的基础上进行了一些优化,但并没有从根本上解决这些方法固有的缺点,如边缘提取精度不够,阈值不能自适应等。除了一些经典的方法外,还有模糊算法和梯度算子等方法来提取彩色图像的边缘。它们大多是为了解决图像边缘检测中的抗噪声问题,并没有在很大程度上提高提取的精度。因此,有必要提出更有效的彩色图像边缘检测算法,以提高边缘信息的质量。细胞神经网络(CNN)是图像边缘检测的有效工具之一。它由Berkeley等人在1988年提出,是一种具有实时信号处理能力的大型非线性电路,由大量的单元组成,只允许相邻单元之间直接通信。由于其易于在超大规模集成电路硬件中实现,因此,在图像处理、模式识别、视觉信号处理和仿真等领域得到了广泛的应用,但其致命的缺点是:抗干扰能力差,边缘检出的准确度低。Pham Hong Long方法利用反应扩散模型对CNN模型进行了优化。虽然边缘检测的准确度得到了提高,但阈值的自适应性不强,在彩色图像边缘检测中的应用也不理想。本方法对CNN进行了改进,提出一种基于FitzHugh-Nagumo(FHN)反应扩散方程的CNN彩色图像边缘检测方法以解决此问题。
发明内容
本发明为了解决现有的图像分割技术中边缘提取精度不够,阈值不能自适应的问题,提出一种基于反应扩散方程彩色图像边缘检测方法。
本发明的目的通过以下技术方案实现一种彩色图像边缘检测方法,包括以下步骤:
步骤1、输入彩色数字图像并对输入的原始图像进行归一化处理;
步骤2、分析FHN的单稳态特性,根据局部区域的灰度变化,构造了一个调整函数来优化反应扩散方程中的扩散系数,计算出具有灰度自适应的阈值;
步骤3、构成一个基于FitzHugh-Nagumo(FHN)反应扩散方程的两层细胞神经网络CNN网络;
步骤4、利用提出的的细胞神经网络模型在HSV颜色空间进行彩色图像边缘检测;
步骤5、输出彩色图像的边缘检测结果。
主要发明内容为,将输入的彩色数字图像数据值归一化处理到的[0,1]的值域范围内,进一步地,利用FHN进行图像边缘检测,分析FHN的单稳态特性,从单稳态图像中可以找到一个稳定点,从稳定点的邻域的任意初始值开始,解最终会收敛到稳定点,这个稳定点可以看作是一个阈值。
阈值影响边缘检测的程度,较小的阈值可以检测到更全面的边缘,但同时会获得更大的噪声量,较大的阈值又会有一些边缘丢失。通常要想获得最佳阈值,可以通过多次验证来平衡阈值,然而,图像中每个区域的灰度值变化方式不同,在某些区域,选择固定不变的阈值会导致边缘检测不理想,固定阈值边缘检测算法只适用于亮度规则的图像,Nomura提出了一种阈值计算方法,阈值a不是整个图像区域亮度的平均值,而是需要根据局部区域的灰度变化,a的扩散方程如方程(1):
a(x)=A(u0(x);D,T) (1)
其中,u(x,t=0)=u0(x))是u的初始状态,T是演变时间,D是扩散系数。
该方程可用于亮度图像的边缘检测,但存在一些缺陷。随着反应扩散系数的增大,边缘之间的距离增大,边缘会被覆盖,从而导致图像边缘模糊,此外,扩散系数D通常取为常数,为区域的平均值,但也需要手动预置,因此,需要对系数D进行了改进,以使阈值完全自适应,避免假边缘。
本方法构造了一个调整函数来优化反应扩散方程中的扩散系数,系数D表示为h(r)。调整函数可以灵活地调整扩散系数,使阈值真正自适应,如方程(2)所示。
在方程(7)中,h(r)是一个单调递减的非负函数,其范围为(0,1],它能灵活的调整扩散系数,进而调整真假边缘的距离,从而减少边缘检测中假边缘的产生,k为常数,主要用于控制D的下降率,一般通过多次迭代实验确定,r为图像中各点的归一化梯度值,与亮度变化程度成正比,如方程(3)所示。
其中,和这两个值表示水平和垂直亮度差的近似值。U0表示初始图像。本方法增加的调节函数可以灵活地改变扩散系数,反应扩散方程可以自适应地调整阈值。通常,图像边缘处的图像梯度r较大,h(r)会在此处取极小值,从而使作用力变小,直至停止,h(r)可以在任何情况下将曲线引向边界,最终稳定在对象边缘。将改进后的阈值代入由FHN方程改进的CNN边缘检测模板中,可以得到自适应阈值,提高边缘检测的准确性。当对图像进行边缘检测时,如果采用的阈值不合适,会使得图像像素值在反应项的作用下瞬时间向两个方向变化,图像在离散模型作用下产生真假双边缘,且随着反应扩散系数的增加,双边缘之间的距离拉的越大,甚至会产生覆盖边缘的现象,使图像边缘模糊,而采用自适应阈值a(x)=A(U0;h(r),1.0)能很好避免这个问题,精确地检测到图像边缘。自适应阈值算法如下:和
