基于信息细节化的图像边缘检测研究
来源:用户上传
作者:李瑾泽 霍林方
摘 要：针对传统边缘检测方法检测识别有偏差的问题，为了提高边缘检测的准确率，文中提出了一种改进的基于信息细节化的图像边缘检测方法。该方法针对Canny算子易检测出伪边缘的问题，通过在计算图像梯度方向的过程中增加方向梯度模板实现了边缘的精确化。
关键词：细节化 图像边缘 检测
中图分类号：TP301 文献标识码：A 文章编号：1674-098X（2020）01（b）-0140-02
随着社会的不断发展，图像边缘检测的方法和研究被应用到了很多领域。为了提高配套领域后续处理方法的准确率，图像处理成为必不可少的一部分。计算机视觉的众多领域可以说离不开图像的边缘检测这种图像预处理与分析的经典算法。边缘是图像最为基本的特征，图像的缘边包含了图像的绝大部分主要的信息。作为整个计算机视觉的起点，往往仅凭借一条粗略的边缘轮廓就能识别一个物体。
在实际的图像处理中，由于所拍摄的图像可能存在噪声较多、周边物体对目标物体存在较大影响等问题，因此图像的边缘检测对后续特征提取、目标识别的研究都有着极为重要的影响。图像边缘的有效提取甚至直接影响了图像的识别率，并间接影响了机器的任务执行。
1 传统的Canny 算子图像边缘检测
每一幅图像在拍摄的过程中都会受到外界干扰，Canny 算子类似于 Laplacian 算子，也需要先做图像平滑处理，去除噪声，然后再计算边缘。Canny算子算法核心是利用梯度幅值和梯度方向的极大值来确定图像边缘（见图1）。其按照信噪比、定位精度和单边响应这三个准则进行边缘检测。
Canny算子求边缘点的首先也要通过高斯平滑滤波器 H（x，y，σ）与图像f（x，y）的卷积实现得到平滑图像G（x，y）
“*”代表卷积符号，然后通过一阶偏导、非极大值抑制和双阈值算法等实现边缘检测。
2 改进后的基于信息细节化的图像边缘检测
改进后的基于信息细节化的图像边缘检测方法，在去噪的同时尽可能保留边缘信息，可检测出更多的边缘细节，增强了自适应性、连续性和边缘清晰度。具体流程图如图2。
2.1 自适应动态阈值法与双边滤波去噪
图像梯度矩阵用进行描述，其中不同梯度值点数构成梯度直方图。对该直方图进行分析，发现梯度主要分布在0～50范围内，未分布整个圖像区域，后续边缘检测效果不佳，对其进行对数变换，可描述如下：
式中，B值主要取决于中最大值与新梯度图像的梯度阶数M。
全图阈值法在很大程度上会导致出现弱边缘丢失问题，为此，提出新的局部自适应阈值化方法，详细过程如下：
（1）求出全图梯度矩阵梯度均值μ与梯度方差δ，如果δ>H，则继续进行下一步，反之直接进行后续处理。
μ与δ的计算公式如下：
（2）把平均划分为4块，逆时针求出各子块的梯度均值μ梯度方差δ。
如果该子块梯度方差满足δ>H，则继续对其进行分解，反之，继续进行下一步。
（3）获取分割局部阈值。针对所有符合δ≤H的梯度块，通过Otsu方法计算最优分割阈值，获取和子梯度矩阵尺寸一致的阈值矩阵。判断是否对全部子块进行（2）中提到的方法处理，如果仍旧存在没有分解的子块，则重新进行步骤（2）。
在双边滤波器中，输出像素 G（i，j） 的值依赖于邻域像素的加权组合
其中 w（i，j，u，v）为权重系数，f（u，v）为相应的像素。权重系数取决于定义域核和值域核。
定义域核：。
值域核：。
权重系数：。
其中，f（i，j）是相应的像素值;σd是调整空间距离较大像素的权重值，σr是控制灰度范围相似度因子的标准差，用于调整像素差异较大像素的权重值，它们的大小决定着双边滤波的滤波效果。
2.2 最大熵自适应阈值处理
最大熵原理是一种选择随机变量统计特性最符合客观情况的准则。文献[11]使用最大熵自适应获取阈值对路面裂痕进行检测，得出了较好的检测结果。设一幅图像M×N个像素可由灰度级{0，1，2，…，M，…，L-1}表示。其中，ni表示灰度级i的像素数;pi表示灰度级i的概率。假设选择一个阈值k（0<M<L-1），并使用它把输入图像处理为两类 A1和A2。其中A1由图像中灰度值在[0，k]范围内的所有像素组成，A2由灰度值在[M+1，L-1]范围内所有像素组成，像素被分到类A1中的概率为P1（M），如下式所示：
A2发生的概率为P2（M）=1-P1（M）。各类别Aj（j=1，2）的熵如下式所示：
则最大熵的判别函数定义为：
每个M对应有一个max（M）值，当max（M）值最大时对应的M值为该图像分割阈值，信息增益最小。在上面分类的基础上，以高阈值为最大值，进行二次分类的M值为低阈值。根据图像信息获取自适应获取阈值。
2.3 实验处理
实验处理见图3、图4。
3 结语
通过实验结果看到，本文改进后的基于信息细节化的图像边缘检测算法，可以检测到更多的边缘细节信息，且检测出的边缘较清晰，连续性较好，自适应性增强，去噪性能更佳。
参考文献
[1] Anindita Septiarini，Hamdani Hamdani，Heliza Rahmania Hatta，et al. Automatic image segmentation of oil palm fruits by applying the contour-based approach[J]. Scientia Horticulturae，2019.
[2] 巨志勇，张文馨，翟春宇.基于改进Canny算子的垃圾图像边缘检测[J].电子科技，2020（8）：1-6.
[3] 雷骁. 基于小波变换的砖块图像边缘检测算法研究[D]. 南昌大学，2018.
[4] 李俊山.数字图像处理[M].北京：清华大学出版社，2017.
转载注明来源:https://www.xzbu.com/1/view-15192850.htm
