CN117974700A - 一种基于融合图像增强的边缘检测方法 - Google Patents

Abstract

本申请提供一种基于融合图像增强的边缘检测方法，方法包括：采用多种边缘模型的侧窗高斯滤波遍历计算，分别与待计算的像素进行匹配，计算得出对应的新的像素值；通过图像像素点灰度值求得模板内平均值，以及模板中的平方差，进而对高频部分进行增强，对高频字节部分做增益乘积得到；融合背景与高频图像，得到增强后图像输出；用一阶有限差分计算梯度的幅值和方向；对梯度幅值进行非极大值抑制，只保留具有最大梯度幅值的像素；通过自适应系数对图像进行全局阈值分割，根据阈值将边缘像素区分为强边缘与弱边缘，将弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素。本申请有利于获得更富有信息量的融合图像。

Description

一种基于融合图像增强的边缘检测方法

技术领域

本申请涉及图像处理技术领域，特别涉及一种基于融合图像增强的边缘检测方法。

背景技术

基于融合图像增强的边缘检测技术是一种用于检测图像中物体边缘的技术，适用于处理融合图像时可能会导致的边缘不清晰和细节丢失的情况，通过对融合图像进行保边增强处理以增强边缘的对比度，从而使得边缘更加明显和易于检测。这项技术广泛应用于计算机视觉、图像处理和计算机图形学等领域。

传统的融合图像在融合过程中面临高频部分数据丢失以及图像边缘细节模糊的问题。由于不同波段的图像在融合时，可能导致一些微小但重要的信息被模糊或忽略，影响了图像的质量和准确性。在需要精确边缘检测和详细信息获取的领域，如军事目标识别、医学图像分析和自动驾驶等应用中，精确的边缘检测是决定系统性能和可靠性的关键因素之一。由于大多数时候直接获得的融合图像结果丢失了原始图层信息，导致不能对原图分别进行边缘检测后叠加检测结果，所以基于融合图像增强的边缘检测技术可以提供更可靠准确的图像分析工具，有着重要的意义。在现有技术中，传统的边缘检测技术主要基于可见光图像进行处理，例如Canny算子、Sobel算子、Laplacian算子等。这些算法具有较高的检测准确率和稳定性，但是对于红外融合图像、近景远景融合图像等特殊情况下的边缘检测效果较差。而基于融合图像增强的边缘检测技术则可以利用多图层信息，有效提高边缘检测的准确率和鲁棒性。

虽然现有的基于图像增强的边缘检测技术已经相当成熟，但仍然存在一些问题。首先，传统图像增强滤波器不仅会把噪点过滤掉，也会把图像的边缘等细节模糊掉，从而造成图像信息丢失，这些方法往往难以处理复杂的背景和噪声。其次，对于不同的图像，边缘检测算法需要选择不同参数，这给实际应用带来了一定的困难。此外，传统保边滤波的计算复杂度较高，需要耗费大量的时间和计算资源。因此，为了进一步提高不同场景下图像的边缘检测的准确性和效率，是本领域的重要技术课题之一。

发明内容

本申请提供了一种基于融合图像增强的边缘检测方法，可用于解决传统保边滤波的计算复杂度较高，需要耗费大量的时间和计算资源的技术问题。

本申请提供一种基于融合图像增强的边缘检测方法，方法包括：

步骤1，采用多种边缘模型的侧窗高斯滤波遍历计算，分别与待计算的像素进行匹配，计算得出对应的新的像素值；当新的像素值跟原像素值相差的最小时，对应的滤波器的边缘形状与待计算的像素所在区块的边缘形状最为接近，此时得到的背景图像对于边缘处的像素弱化最小；

步骤2，通过图像像素点灰度值X(i,j)求得模板内平均值m_x(i,j)，以及模板中的平方差进而对高频部分进行增强，使用标准差做增益值，均值m_x作为背景部分，对高频字节部分做增益乘积得到f_h(i,j)；

步骤3，融合背景与高频图像，得到增强后图像输出；

步骤4，用一阶有限差分计算梯度的幅值和方向；

步骤5，对梯度幅值进行非极大值抑制，只保留具有最大梯度幅值的像素；

步骤6：通过自适应系数对图像进行全局阈值分割，选取的阈值记为TL、TH，根据阈值将边缘像素区分为强边缘与弱边缘，将弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素，最终得到边缘检测图像。