进一步地,将FHN反应扩散方程应用于图像处理时,必须考虑其动态系统特性。FHN反应扩散方程组如方程(4):
其中,f(u,v)=ε[u(a-u)(u-1)-v];g(u,v)=u-bv,u和v与向量空间x∈Rn有关,Du和Dv为扩散系数,且Du<<Dv。u(x,t=0)=U0(x)为变量u的初始状态,v(x,t=0)=V0(x)为变量v的初始状态。
下面将方程(4)可转化为方程(5)分析系统的Turing不稳定性质:
其中,a和b都是常量,ε是一个正常数,且ε>>1。
标准的CNN体系结构由M×N矩形单元阵列组成,位于第i行和第j列的元素称为单元,用c(i,j)表示,CNN的每一个基本电路单元称为单元,每个单元由线性电容器、非线性电压控制电流源和一些线性电阻元件组成,CNN中的每一个单元只直接连接到相邻的单元,M×N个单元的CNN状态方程如方程(6)所示:
其中,1≤i≤M,1≤j≤N,Xij表示神经网络中单元c(i,j)的状态,r是单元的邻域半径,c(k,l)表示c(i,j)附近的单元,Nr(i,j)是邻居,A(i,j,k,l)表示c(k,l)和c(i,j)输出Vykl的连接权重,B(i,j,k,l)表示c(k,l)和c(i,j)输入Vukl的连接权重,矩阵A被称为反馈模板,矩阵B被称为控制模板。
在二维空间(x,y)∈R中,采用九点差分显示格式求解反应扩散方程组,空间变量(x,y)和时间变量t用有限差分法进行离散,空间步长和时间步长分别是δh和δt,且i,j和k是离散空间和时间的指数,其中i=x/δh,j=y/δh及k=t/δt,变量u(x,y,t))的离散形式可以表示为方程(7)。
根据CNN模型的细胞状态函数方程(6),可以将方程(8)转化为方程(9),
同理,方程(6)②可转化为方程(10),
CNN的3×3模板可由方程(9)和方程(10)得到,如方程(11):
其中,Au,u,Av,u,Av,v和Au,v为反馈模板,Bu,u和Bv,v为控制模板,这是一个两层的CNN,在图像处理中,数字图像的大小是M×N,它有M行和N列,设i=0,1,…,M-1,j=0,1,…,N-1,则方程(2)的Neumann边界条件的离散表达式如方程(12)。
基于初值(u0,v0)和离散边界条件方程(12),基于方程(9)和方程(10)的迭代运算,得到了随时间演化的解(u,v),这两个方程构成了一个基于FHN的两层CNN反应扩散离散网络,这里,阈值Z是0,这种提出的方法具有边缘检测和增强图像边缘的功能。
进一步地,为了更准确地检测彩色图像的边缘,首先需要选择最合适的颜色空间,彩色图像的边缘检测通常在RGB空间、CMYK空间和HSV空间进行,用于输出融合,HSV空间是一个非线性的颜色表示系统,主要由三个元素来表示:色调(H)、饱和度(S)和亮度(V),本方法采用Sobel算子比较了彩色图像在RGB,CMYK和HSV空间的边缘检测效果,在RGB和CMYK空间的边缘检测结果中存在大量冗余信息。颜色信息的丢失和混淆会产生大量的干涉噪声,严重影响图像边缘检测的质量,相比之下,由于HSV空间中每个分量的有效独立性,在HSV空间中检测到的彩色图像边缘更加清晰,因此,本方法利用改进的细胞神经网络模型研究HSV颜色空间中彩色图像的边缘检测问题,将改进后的阈值代入由FHN方程改进的CNN边缘检测模板中,可以得到自适应阈值,同时,它可以调整边缘之间的距离,防止边缘检测过程中出现假边缘。
附图说明
图1是一种彩色林火遥感图像的目标区域分割方法流程图;
图2是输入的彩数字图像原始图像;
图3是边缘检测得到彩色边缘图像。
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。
细胞神经网络(CNN)是图像边缘检测的有效工具之一,它由Berkeley等人在1988年提出,是一种具有实时信号处理能力的大型非线性电路,由大量的单元组成,只允许相邻单元之间直接通信,由于其易于在超大规模集成电路硬件中实现,因此,在图像处理、模式识别、视觉信号处理和仿真等领域得到了广泛的应用,但其致命的缺点是:抗干扰能力差,边缘检出的准确度低。Pham Hong Long方法利用反应扩散模型对CNN模型进行了优化,虽然边缘检测的准确度得到了提高,但阈值的自适应性不强,在彩色图像边缘检测中的应用也不理想。本方法对CNN进行了改进,提出一种基于FitzHugh-Nagumo(FHN)反应扩散方程的CNN彩色图像边缘检测方法以解决边缘提取精度不够,阈值不能自适应问题。
