CN114677303B - 一种基于集成边缘数据增强的亚像素边缘检测方法 - Google Patents

Abstract

本发明属于图像处理领域，公开了一种基于集成边缘数据增强的亚像素边缘检测方法，将图像灰度化和平滑；采用多个基础边缘提取算子分别作用在灰度化图像上，得到多张初步提取后的边缘图；根据得到的边缘图进行边缘数据增强，通过对多张图像每个对应的像素点通过权向量进行集成，将属于边缘的像素点增强，将不属于边缘的像素点削弱，输出边缘集成后的增强图像；将增强图像输入到Zernike亚像素边缘检测模型中，输出具有亚像素边缘信息的图像。本发明克服了在弱边缘条件下传统方法检测不到边缘的问题和在有噪声干扰下传统Zernike亚像素边缘检测效果不好的问题。

Description

一种基于集成边缘数据增强的亚像素边缘检测方法

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于集成边缘数据增强的亚像素边缘检测方法。

背景技术

在模式识别、语义分割和目标检测中，准确的边缘特征会使效果更好。在机器视觉系统中，对系统的了解上，检测到的边缘的正确性和可靠性是高度对应的。

针对目前亚像素边缘检测技术中，存在复杂图像和有噪声的图像难以处理的问题。如图1所示，传统的边缘检测方法通过设计边缘提取算子，通过将边缘算子与目标图像进行卷积，将边缘部分突出强化，将非边缘部分弱化。不同的边缘算子在同一张图像上的效果往往不同，但总体来看，这些图像的边缘信息均得以加强。图像是由一个个像素点堆叠而成的，每个像素点代表的是真实世界对应区域内光强或色彩的平均值，而物体的真实边缘有时往往处在非整像素区域上，此时，需要考虑将像素不再视作图像的最基本单位再进行处理，这种方法叫做亚像素边缘检测方法。相比于传统的边缘检测算法，亚像素边缘检测更加能够满足现实要去，并且在大量精度要求比较高的场合中得以应用。

但传统的亚像素边缘检测算法对图像的要求较高，即图像噪声要尽可能小，待检测图像中边缘信息要清晰，当边缘特征不够清晰或当图像噪声较强时，往往会降低其效果。图2是传统的亚像素边缘检测算法Zernike边缘检测算法作用在信息不清晰(a)和噪声较强(b)得到的结果。

发明内容

本发明的目的是当图像的边缘特征不够清晰或当图像噪声较强时，能够清晰地提取到图像边缘，有鉴于此，本发明提出了一种基于集成边缘数据增强的亚像素边缘检测方法，包括以下步骤：

首先将图像灰度化，采用高斯滤波进行平滑；

采用多个基础边缘提取算子分别作用在灰度化图像上，得到多张初步提取后的边缘图；

根据所得到的边缘图进行边缘数据增强，通过对多张图像每个对应的像素点通过权向量进行集成，将属于边缘的像素点增强，将不属于边缘的像素点削弱，输出边缘集成后的增强图像；