进一步地，步骤1，采用8种边缘模型的高斯滤波遍历计算，分别与待计算的像素进行匹配，计算得出对应的新的像素值，包括：

侧窗高斯滤波遍历计算，包括：

步骤11，构建边窗滤波：

构建8个局部边窗；

其中，边窗的旋转角度其中k∈[0,3]，边窗半径ρ取值在{0,r}之间；通过调整θ和ρ的数值，生成不同倾斜角的边窗；根据被处理像素相对于子窗口位置，选用8种方向上的局部边窗对不同方向的边缘像素点进行遍历；

当ρ＝r时，上(U)、下(D)、左(L)、右(R)四种类型边窗的处理像素处于局部边窗的边缘上，侧窗分别表示为当ρ＝0时，西北(NW)、西南(SW)、东南(SE)、东北(NE)四种边窗分别位于滤波窗口的4个边缘上，使用/>来表示；即8种滤波边窗最终集合为，W＝{U、D、R、L、NW、SW、SE、NE}；边窗滤波输出结果如下所示：

其中，q_i表示输入原始图像，I_n是滤波函数窗口输出，F表示窗口选用的滤波核函数，N_n表示权重和，I_m是经过侧窗滤波窗口遍历后图像输出，argmin_n∈S代表各个边窗遍历后的输出最小值；

步骤12，在边窗滤波中加入3×3高斯滤波器，遍历图像像素点：

二维的高斯分布函数如下所示：

x和y是函数中的变量，表示平面上的点的坐标；σ是高斯分布的标准差，决定了分布的宽度；函数描述了一个平面上点的强度值在两个方向上的分布，即点(x,y)处的强度由离该点越近的点的影响更大，同时受到标准差σ的控制；高斯滤波模板高斯分布函数生成；对于二维离散高斯滤波模板，通过对连续高斯分布函数进行离散化得到；得到高斯滤波的模板矩阵如下：

将高斯模板与输入图像做卷积，遍历过程中的滤波窗口中心始终与正在处理的像素对齐；边窗的边角与正在处理的像素进行对齐；则定义的8个边窗分别是：

S₁(x1,y1)＝{(u,v)||u-x|≤r,y1-r≤v≤y1,ω^U∈S}

S₂(x1,y1)＝{(u,v)||u-x|≤r,y1≤v≤y1+r,ω^D∈S}

S₃(x1,y1)＝{(u,v)|x1≤u≤x1+r,|v-y1|≤r,ω^R∈S}

S₄(x1,y1)＝{(u,v)|x1-r≤u≤x1,|v-y1|≤r,ω^L∈S}

S₅(x1,y1)＝{(u,v)|x1-r≤u≤x1,y1-r≤v≤r,ω^NW∈S}

S₆(x1,y1)＝{(u,v)||x1≤u≤x1+r,y1-r≤v≤r,ω^NE∈S}

S₇(x1,y1)＝{(u,v)|x1≤u≤x1+r,y1≤v≤y1+r,ω^SE∈S}

S₈(x1,y1)＝{(u,v)|x1-r≤u≤x1,y1≤v≤y1+r,ω^SW∈S}

式中S_i表示8种方向上的侧窗滤波窗口，(x1,y1)代表正在处理的像素点坐标，(u,v)代表边窗有效范围坐标，ω表示各个方位上的边窗，U、D、R、L、NW、NE、SE、SW分表代表八种方向；

根据8个边窗的坐标范围，计算每个边窗的高斯核模板；通过矩阵卷积求和方式得到下式中8种滤波输出：

其中，表示高斯侧窗滤波输出结果，Gaussian表示高斯滤波器核；最终输出结果由输入输出最小化原则得到，如下所示：

上式中Y_SWG-Gaussian代表侧窗高斯滤波输出，argmin_n∈S代表各个边窗遍历后的输出最小值。

进一步地，步骤2，对高频部分进行增强包括：

步骤21，原图减去侧窗高斯滤波后的低频图像得到高频部分f_H；

以原图像中像素点x(i,j)为中心点，窗口大小为(2n+1)*(2n+1)的区域内，局部均值和方差表示为：

上式中，m_x(i,j)代表局部均值，代表方差，n为窗口半径，i、j分别为与半径相关的系数；此时的x(i,j)-m_x(i,j)即是高频细节部分；

步骤22，对高频图像做增益乘积得到增强后高频边缘图像f_HG：

f_HG＝G[x(i,j)-m_x(i,j)]

