CN1885317A

CN1885317A - 基于形态学和信息熵的自适应边缘检测方法

Info

Publication number: CN1885317A
Application number: CN 200610028643
Authority: CN
Inventors: 王伟; 刘允才
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2006-07-06
Filing date: 2006-07-06
Publication date: 2006-12-27

Abstract

一种图像处理技术领域的基于形态学和信息熵的自适应边缘检测方法，具体为：将待检测灰度图像通过中值滤波去除噪声影响；对滤波后的图像进行形态学处理，即对灰度图像分别进行膨胀和腐蚀操作，然后将膨胀和腐蚀后所得到的两幅图像相减，得到边缘信息增强的图像；求取相减后所得图像的直方图，利用信息熵原理，沿直方图的横轴对一定区域内的灰度值求取其所表示的信息量，并找出最大的信息量所对应的灰度值得到二值分割图像的最佳阈值；利用最佳阈值分割图像，而后进行细化操作，得到数字图像中物体的边缘。本发明因为是使用形态学方法处理图像，因而既可以增强边缘信息的强度，又对边缘的方向不敏感，从而有利于快速而准确地检测边缘。

Description

基于形态学和信息熵的自适应边缘检测方法

技术领域

本发明涉及一种图像处理技术领域的方法，具体是一种基于形态学和信息熵的自适应边缘检测方法，可用于图像处理、计算机视觉、智能交通和工业自动化检测。

背景技术

快速而准确地检测图像边缘在计算机视觉和模式识别领域，特别是工业制造，生物医学，自动化检验和装配等方面有着广泛的应用前景。目前在数字图像处理中广泛运用的边缘检测方法有Robert算子边缘检测、Sobel算子边缘检测、Laplacian算子边缘检测以及Canny边缘检测，这几种边缘检测方法的共同特点是使用数字图像的一阶或二阶导数来检测图像的边缘。对数字图像而言，为了求取其一阶或二阶导数，就必须使用梯度算子模板，上述各种方式的差异就是采用了不同的梯度算子模板。

由于数字图像中待检测物体的边缘可能处于各种方向，而梯度算子模板所能表示的方向是有限的，因此这些算法存在有向性，即不能对图像中待检测物体的不规则边缘进行有效的识别与检测，而且如果为了使算法能够检测更多方向上的边缘而增加梯度算子模板的数量，则必然会增加算法实现的复杂度以及在计算机上运行算法所需的时间。

经对现有技术的文献检索发现，M.Y.Siyal等在2004年IEEE Region 10会议上(Volume A，21-24 Nov.2004 Page(s)：447-450 Vol.1)发表了“A novelimage processing based approach for real-time road traffic applications”(一种新的基于图像处理的方法用于实时道路交通领域)，该文中提出了形态学边缘检测的方式，具体方法为通过对灰度图像进行形态学处理来获得图像边缘信息，此方法可以检测各个方向的边缘，增强了边缘强度，同时降低了边缘检测的运算量，其不足在于此方法在处理时会将图像背景的灰度值增大从而影响后续的二值图像处理，而且也没有指出如何选择合适的阈值来二值化图像，因此造成目前在很多情况下都是根据经验选择一个阈值来分割图像，因此具有很强的主观性，而且降低了算法的广泛适用性。尽管也有人提出使用最小平均分割误差的方法来估计阈值，但此种方法需要使用概率密度函数以及进行复杂的数学计算，因而不能满足实际工业应用场合中实时性和快速性的要求。

发明内容

本发明的目的在于针对现有边缘检测技术的不足和缺点，提出一种新的边缘检测方法——基于形态学和信息熵的自适应边缘检测方法，此方法通过形态学操作将边缘信息的强度增加一倍，能够有效地检测图像中物体各种可能方向上的边缘，而且利用信息熵求取直方图中最大信息量的方式得到最佳阈值来二值分割图像，同时大幅降低了边缘检测的处理时间。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

步骤一，将待检测灰度图像通过中值滤波去除噪声影响；

步骤二，对滤波后的图像进行形态学处理，即对灰度图像分别进行膨胀和腐蚀操作，然后将膨胀和腐蚀后所得到的两幅图像相减，得到边缘信息增强的图像；

步骤三，求取相减后所得图像的直方图，利用信息熵原理，沿直方图的横轴对设定区域内的灰度值求取其所表示的信息量，并找出最大的信息量所对应的灰度值得到二值分割图像的最佳阈值；