将所述增强图像输入到Zernike亚像素边缘检测模型中，输出具有亚像素边缘信息的图像。

进一步的，所述多个基础边缘提取算子包括Sobel算子、Laplacian算子、Prewitt算子和Robert算子。

进一步的，得到所述增强图像后，利用高斯滤波将平滑后再输入到所述Zernike亚像素边缘检测模型中，输出具有亚像素边缘信息的图像。

进一步的，假设多张待检测的灰度图像为：

g＝[g₁，g₂，g₃，g₄]^T

定义集成的权向量为：

α＝[α₁，α₂，α₃，α₄]^T

集成过程为：

其中，代表边缘信息集成后图像的第i行第j列的像素点，/>代表第k个边缘算子提取后的图像的第i行第j列的像素点。

进一步的，所述权向量根据以下规则确定：

如果某个像素达到0，这意味着至少有一个算子判断出该像素不是边界点，这些点包含需要减弱的噪音，因此使该点多个算子所计算的像素点的权重之和小于1：

相反，如果没有出现0，则位于同一位置的四个操作符具有正灰度，那么像素在边缘的概率更大，这类点的特征应该被强化，该点多个算子所计算的像素点的权重之和大于1：

进一步的，所述权向量根据以下规则确定：

当像素点没有出现0时，权向量为：

α＝[α₁，α₂，α₃，α₄]^T

此时：

当像素点出现1个0时，权向量为：

α＝[0.2，0.2，0.2，0.2]^T；

当像素点出现2个0时，权向量为：

α＝[0.15，0.15，0.15，0.15]^T；

当像素点出现3个0时，权向量为：

α＝[0.1，0.1，0.1，0.1]^T。

进一步的，对于图像中对象内部有梯度变化的斑点，先将所述边缘集成后的增强图像放入Randomized-sampling算子中计算，得出应该抽取的非边缘点的数量n，再在所述边缘集成后的增强图像中选取n个非边缘点使用强化特征公式进行计算，计算得出L_EC，再将计算结果L_EC和所述边缘集成后的增强图像的灰度值，放入Chop算子中计算，以抑制噪声产生的虚假边缘。

进一步的，所述Randomized-sampling算子的数学表达如下：

其中，为置信区间、n为样本容量、d为抽样误差范围、σ为标准差；n₀为所述边缘 集成后的增强图像中像素点为0的个数，N为所述边缘集成后的增强图像中所有的像素点个 数。

进一步的，所述强化特征公式定义为：

其中x₀，...，x_n为所述边缘集成后的增强图像中的n个非边缘点。

进一步的，所述Chop算子定义为：

本发明的有益效果如下：

克服了在弱边缘条件下传统方法检测不到边缘的问题；

克服了在有噪声干扰下传统Zernike亚像素边缘检测效果不好的问题。

附图说明

图1四种经典边缘检测算子效果图，其中(a)Prewitt算子；(b)Laplacian算子；(c)Roberts算子；(d)Sobel算子；

图2为传统亚像素算法检测结果图，其中(a)在边缘信息不清晰的图像上结果；(b)在由噪声的图像上的结果；

图3为本发明的亚像素边缘检测方法流程图；

图4为本发明的亚像素边缘检测方法的处理过程图；

图5为本发明的在有噪声图像上的亚像素边缘检测方法的处理过程图。

具体实施方式

下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

本发明的目的是提供一种边缘信息特征增强的方法，创新地采用具有集成学习思想的特征增强方法来增强图像边缘信息，主要通过对输入原始图像进行灰度化并平滑，通过四种不同的经典边缘提取算子提取边缘信息，并对四个运算符获得的边缘信息进行集成，将多数边缘算子认定为边缘的区域增强，将多数边缘算子认定为非边缘的区域削弱，然后利用Zernike亚像素边缘检测器，对所获得的边缘信息进行亚像素边缘检测。Zernike为本领域的现有技术，本发明不再赘述。

为达到该目的，如图3和图4所示，本发明采用的技术方案包括步骤如下：

为提高传统亚像素边缘检测算法在质量较差的图像上的边缘特征检测结果，本发明设计了如下边缘信息特征增强的亚像素边缘检测的方法。通过将传统的四个边缘检测算子Sobel、Laplacian、Prewitt、Robert分别作用在图像上，得到4张边缘信息图，再通过集成的方法对边缘信息进行增强，将4张边缘信息图集成为1张。记经传统4个边缘检测算子作用过后的待检测的灰度图像为：

g＝[g₁，g₂，g₃，g₄]^T

定义集成的权向量为：

α＝[α₁，α₂，α₃，α₄]^T

集成过程为：

其中，代表边缘信息集成后图像的第i行第j列的像素点，/>代表第k个边缘算子提取后的图像的第i行第j列的像素点。

α_i的值由待提取图像的特性以决定，具体可参考如下方案：

在灰度值向量中，本发明将权重向量α_i的值考虑如下：如果某个像素达到0.这意味着至少有一个算子判断出该像素不是边界点，这些点包含需要减弱的“噪音”，因此使该点四个算子所计算的像素点的权重之和小于1：