其中G为增益表达式，σ_x(i,j)代表方差系数，D为常系数，本实施例中采用0.1。

进一步地，步骤3，融合背景与高频图像，得到增强后图像输出，包括：

f_G(i,j)＝Y_{SWG-Gaussian(i,j)}+f_HG

其中，f_G(i,j)为增强后图像输出。

进一步地，步骤4，用一阶有限差分计算梯度的幅值和方向，包括：

梯度值计算使用一阶有限差分进行近似替代，图像x,y两方向上的sobel梯度算子分别如下：

则窗口中心点的x,y方向上梯度分别为：

P_x＝(a₂+2a₃+a₄)-(a₀+2a₇+a₆)

P_y＝(a₀+2a₁+a₂)-(a₆+2a₅+a₄)

窗口中心点的梯度方向为：

进一步地，步骤5，对梯度幅值进行非极大值抑制，只保留具有最大梯度幅值的像素，包括：

在3*3窗口矩阵中，如果中心点a是邻域中同方向m,n,a中最大的点max(m,n,a)，对a点进行保留，并作为潜在的边缘点B(i,j)，如果不是最大值，则进行抑制；

当方向选取在相邻两个像素之间时，使用线性插值算法得到需要比较的m,n两点，对插值所得m,n点重复保留抑制操作。

进一步地，步骤6：通过自适应系数对图像进行全局阈值分割，选取的阈值记为TL、TH，根据阈值将边缘像素区分为强边缘与弱边缘，将弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素，最终得到边缘检测图像，包括：

类间方差σ²取最大值时，得阈值level值：

σ²＝p₁*p₂*(m₁-m₂)²

上式中，m₁、m₂代表阈值TH将图片分隔为两区域各自的均值，p₁、p₂表示像素被分到两区域的概率；

选取的双阈值为：

TL＝max(0,(1.0-sigma)level),

TH＝max(255,(1.0+sigma)level),

上式中，TK为低阈值，TH为高阈值，sigmaa取经验值0.33；

将梯度幅值大于高阈值的像素标记为强边缘像素，将梯度幅值小于低阈值的像素标记为非边缘像素，将梯度幅值介于上下阈值之间的像素标记为弱边缘像素；对弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素；

最后，将标记为边缘像素的像素提取出来，得到图像的边缘信息

本发明与现有技术相比，其显著优点为：

本发明将基于图像增强的边缘检测应用于融合图像领域，对融合过程中被模糊的高频边缘信息进行增强与提取，有利于获得更富有信息量的融合图像。

本发明将侧窗滤波与高斯滤波算法结合，在保持图像清晰度的同时有效地去除各种类型的噪声，在提高低频背景的图像质量的同时也保留了图像边缘。

本发明将自适应对比图增强算法的背景图像更换为更能保持边缘的侧窗高斯滤波，提升了高低频图像加权融合后的图像细节对比度与边缘保持性，有利于后续边缘检测技术准确的检测出图像边缘。

本发明将传统Canny算子的双阈值参数由需要输入的阈值参数改进为自适应参数获取，提升了算法场景应用上的灵活性，由于阈值参数根据图像的统计特性确定，在一定程度上也提升了Canny边缘检测的性能和准确性。