结合图1-图3,本发明提出一种彩色图像边缘检测方法,包括以下步骤:
步骤1、输入彩色数字图像并对输入的原始图像进行归一化处理;
步骤2、分析FHN的单稳态特性,根据局部区域的灰度变化,构造了一个调整函数来优化反应扩散方程中的扩散系数,计算出具有灰度自适应的阈值;
步骤3、构成一个基于FitzHugh-Nagumo(FHN)反应扩散方程的两层细胞神经网络CNN网络;
步骤4、利用提出的的细胞神经网络模型在HSV颜色空间进行彩色图像边缘检测;
步骤5、输出彩色图像的边缘检测结果。
具体实施方式为,首先将输入的彩色数字图像数据值归一化处理到的[0,1]的值域范围内,进一步地,构造了一个调整函数来优化反应扩散方程中的扩散系数,系数D表示为h(r),调整函数可以灵活地调整扩散系数,使阈值真正自适应,如方程(1)所示:
在方程(1)中,h(r)是一个单调递减的非负函数,其范围为(0,1],它能灵活的调整扩散系数,进而调整真假边缘的距离,从而减少边缘检测中假边缘的产生,k为常数,主要用于控制D的下降率,一般通过多次迭代实验确定,r为图像中各点的归一化梯度值,与亮度变化程度成正比,如方程(2)所示:
其中,和这两个值表示水平和垂直亮度差的近似值,U0表示初始图像,本方法增加的调节函数可以灵活地改变扩散系数,反应扩散方程可以自适应地调整阈值,通常,图像边缘处的图像梯度r较大,h(r)会在此处取极小值,从而使作用力变小,直至停止,h(r)可以在任何情况下将曲线引向边界,最终稳定在对象边缘,将改进后的阈值代入由FHN方程改进的CNN边缘检测模板中,可以得到自适应阈值,提高边缘检测的准确性,当对图像进行边缘检测时,如果采用的阈值不合适,会使得图像像素值在反应项的作用下瞬时间向两个方向变化,图像在离散模型作用下产生真假双边缘,且随着反应扩散系数的增加,双边缘之间的距离拉的越大,甚至会产生覆盖边缘的现象,使图像边缘模糊,而采用自适应阈值a(x)=A(U0;h(r),10)能很好避免这个问题,精确地检测到图像边缘,自适应阈值算法如下:和进一步地,提出基于FHN反应扩散方程的CNN模型,FHN反应扩散方程组如方程(3):
其中,f(u,v)=ε[u(a-u)(u-1)-v];g(u,v)=u-bv,u和v与向量空间x∈Rn有关,Du和Dv为扩散系数,且Du<<Dv,u(x,t=0)=U0(x)为变量u的初始状态,v(x,t=0)=V0(x)为变量v的初始状态,下面将方程(3)可转化为方程(4)分析系统的Turing不稳定性质:
其中,a和b都是常量,ε是一个正常数,且ε>>1,标准的CNN体系结构由M×N矩形单元阵列组成,位于第i行和第j列的元素称为单元,用c(i,j)表示,CNN的每一个基本电路单元称为单元,每个单元由线性电容器、非线性电压控制电流源和一些线性电阻元件组成,CNN中的每一个单元只直接连接到相邻的单元,M×N个单元的CNN状态方程如方程(5)所示:
其中,1≤i≤M,1≤j≤N,Xij表示神经网络中单元c(i,j)的状态。r是单元的邻域半径,c(k,l)表示c(i,j)附近的单元,Nr(i,j)是邻居,A(i,j,k,l)表示c(k,l)和c(i,j)输出Vykl的连接权重,B(i,j,k,l)表示c(k,l)和c(i,j)输入Vukl的连接权重,矩阵A被称为反馈模板,矩阵B被称为控制模板,在二维空间(x,y)∈R中,采用九点差分显示格式求解反应扩散方程组,空间变量(x,y)和时间变量t用有限差分法进行离散,空间步长和时间步长分别是δh和δt,且i,j和k是离散空间和时间的指数,其中i=x/δh,j=y/δh及k=t/δt,变量u(x,y,t)的离散形式可以表示为方程(6),
根据CNN模型的细胞状态函数方程(5),可以将方程(6)转化为方程(7),
同理,方程(4)②可转化为方程(8),
CNN的3×3模板可由方程(7)和方程(8)得到,如方程(9):
其中,Au,u,Av,u,Av,v和Au,v为反馈模板,Bu,u和Bv,v为控制模板,这是一个两层的CNN,在图像处理中,数字图像的大小是M×N,它有M行和N列,设i=0,1,…,M-1,j=0,1,…,N-1,则方程(2)的Neumann边界条件的离散表达式如方程(10):