步骤四，利用最佳阈值分割图像，而后进行细化操作，得到数字图像中物体的边缘。

所述的步骤一，是本发明的图像预处理，很多情况下灰度图像中都存在噪声，因此先对其进行中值滤波处理以去掉噪声，同时也可保存图像中的边缘信息。另外为了降低处理时间，本发明采用可分离的二维中值滤波来处理图像。

所述的步骤二，具体为：首先选取一个结构元素，即一个3×3的子图像模板，模板中每个位置取相同的灰度值，然后利用这个模板从左到右，从上到下遍历图像中每一个像素并进行形态学操作。具体来说，对于图像中坐标是(x，y)的像素，在膨胀处理时需要对模板范围内每一个像素加上结构元素中对应像素的灰度值，然后寻找模板内的最大灰度值并作为像素(x，y)的灰度值；在腐蚀处理时则是对模板范围内每一个像素减去结构元素中对应像素的灰度值，然后寻找模板内的最小灰度值并作为像素(x，y)的灰度值。这样经过膨胀和腐蚀操作后，就从原图像得到两幅不同的图像，然后将这两幅图像对应位置的像素相减即得到边缘信息已增强的图像。

所述的步骤三，具体为：对边缘信息已增强的图像求取它的直方图，然后在直方图的横轴上，对位于2倍结构元素灰度值和最大灰度值255之间的每一个坐标位置，利用信息熵原理计算每一个灰度值所表示的信息量，最后选择其中最大的信息量所对应的灰度值作为二值分割图像的最佳阈值。

所述的步骤四，具体为：利用获得的最佳阈值分割边缘信息已增强的图像，即图像中灰度值大于或等于阈值的像素的灰度值将置为最大值255，而灰度值小于阈值的像素的灰度值将置为最小值0。最后在进行基于模板的细化操作，将图像边缘宽度细化，得到最终的边缘检测结果。

本发明的方法简单有效，它的关键在于对待检测图像进行形态学处理，以及后采用最大信息熵方法来求取最佳阈值分割图像。利用本发明进行边缘检测，不仅对边缘的方向性不敏感，而且还将边缘信息的强度增加了一倍，同时二值化图像所用的阈值是根据图像本身特性计算得出而非经验估计，因而减少了计算时间，同时提高了检测精度。通过在灰度图像中实验应用及与其它方法的比较，说明了本发明可以在较短的时间内成功检测出图像中的边缘，其检测效果优于传统方法，漏检率也大大降低。

附图说明

图1为进行边缘检测的原始灰度图像。

图2为本发明在进行膨胀操作后的图像

图3为本发明在进行腐蚀操作后的图像

图4为膨胀和腐蚀操作后图像相减所得的图像

图5为本发明在进行图像细化操作时定义的连通像素数。

图6为本发明在进行图像细化操作时定义的模板。

图7为本发明边缘检测的结果图。

具体实施方式

为了更好地讲解本发明的技术方案，以下结合附图和实例作进一步的详细描述。

1.图像预处理。为了保存图像中的边缘信息，使用中值滤波来去除图像中的噪声。同时为了降低处理时间，采用可分离的二维中值滤波来进行操作，其具体步骤如下：

(1)确定一个一维中值滤波模板大小，如1×3

(2)沿着水平方向对图像中的每一行进行中值滤波，即对滤波模板内的像素按灰度值大小进行排序，选择位于中间的灰度值作为结果

(3)沿着垂直方向对图像中的每一列进行中值滤波，方法同上

2.对预处理后的图像采用形态学处理操作——膨胀和腐蚀，并将结果相减。首先选择结构元素——3×3的子图像模板，且结构元素中各个位置的灰度值相同，记为b(x，y)。

用结构元素b(x，y)对图像I进行灰度膨胀表示为：Ib，定义为：

(Ib)(s，t)＝max{I(s-x，t-y)+b(x，y)|(s-x)，(t-y)∈D_I；(x，y)∈D_b}

用结构元素b(x，y)对图像I进行灰度腐蚀表示为：Ib，定义为：

(Ib)(s，t)＝min{I(s+x，t+y)-b(x，y)|(s+x)，(t+y)∈D_l；(x，y)∈D_b}

其中D_l和D_b分别是图像I和结构元素b(x，y)的定义域。

在图像分别按上式进行了膨胀和腐蚀操作之后，就将两幅图像相减，得到边缘信息增强的图像，如图4所示。

3.求取图像的直方图，计算最大信息熵获得最佳阈值。在获得边缘信息增强的图像后，遍历图像中的各个像素得到直方图。在经过膨胀和腐蚀操作之后，此图像的背景灰度值为2倍的结构元素灰度值，因此在以此值为下限，以最大灰度值255为上限的范围内，依次求取每个灰度值G_n的信息熵。具体方法是：