附图说明

图1为本申请实施例提供的侧窗高斯滤波边窗定义示意图；

图2为本申请实施例提供的红外图像、可见光图像与可见光红外融合图像；

图3为本申请实施例提供的可将光红外融合图像经过高斯滤波后与经过侧窗高斯滤波后的对比图像；

图4为本申请实施例提供的可将光红外融合图像经过侧窗滤波得到的低频部分与低频图像自适应对比度增强后的对比图；

图5为本申请实施例提供的可将光红外融合图像经过侧窗滤波与高频图像自适应增强后得到的增强图像；

图6为本申请实施例提供的可将光红外融合图像经过Canny算子得到的边缘图像；

图7为本申请实施例提供的可将光红外融合图像通过增强算法后经过改进自适应双阈值Canny算子得到的边缘图像；

图8为本申请实施例提供的前景图像、后景图像与前景后景融合图像；

图9为本申请实施例提供的前景后景融合图像经过高斯滤波后与经过侧窗高斯滤波后的对比图像；

图10为本申请实施例提供的前景后景融合经过侧窗滤波得到的低频部分与低频图像自适应对比度增强后的对比图；

图11为本申请实施例提供的前景后景融合经过侧窗滤波与高频图像自适应增强后得到的增强图像；

图12为本申请实施例提供的前景后景融合经过Canny算子得到的边缘图像；

图13为本申请实施例提供的前景后景融合通过增强算法后经过改进自适应双阈值Canny算子得到的边缘图像；

图14为本申请实施例提供的流程图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

下面首先结合附图对本申请实施例进行介绍。

在本实施例中，一种基于融合图像增强的边缘检测方法，包括以下步骤：

步骤1：采用多种边缘模型的高斯滤波遍历计算，分别与待计算的像素进行匹配，计算得出对应的新的像素值，当新的像素值跟原像素值相差的最小时，对应的滤波器的边缘形状与待计算的像素所在区块的边缘形状最为接近，此时得到的背景图像对于边缘处的像素弱化最小。

具体地，侧窗高斯滤波分为如下几个步骤：

步骤11，构建边窗滤波：

构建8个局部边窗；边窗的定义如图1(a)所示。

其中，边窗的旋转角度其中k∈[0,3]，边窗半径ρ取值在{0,r}之间；通过调整θ和ρ的数值，生成不同倾斜角的边窗；针对硬件实现可行性分析，本文根据被处理像素相对于子窗口位置，选用8种方向上的局部边窗对不同方向的边缘像素点进行遍历；

当ρ＝r时，上(U)、下(D)、左(L)、右(R)四种类型边窗如图1(b)和(c)所示，这种情况下的处理像素处于局部边窗的边缘上，避免了另一侧无关像素值造成的像素扩散，侧窗分别表示为当ρ＝0时，西北(NW)、西南(SW)、东南(SE)、东北(NE)四种边窗如图1(d)所示，分别位于滤波窗口的4个边缘上，使用/>来表示；即8种滤波边窗最终集合为，W＝{U、D、R、L、NW、SW、SE、NE}；边窗滤波输出结果如下所示：

其中，q_i表示输入原始图像，I_n是滤波函数窗口输出，F表示窗口选用的滤波核函数，N_n表示权重和，I_m是经过侧窗滤波窗口遍历后图像输出，argmin_n∈S代表各个边窗遍历后的输出最小值；

步骤12，在边窗滤波中加入3×3高斯滤波器，遍历图像像素点：

二维的高斯分布函数如下所示：

x和y是函数中的变量，表示平面上的点的坐标；σ是高斯分布的标准差，决定了分布的宽度；函数描述了一个平面上点的强度值在两个方向上的分布，即点(x,y)处的强度由离该点越近的点的影响更大，同时受到标准差σ的控制；高斯滤波模板高斯分布函数生成；对于二维离散高斯滤波模板，通过对连续高斯分布函数进行离散化得到；得到高斯滤波的模板矩阵如下：

将高斯模板与输入图像做卷积，遍历过程中的滤波窗口中心始终与正在处理的像素对齐；由于取了8种滤波器边缘模型，边窗的边角与正在处理的像素进行对齐；则定义的8个边窗分别是：

S₁(x1,y1)＝{(u,v)||u-x|≤r,y1-r≤v≤y1,ω^U∈S}

S₂(x1,y1)＝{(u,v)||u-x|≤r,y1≤v≤y1+r,ω^D∈S}

S₃(x1,y1)＝{(u,v)|x1≤u≤x1+r,|v-y1|≤r,ω^R∈S}

S₄(x1,y1)＝{(u,v)|x1-r≤u≤x1,|v-y1|≤r,ω^L∈S}

S₅(x1,y1)＝{(u,v)|x1-r≤u≤x1,y1-r≤v≤r,ω^NW∈S}

S₆(x1,y1)＝{(u,v)||x1≤u≤x1+r,y1-r≤v≤r,ω^NE∈S}

S₇(x1,y1)＝{(u,v)|x1≤u≤x1+r,y1≤v≤y1+r,ω^SE∈S}

S₈(x1,y1)＝{(u,v)|x1-r≤u≤x1,y1≤v≤y1+r,ω^SW∈S}

上式中S_i表示8种方向上的侧窗滤波窗口，(x1,y1)代表正在处理的像素点坐标，(u,v)代表边窗有效范围坐标，ω表示各个方位上的边窗，U、D、R、L、NW、NE、SE、SW分表代表八种方向；