基于初值(u0,v0)和离散边界条件方程(10),基于方程(7)和方程(8)的迭代运算,得到了随时间演化的解(u,v),这两个方程构成了一个基于FHN的两层CNN反应扩散离散网络,这里,阈值Z是0,这种提出的方法具有边缘检测和增强图像边缘的功能,进一步地,为了更准确地检测彩色图像的边缘,首先需要选择最合适的颜色空间。彩色图像的边缘检测通常在RGB空间、CMYK空间和HSV空间进行,用于输出融合,HSV空间是一个非线性的颜色表示系统,主要由三个元素来表示:色调(H)、饱和度(S)和亮度(V),本方法采用Sobel算子比较了彩色图像在RGB,CMYK和HSV空间的边缘检测效果,在RGB和CMYK空间的边缘检测结果中存在大量冗余信息,颜色信息的丢失和混淆会产生大量的干涉噪声,严重影响图像边缘检测的质量,相比之下,由于HSV空间中每个分量的有效独立性,在HSV空间中检测到的彩色图像边缘更加清晰,因此,本方法利用改进的细胞神经网络模型研究HSV颜色空间中彩色图像的边缘检测问题,将改进后的阈值代入由FHN方程改进的CNN边缘检测模板中,可以得到自适应阈值,同时,它可以调整边缘之间的距离,防止边缘检测过程中出现假边缘。
以上对本发明所提供的一种彩色图像边缘检测方法,进行了详细介绍,本方法中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种彩色图像边缘检测方法,其特征在于,包括以下步骤:
步骤1、输入彩色图像并对输入的原始图像进行归一化处理;
步骤2、分析FHN的单稳态特性,根据局部区域的灰度变化,构造了一个调整函数来优化反应扩散方程中的扩散系数,计算出具有灰度自适应的阈值;
步骤3、构成一个基于FitzHugh-Nagumo(FHN)反应扩散方程的细胞神经网络CNN网络;
步骤4、利用提出的的细胞神经网络模型在进行彩色图像边缘检测;
步骤5、输出彩色图像的边缘检测结果。
2.根据权利要求1所述,其特征在于,将输入的彩色图像数据值归一化处理到的[0,1]的值域范围内。
3.根据权利要求2所述,其特征在于,利用FHN进行图像边缘检测,一般分析FHN的单稳态特性,从单稳态图像中可以找到一个稳定点A,从稳定点A的邻域的任意初始值开始,解最终会收敛到稳定点,A可以看作是一个阈值,如果一个阈值大于另一个阈值,则确定为边点,否则将确定为非边,阈值影响边缘检测的程度,较小的阈值可以检测到更全面的边缘,但同时会获得更大的噪声量,较大的阈值又会有一些边缘丢失,通常要想获得最佳阈值,可以通过多次验证来平衡阈值,然而,图像中每个区域的灰度值变化方式不同,在某些区域,选择固定不变的阈值会导致边缘检测不理想,固定阈值边缘检测算法只适用于亮度规则的图像,Nomura提出了一种阈值计算方法,阈值a不是整个图像区域亮度的平均值,而是需要根据局部区域的灰度变化,a的扩散方程如方程(1):
a(x)=A(u0(x);D,T) (1)
其中,u(x,t=0)=u0(x)是u的初始状态,T是演变时间,D是扩散系数,该方程可用于亮度图像的边缘检测,但存在一些缺陷,随着反应扩散系数的增大,边缘之间的距离增大,边缘会被覆盖,从而导致图像边缘模糊,此外,扩散系数D通常取为常数,为区域的平均值,但也需要手动预置,因此,需要对系数D进行了改进,以使阈值完全自适应,避免假边缘,本方法构造了一个调整函数来优化反应扩散方程中的扩散系数,系数D表示为h(r),调整函数可以灵活地调整扩散系数,使阈值真正自适应,如方程(2)所示:
在方程(7)中,h(r)是一个单调递减的非负函数,其范围为(0,1],它能灵活的调整扩散系数,进而调整真假边缘的距离,从而减少边缘检测中假边缘的产生,k为常数,主要用于控制D的下降率,一般通过多次迭代实验确定,r为图像中各点的归一化梯度值,与亮度变化程度成正比,如方程(3)所示:
其中,和这两个值表示水平和垂直亮度差的近似值,U0表示初始图像,本方法增加的调节函数可以灵活地改变扩散系数,反应扩散方程可以自适应地调整阈值,通常,图像边缘处的图像梯度r较大,h(r)会在此处取极小值,从而使作用力变小,直至停止,h(r)可以在任何情况下将曲线引向边界,最终稳定在对象边缘,将改进后的阈值代入由FHN方程改进的CNN边缘检测模板中,可以得到自适应阈值,提高边缘检测的准确性,当对图像进行边缘检测时,如果采用的阈值不合适,会使得图像像素值在反应项的作用下瞬时间向两个方向变化,图像在离散模型作用下产生真假双边缘,且随着反应扩散系数的增加,双边缘之间的距离拉的越大,甚至会产生覆盖边缘的现象,使图像边缘模糊,而采用自适应阈值a(x)=A(U0;h(r),1.0)能很好避免这个问题,精确地检测到图像边缘,自适应阈值算法如下:和a(x)=A(u(x,t=0);
4.根据权利要求3所述,其特征在于,将FHN反应扩散方程应用于图像处理时,必须考虑其动态系统特性,FHN反应扩散方程组如方程(4):
其中,f(u,v)=ε[u(a-u)(u-1)-v];g(u,v)=u-bv,u和v与向量空间x∈Rn有关,Du和Dv为扩散系数,且Du<<Dv,u(x,t=0)=U0(x)为变量u的初始状态,v(x,t=0)=V0(x)为变量v的初始状态,下面将方程(4)可转化为方程(5)分析系统的Turing不稳定性质:
其中,a和b都是常量,ε是一个正常数,且ε>>1,标准的CNN体系结构由M×N矩形单元阵列组成,位于第i行和第j列的元素称为单元,用c(i,j)表示,CNN的每一个基本电路单元称为单元,每个单元由线性电容器、非线性电压控制电流源和一些线性电阻元件组成,CNN中的每一个单元只直接连接到相邻的单元,M×N个单元的CNN状态方程如方程(6)所示:
其中,1≤i≤M,1≤j≤N,Xij表示神经网络中单元c(i,j)的状态,r是单元的邻域半径,c(k,l)表示c(i,j)附近的单元,Nr(i,j)是邻居,A(i,j,k,l)表示c(k,l)和c(i,j)输出Vykl的连接权重,B(i,j,k,l)表示c(k,l)和c(i,j)输入Vukl的连接权重,矩阵A被称为反馈模板,矩阵B被称为控制模板,在二维空间(x,y)∈R中,采用九点差分显示格式求解反应扩散方程组,空间变量(x,y)和时间变量t用有限差分法进行离散,空间步长和时间步长分别是δh和δt,且i,j和k是离散空间和时间的指数,其中i=x/δh,j=y/δh及k=t/δt,变量u(x,y,t)的离散形式可以表示为方程(7):
根据CNN模型的细胞状态函数方程(6),可以将方程(8)转化为方程(9):
同理,方程(6)②可转化为方程(10):
CNN的3×3模板可由方程(9)和方程(10)得到,如方程(11):
其中,Au,u,Av,u,Au,v和Au,v为反馈模板,Bu,u和Bv,v为控制模板,这是一个两层的CNN,在图像处理中,彩色图像的大小是M×N,它有M行和N列,设i=0,1,…,M-1,j=0,1,…,N-1,则方程(2)的Neumann边界条件的离散表达式如方程(12):
基于初值(u0,v0)和离散边界条件方程(12),基于方程(9)和方程(10)的迭代运算,得到了随时间演化的解(u,v),这两个方程构成了一个基于FHN的两层CNN反应扩散离散网络,这里,阈值Z是0,这种提出的方法具有边缘检测和增强图像边缘的功能。
5.根据权利要求4所述,其特征在于,为了更准确地检测彩色图像的边缘,首先需要选择最合适的颜色空间,彩色图像的边缘检测通常在RGB空间、CMYK空间和HSV空间进行,用于输出融合,HSV空间是一个非线性的颜色表示系统,主要由三个元素来表示:色调(H)、饱和度(S)和亮度(V),本方法采用Sobel算子比较了彩色图像在RGB,CMYK和HSV空间的边缘检测效果,在RGB和CMYK空间的边缘检测结果中存在大量冗余信息,颜色信息的丢失和混淆会产生大量的干涉噪声,严重影响图像边缘检测的质量,相比之下,由于HSV空间中每个分量的有效独立性,在HSV空间中检测到的彩色图像边缘更加清晰,因此,本方法利用改进的细胞神经网络模型研究HSV颜色空间中彩色图像的边缘检测问题,将改进后的阈值代入由FHN方程改进的CNN边缘检测模板中,可以得到自适应阈值,同时,它可以调整边缘之间的距离,防止边缘检测过程中出现假边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332032.8A CN114022505A (zh) | 2021-11-11 | 2021-11-11 | 一种彩色图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332032.8A CN114022505A (zh) | 2021-11-11 | 2021-11-11 | 一种彩色图像边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022505A true CN114022505A (zh) | 2022-02-08 |