(1)统计所有灰度值小于当前所计算灰度值G_n的像素个数，记为NL

(2)统计所有灰度值大于当前所计算灰度值G_n的像素个数，记为NU

(3)求取图像中的像素总数，并计算上述两种灰度分布出现的概率，即P_L＝NL/NT；P_U＝NU/NT

(4)利用信息熵原理计算此灰度值G_n所表示的信息量I_n：

I_n＝-(P_L×log₂P_L+P_U×log₂P_U)

(5)对所有位于计算区间内的灰度值按照(1)至(4)的步骤计算其信息量，然后在这些信息量中求取最大值

(6)根据最大信息量获得二值分割图像的最佳阈值

4.二值分割图像并进行细化操作得到边缘图像。根据上一步获得的最佳阈值将图像分割，即图像中灰度值大于或等于阈值的像素的灰度值将置为最大值255，而灰度值小于阈值的像素的灰度值将置为最小值0，最后进行基于模板的细化操作，细化需要用到像素连通数这个定义：一个像素的连通数定义为顺时针访问它的8邻域时数值的改变数(从1到0)，参见图5，模板参见图6，其细化步骤如下：

(1)在原图像中找到匹配模板M1的像素

(2)如果中心像素不是一个终点，并且具有连通数为1，则标记此像素点以备后用

(3)重复(1)，(2)步骤使所有像素点都进行M1模板匹配

(4)重复(1)，(2)，(3)步骤使其对M2，M3，M4模板均采取相同处理方法

(5)如果任何像素点被标记为后用，则改变其像素值为0

(6)如果在(5)步中有任何像素值发生过改变，则从第一步开始重复整个过程，反之则结束。

在细化操作之后，就完成了边缘检测处理，得到了图像中像素灰度有阶跃变化的那些像素的集合，这些像素的集合就是所感兴趣的边缘，其具有最大灰度值255，而图像中的背景则具有最小的灰度值0。最终所检测出的图像边缘结果如图7所示。

Claims

1、一种基于形态学和信息熵的自适应边缘检测方法，其特征在于：包括以下步骤：

步骤一，将待检测灰度图像通过中值滤波去除噪声；

步骤二，对滤波后的图像进行形态学处理，首先对灰度图像分别进行膨胀和腐蚀操作，然后将膨胀和腐蚀后所得到的两幅图像相减，得到边缘信息增强的图像；

2、根据权利要求1所述的基于形态学和信息熵的自适应边缘检测方法，其特征是，所述的步骤一，将待检测灰度图像通过中值滤波去除噪声，同时保存图像中的边缘信息，采用可分离的二维中值滤波来处理图像。

3、根据权利要求1所述的基于形态学和信息熵的自适应边缘检测方法，其特征是，所述的步骤二，具体为：首先选取一个结构元素，即一个3x3的子图像模板，模板中每个位置取相同的灰度值，然后利用这个模板从左到右，从上到下遍历图像中每一个像素并进行形态学操作，对于图像中坐标是(x，y)的像素，在膨胀处理时需要对模板范围内每一个像素加上结构元素中对应像素的灰度值，然后寻找模板内的最大灰度值并作为像素(x，y)的灰度值；在腐蚀处理时则是对模板范围内每一个像素减去结构元素中对应像素的灰度值，然后寻找模板内的最小灰度值并作为像素(x，y)的灰度值，这样经过膨胀和腐蚀操作后，就从原图像得到两幅不同的图像，然后将这两幅图像对应位置的像素相减得到边缘信息已增强的图像。

4、根据权利要求1所述的基于形态学和信息熵的自适应边缘检测方法，其特征是，所述的步骤三，具体为：对边缘信息已增强的图像求取它的直方图，然后在直方图的横轴上，对位于2倍结构元素灰度值和最大灰度值255之间的每一个坐标位置，利用信息熵原理计算每一个灰度值所表示的信息量，最后选择其中最大的信息量所对应的灰度值作为二值分割图像的最佳阈值。

5、根据权利要求1所述的基于形态学和信息熵的自适应边缘检测方法，其特征是，所述的步骤四，具体为：利用获得的最佳阈值分割边缘信息已增强的图像，图像中灰度值大于或等于阈值的像素的灰度值将置为最大值255，而灰度值小于阈值的像素的灰度值将置为最小值0，最后在进行基于模板的细化操作，将图像边缘宽度细化，得到最终的边缘检测结果。