根据8个边窗的坐标范围，计算每个边窗的高斯核模板；通过矩阵卷积求和方式得到下式中8种滤波输出：

其中，表示高斯侧窗滤波输出结果，Gaussian表示高斯滤波器核；最终输出结果由输入输出最小化原则得到，如下所示：

上式中Y_SWG-Gaussian代表侧窗高斯滤波输出，argmin_n∈S代表各个边窗遍历后的输出最小值。经过侧窗高斯滤波的图像如图2(c)所示。

步骤2：通过图像像素点灰度值X(i,j)求得模板内平均值m_x(i,j)，以及模板中的平方差进而对高频部分进行增强，使用标准差做增益值，均值m_x作为背景部分，此时[x(k,l)-m_x(i,j)]就是高频细节部分，对高频字节部分做增益乘积得到f_h(i,j)。

具体地，高频图像增强分为如下几个步骤：

步骤21，原图减去侧窗高斯滤波后的低频图像得到高频部分f_H；

以原图像中像素点x(i,j)为中心点，窗口大小为(2n+1)*(2n+1)的区域内，局部均值和方差表示为：

上式中，m_x(i,j)代表局部均值，代表方差，n为窗口半径，i、j分别为与半径相关的系数；此时的x(i,j)-m_x(i,j)即是高频细节部分；

步骤22，对高频图像做增益乘积得到增强后高频边缘图像f_HG：

f_HG＝G[x(i,j)-m_x(i,j)]

其中G为增益表达式，σ_x(i,j)代表方差系数，D为常系数，本实施例中采用0.1。

在图像的高频区域，局部均方差较大，此时增益值就比较小，经过增益后图像避免了出现过亮情况。但是在图像平滑的区域，局部均方差很小，此时增益值比较大，从而可能会放大噪声信号，所以本实施例中对增益最大值做了约束，将G最大值约束在10以下，以取得更好的图像效果。

步骤3，融合背景与高频图像，得到增强后图像输出。

f_G(i,j)＝Y_{SWG-Gaussian(i,j)}+f_HG

步骤4，用一阶有限差分计算梯度的幅值和方向。

梯度值计算使用一阶有限差分进行近似替代，图像x,y两方向上的sobel梯度算子分别如下：

则窗口中心点的x,y方向上梯度分别为：

P_x＝(a₂+2a₃+a₄)-(a₀+2a₇+a₆)

P_y＝(a₀+2a₁+a₂)-(a₆+2a₅+a₄)

窗口中心点的梯度方向为：

步骤5，对梯度幅值进行非极大值抑制，只保留具有最大梯度幅值的像素。

在3*3窗口矩阵中，如果中心点a是邻域中同方向m,n,a中最大的点max(m,n,a)，对a点进行保留，并作为潜在的边缘点B(i,j)，如果不是最大值，则进行抑制；

当方向选取在相邻两个像素之间时，使用线性插值算法得到需要比较的m,n两点，对插值所得m,n点重复上述保留抑制操作，以此来提取出更加准确的边缘信息。

步骤6：通过自适应系数对图像进行全局阈值分割，选取的阈值记为TL、TH，根据阈值将边缘像素区分为强边缘与弱边缘，将弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素，最终得到边缘检测图像。

当下式中，类间方差σ²取最大值时，得阈值level值：

σ²＝p₁*p₂*(m₁-m₂)²

上式中，m₁、m₂代表阈值TH将图片分隔为两区域各自的均值，p₁、p₂表示像素被分到两区域的概率；

选取的双阈值为：

TL＝max(0,(1.0-sigma)level),

TH＝max(255,(1.0+sigma)level,

上式中，TL为低阈值，TH为高阈值，sigma取经验值0.33；

将梯度幅值大于高阈值的像素标记为强边缘像素，将梯度幅值小于低阈值的像素标记为非边缘像素，将梯度幅值介于上下阈值之间的像素标记为弱边缘像素；对弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素；