相反，如果没有出现0，则位于同一位置的四个操作符具有正灰度，那么像素在边缘的概率更大。这类点的特征应该被强化：权重之和大于1：

在此，为避免“取伪”，本发明基于像素点出现0的情况，主要设计了以下几种方案：

1)当像素点没有出现0时。本发明设置一组权重为：

α＝[α₁，α₂，α₃，α₄]^T

此时：

例如：α₁＝α₂＝α₃＝α₄＝0.3或者α₁＝α₂＝α₃＝α₄＝0.35

2)当像素点出现1个0时。本发明设置一组权重为：

α＝[0.2，0.2，0.2，0.2]^T

3)当像素点出现2个0时。本发明设置一组权重为：

α＝[0.15，0.15，0.15，0.15]^T

4)当像素点出现3个0时。本发明设置一组权重为：

α＝[0.1，0.1，0.1，0.1]^T

经过集成过程后，真实边缘信息得到强化，虚假的边缘信息失效。然后利用高斯滤波使图像平滑，并对输出图像使用Zernike矩亚像素边缘检测，该过程如图4所示。

当图像没有“噪声”的时候，可以利用Zernike亚像素边缘检测器，对所获得的边缘信息进行亚像素边缘检测。但当输入图像在目标的内部点有散斑和噪声时，在图像上会产生虚假边缘，Zernike亚像素边缘检测没有消除这种虚假边缘信息，对此，基于算术运算的创新定义，如图5所示，本发明提出了一种有效的降噪方法。减少虚假边缘信息的降噪方法。通过算术运算的创新定义，对于图像中对象内部有梯度变化的斑点，经过卷积滤波后，在使用改进的边缘信息特征增强的方法放大图像的灰度后，先将得出的图片信息放入本发明定义的Randomized-sampling算子中进行计算，科学的运算得出应该抽取的非边缘点的数量n，然后在灰度放大后图像取n个非边缘点使用本发明定义的强化特征公式(Strengtheningcharacteristics)进行计算，计算得出L_EC，再将计算结果(L_EC)和使用改进的边缘信息特征增强方法得出的灰度值，放入本发明定义的Chop算子中计算，就可以抑制噪声产生的虚假边缘。

Randomized-sampling算子定义：

n₀为灰度放大图像后像素点为0的个数，N为灰度放大图像后所有的像素点个数。为置信区间、n为样本容量、d为抽样误差范围、σ为标准差，一般取0.5；

强化特征(Strengthening characteristics)公式定义为：

为避免“取伪”，像素点灰度不为255时，本发明将小于灰度L_EC的点判断为趋近非边界点，因此灰度放大图像后取n点放入强化特征公式中计算，计算结果为L_EC，再将L_EC让放入chop中进行计算。

Chop算子定义为：

因此，对于图像中对象内部梯度变化的散斑，经过卷积滤波后，先使用改进的边缘信息特征增强的方法放大图像的灰度，将得出的图片信息放入本发明定义的Randomized-sampling算子中进行计算，运算得出应该抽取的非边缘点的数量n，再经过强化特征公式(Strengthening characteristics)进行计算后，然后使用Chop算子，设置所有灰度值大于255的均为255，即可发挥内部噪声抑制的作用。因此，引入Chop算子后，其内部的结构也将被改变，