Family
ID=80063653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111332032.8A Pending CN114022505A (zh) | 2021-11-11 | 2021-11-11 | 一种彩色图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022505A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100083A (zh) * | 2022-08-25 | 2022-09-23 | 江苏游隼微电子有限公司 | 一种车载影像的图像亮度自适应调节方法 |
CN116152806A (zh) * | 2022-02-15 | 2023-05-23 | 河南省儿童医院郑州儿童医院 | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008009549A (ja) * | 2006-06-27 | 2008-01-17 | Yamaguchi Univ | 画像処理方法、画像処理装置及び画像処理プログラム |
CN103035000A (zh) * | 2012-12-06 | 2013-04-10 | 天津师范大学 | 一种基于cnn的彩色图像边缘提取方法 |
-
2021
- 2021-11-11 CN CN202111332032.8A patent/CN114022505A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008009549A (ja) * | 2006-06-27 | 2008-01-17 | Yamaguchi Univ | 画像処理方法、画像処理装置及び画像処理プログラム |
CN103035000A (zh) * | 2012-12-06 | 2013-04-10 | 天津师范大学 | 一种基于cnn的彩色图像边缘提取方法 |
Non-Patent Citations (2)
Title |
---|
XIANHONG ZHANG AND SHUSEN LI: "EDGE DETECTION ALGORITHM FOR COLOR IMAGES BASED ON THE REACTION–DIFFUSION EQUATION AND THE CELLULAR NEURAL NETWORK MODEL", JOURNAL OF FLOW VISUALIZATION & IMAGE PROCESSING, 31 January 2020 (2020-01-31), pages 1 - 4 * |
张宪红;张春蕊;: "一种改进的细胞神经网络图像边缘提取方法", 暨南大学学报(自然科学与医学版), no. 02, 30 April 2017 (2017-04-30) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152806A (zh) * | 2022-02-15 | 2023-05-23 | 河南省儿童医院郑州儿童医院 | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
CN116152806B (zh) * | 2022-02-15 | 2024-03-15 | 河南省儿童医院郑州儿童医院 | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
CN115100083A (zh) * | 2022-08-25 | 2022-09-23 | 江苏游隼微电子有限公司 | 一种车载影像的图像亮度自适应调节方法 |