最后，将标记为边缘像素的像素提取出来，得到图像的边缘信息。

以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (7)

1.一种基于融合图像增强的边缘检测方法，其特征在于，所述方法包括：

步骤1，采用多种边缘模型的侧窗高斯滤波遍历计算，分别与待计算的像素进行匹配，计算得出对应的新的像素值；当新的像素值跟原像素值相差的最小时，对应的滤波器的边缘形状与待计算的像素所在区块的边缘形状最为接近，此时得到的背景图像对于边缘处的像素弱化最小；

步骤2，通过图像像素点灰度值X(i,j)求得模板内平均值m_x(i,j)，以及模板中的平方差进而对高频部分进行增强，使用标准差做增益值，均值m_x作为背景部分，对高频字节部分做增益乘积得到f_h(i,j)；

步骤3，融合背景与高频图像，得到增强后图像输出；

步骤4，用一阶有限差分计算梯度的幅值和方向；

步骤5，对梯度幅值进行非极大值抑制，只保留具有最大梯度幅值的像素；

步骤6：通过自适应系数对图像进行全局阈值分割，选取的阈值记为TL、TH，根据阈值将边缘像素区分为强边缘与弱边缘，将弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素，最终得到边缘检测图像。

2.根据权利要求1所述的方法，其特征在于，步骤1，采用多种边缘模型的高斯滤波遍历计算，分别与待计算的像素进行匹配，计算得出对应的新的像素值，包括：

侧窗高斯滤波遍历计算，包括：

步骤11，构建边窗滤波：

构建8个局部边窗；

其中，边窗的旋转角度其中k∈[0,3]，边窗半径ρ取值在{0,r}之间；通过调整θ和ρ的数值，生成不同倾斜角的边窗；根据被处理像素相对于子窗口位置，选用8种方向上的局部边窗对不同方向的边缘像素点进行遍历；

当ρ＝r时，上(U)、下(D)、左(L)、右(R)四种类型边窗的处理像素处于局部边窗的边缘上，侧窗分别表示为当ρ＝0时，西北(NW)、西南(SW)、东南(SE)、东北(NE)四种边窗分别位于滤波窗口的4个边缘上，使用/>来表示；即8种滤波边窗最终集合为，W＝{U、D、R、L、NW、SW、SE、NE}；边窗滤波输出结果如下所示：

其中，q_i表示输入原始图像，I_n是滤波函数窗口输出，F表示窗口选用的滤波核函数，N_n表示权重和，I_m是经过侧窗滤波窗口遍历后图像输出，argmin_n∈s代表各个边窗遍历后的输出最小值；

步骤12，在边窗滤波中加入3×3高斯滤波器，遍历图像像素点：

二维的高斯分布函数如下所示：

x和y是函数中的变量，表示平面上的点的坐标；σ是高斯分布的标准差，决定了分布的宽度；函数描述了一个平面上点的强度值在两个方向上的分布，即点(x,y)处的强度由离该点越近的点的影响更大，同时受到标准差σ的控制；高斯滤波模板高斯分布函数生成；对于二维离散高斯滤波模板，通过对连续高斯分布函数进行离散化得到；得到高斯滤波的模板矩阵如下：

将高斯模板与输入图像做卷积，遍历过程中的滤波窗口中心始终与正在处理的像素对齐；边窗的边角与正在处理的像素进行对齐；则定义的8个边窗分别是：

S₁(x1,y1)＝{(u,v)||u-x|≤r,y1-r≤v≤y1,ω^U∈S}

S₂(x1,y1)＝{(u,v)||u-x|≤r,y1≤v≤y1+r,ω^D∈S}

S₃(x1,y1)＝{(u,v)|x1≤u≤x1+r,|v-y1|≤r,ω^R∈S}

S₄(x1,y1)＝{(u,v)|x1-r≤u≤x1,|v-y1|≤r,ω^L∈S}

S₅(x1,y1)＝{(u,v)|x1-r≤u≤x1,y1-r≤v≤r,ω^NW∈S}

S₆(x1,y1)＝{(u,v)||x1≤u≤x1+r,y1-r≤v≤r,ω^NE∈S}

S₇(x1,y1)＝{(u,v)|x1≤u≤x1+r,y1≤v≤y1+r,ω^SE∈S}

S₈(x1,y1)＝{(u,v)|x1-r≤u≤x1,y1≤v≤y1+r,ω^SW∈S}

式中S_i表示8种方向上的侧窗滤波窗口，(x1,y1)代表正在处理的像素点坐标，(u,v)代表边窗有效范围坐标，ω表示各个方位上的边窗，U、D、R、L、NW、NE、SE、SW分表代表八种方向；