本发明将先通过不同的边缘提取器提取边缘信息，然后使用改进的边缘信息特征增强的方法放大图像的灰度，将得出的图片信息放入自定义的Randomized-sampling算子中进行计算，科学的运算得出应该抽取的非边缘点的数量n，再经过强化特征公式(Strengthening characteristics)进行计算后，然后使用Chop算子运算，消除对象内部的噪声；阶段m应用高斯滤波器使图像平滑，最后使用Zernike矩提取亚像素边缘信息。

本发明的有益效果如下：

克服了在弱边缘条件下传统方法检测不到边缘的问题；

克服了在有噪声干扰下传统Zernike亚像素边缘检测效果不好的问题。

本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。

而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。

本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。

综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于集成边缘数据增强的亚像素边缘检测方法，其特征在于，包括以下步骤：

将图像灰度化，采用高斯滤波进行平滑；

采用多个基础边缘提取算子分别作用在灰度化图像上，得到多张初步提取后的边缘图；

根据所得到的边缘图进行边缘数据增强，通过对多张图像每个对应的像素点通过权向量进行集成，将属于边缘的像素点增强，将不属于边缘的像素点削弱，输出边缘集成后的增强图像；

将所述增强图像输入到Zernike亚像素边缘检测模型中，输出具有亚像素边缘信息的图像；

所述多个基础边缘提取算子包括Sobel算子、Laplacian算子、Prewitt算子和Robert算子;

假设多张待检测的灰度图像为：

；

定义集成的权向量为：

；

集成过程为：

；

其中，代表边缘信息集成后图像的第/>行第/>列的像素点，/>代表第/>个边缘算子提取后的图像的第/>行第/>列的像素点。

2.根据权利要求1所述的基于集成边缘数据增强的亚像素边缘检测方法，其特征在于，得到所述增强图像后，利用高斯滤波将平滑后再输入到所述Zernike亚像素边缘检测模型中，输出具有亚像素边缘信息的图像。

3.根据权利要求1所述的基于集成边缘数据增强的亚像素边缘检测方法，其特征在于，所述权向量根据以下规则确定：

如果某个像素达到0，这意味着至少有一个算子判断出该像素不是边界点，这些点包含需要减弱的噪音，因此使该点多个算子所计算的像素点的权重之和小于1：

相反，如果没有出现0，则位于同一位置的四个操作符具有正灰度，那么像素在边缘的概率更大，这类点的特征应该被强化，该点多个算子所计算的像素点的权重之和大于1：

。

4.根据权利要求1所述的基于集成边缘数据增强的亚像素边缘检测方法，其特征在于，所述权向量根据以下规则确定：

当像素点没有出现0时，权向量为：

；

此时：；

当像素点出现1个0时，权向量为：；

当像素点出现2个0时，权向量为：；

当像素点出现3个0时，权向量为。

5.根据权利要求1所述的基于集成边缘数据增强的亚像素边缘检测方法，其特征在于，对于图像中对象内部有梯度变化的斑点，先将所述边缘集成后的增强图像放入Randomized-sampling算子中计算，得出应该抽取的非边缘点的数量n，再在所述边缘集成后的增强图像中选取n个非边缘点使用强化特征公式进行计算，计算得出，再将计算结果/>和所述边缘集成后的增强图像的灰度值，放入Chop算子中计算，以抑制噪声产生的虚假边缘。

6.根据权利要求5所述的基于集成边缘数据增强的亚像素边缘检测方法，其特征在于，所述Randomized-sampling算子的数学表达如下：

；

其中，为置信区间、n为样本容量、d为抽样误差范围、σ为标准差；为所述边缘集 成后的增强图像中像素点为0的个数，N为所述边缘集成后的增强图像中所有的像素点个 数。

7.根据权利要求5所述的基于集成边缘数据增强的亚像素边缘检测方法，其特征在于，所述强化特征公式定义为：

；

其中x ₀，…，x _n 为所述边缘集成后的增强图像中的n个非边缘点。

8.根据权利要求5所述的基于集成边缘数据增强的亚像素边缘检测方法，其特征在于，所述Chop算子定义为：

。