CN115100083B (zh) * | 2022-08-25 | 2022-11-04 | 江苏游隼微电子有限公司 | 一种车载影像的图像亮度自适应调节方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102516360B1 (ko) | 타겟 검출 방법 및 장치 | |
CN108305240B (zh) | 图像质量检测方法及装置 | |
Qi et al. | [Retracted] Multi‐region Nonuniform Brightness Correction Algorithm Based on L‐Channel Gamma Transform | |
Shanmugavadivu et al. | Particle swarm optimized multi-objective histogram equalization for image enhancement | |
CN114022505A (zh) | 一种彩色图像边缘检测方法 | |
CN109766898A (zh) | 图像文字识别方法、装置、计算机设备及存储介质 | |
EP1600893A2 (en) | Radiometric calibration from a single image | |
CN111161306B (zh) | 一种基于运动注意力的视频目标分割方法 | |
CN114240989A (zh) | 图像分割方法、装置、电子设备及计算机存储介质 | |
CN111242878B (zh) | 基于布谷鸟搜索的矿井下图像增强方法 | |
CN112614060A (zh) | 人脸图像头发渲染方法、装置、电子设备和介质 | |
CN110135446B (zh) | 文本检测方法及计算机存储介质 | |
WO2011016375A1 (en) | Image processing apparatus, image processing method, and computer program | |
WO2022199710A1 (zh) | 图像融合方法、装置、计算机设备和存储介质 | |
WO2021068376A1 (zh) | 应用于卷积神经网络的卷积处理方法、系统及相关组件 | |
KR102192016B1 (ko) | 의미 인식 기반의 이미지 보정 방법 및 그를 위한 장치 | |
US20190392311A1 (en) | Method for quantizing a histogram of an image, method for training a neural network and neural network training system | |
CN113095470A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
CN110365404B (zh) | 无波前传感自适应系统及利用该系统提高收敛速度的方法 | |
US20170104976A1 (en) | Multi-Image Color Refinement with Application to Disparity Estimation | |
Ren et al. | Similarity modulated block estimation for image interpolation | |
Meng et al. | An effective weighted vector median filter for impulse noise reduction based on minimizing the degree of aggregation | |
CN108710881B (zh) | 神经网络模型、候选目标区域生成方法、模型训练方法 | |
Hassan et al. | A hue preserving uniform illumination image enhancement via triangle similarity criterion in HSI color space | |
CN117649694A (zh) | 一种基于图像增强的人脸检测方法、系统及装置 |
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 |