根据8个边窗的坐标范围，计算每个边窗的高斯核模板；通过矩阵卷积求和方式得到下式中8种滤波输出：

其中，表示高斯侧窗滤波输出结果，Gaussian表示高斯滤波器核；最终输出结果由输入输出最小化原则得到，如下所示：

上式中Y_SWG-Gaussian代表侧窗高斯滤波输出，argmin_n∈S代表各个边窗遍历后的输出最小值。

3.根据权利要求1所述的方法，其特征在于，步骤2，对高频部分进行增强包括：

步骤21，原图减去侧窗高斯滤波后的低频图像得到高频部分f_H；

以原图像中像素点x(i,j)为中心点，窗口大小为(2n+1)*(2n+1)的区域内，局部均值和方差表示为：

上式中，m_x(i,j)代表局部均值，代表方差，n为窗口半径，i、j分别为与半径相关的系数；此时的x(i,j)-m_x(i,j)即是高频细节部分；

步骤22，对高频图像做增益乘积得到增强后高频边缘图像f_HG：

f_HG＝G[x(i,j)-m_x(i,j)]

其中G为增益表达式，σ_x(i,j)代表方差系数，D为常系数，本实施例中采用0.1。

4.根据权利要求1所述的方法，其特征在于，步骤3，融合背景与高频图像，得到增强后图像输出，包括：

f_G(i,j)＝Y_{SWG-Gaussian(i,j)}+f_HG

其中，f_G(i,j)为增强后图像输出。

5.根据权利要求1所述的方法，其特征在于，步骤4，用一阶有限差分计算梯度的幅值和方向，包括：

梯度值计算使用一阶有限差分进行近似替代，图像x,y两方向上的sobel梯度算子分别如下：

则窗口中心点的x,y方向上梯度分别为：

P_x＝(a₂+2a₃+a₄)-(a₀+2a₇+a₆)

P_y＝(a₀+2a₁+a₂)-(a₆+2a₅+a₄)

窗口中心点的梯度方向为：

6.根据权利要求1所述的方法，其特征在于，步骤5，对梯度幅值进行非极大值抑制，只保留具有最大梯度幅值的像素，包括：

在3*3窗口矩阵中，如果中心点a是邻域中同方向m,n,a中最大的点max(m,n,a)，对a点进行保留，并作为潜在的边缘点B(i,j)，如果不是最大值，则进行抑制；

当方向选取在相邻两个像素之间时，使用线性插值算法得到需要比较的m,n两点，对插值所得m,n点重复保留抑制操作。

7.根据权利要求1所述的方法，其特征在于，步骤6：通过自适应系数对图像进行全局阈值分割，选取的阈值记为TL、TH，根据阈值将边缘像素区分为强边缘与弱边缘，将弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素，最终得到边缘检测图像，包括：

类间方差σ²取最大值时，得阈值level值：

σ²＝p₁*p₂*(m₁-m₂)²

上式中，m₁、m₂代表阈值TH将图片分隔为两区域各自的均值，p₁、p₂表示像素被分到两区域的概率；

选取的双阈值为：

TL＝max(0,(1.0-sigma)level),

TH＝max(255,(1.0+sigma)level),

上式中，TL为低阈值，TH为高阈值，sigma取经验值0.33；

将梯度幅值大于高阈值的像素标记为强边缘像素，将梯度幅值小于低阈值的像素标记为非边缘像素，将梯度幅值介于上下阈值之间的像素标记为弱边缘像素；对弱边缘像素进行边缘链接，将与强边缘像素相邻的弱边缘像素标记为边缘像素；

最后，将标记为边缘像素的像素提取出来，得到图像的边缘信息。