Kirsch联合高低双阈值的RGB图像边缘检测算法_魏雨.pdf

测试与故障诊断计算机测量与控制 （）收稿日期：；修回日期：。基金项目：陕西省教育厅科研计划项目（）。作者简介：魏雨（），女，陕西西安人，硕士，工程师，主要从事图像处理与模式识别方向的研究。引用格式：魏雨，黄玉蕾 联合高低双阈值的 图像边缘检测算法 计算机测量与控制，（）：文章编号：（）：中图分类号：文献标识码：联合高低双阈值的 图像边缘检测算法魏雨，黄玉蕾（西安培华学院 智能科学与信息工程学院，西安 ）摘要：边缘检测是计算机视觉中非常重要且实用的图像处理方法，被应用在各个领域；然而在图像采集或传输过程中，由于外界环境的干扰，容易出现结果边缘检测率较低或者伪边缘现象，学者们为此提出了很多改进方法；但是通用的边缘检测方法很少，现有的算法都是以处理特定场景或特定情况下的问题为目的；联合高低双阈值的 图像边缘检测算法正是针对上述问题提出的；首先，提取原图 色彩空间下的不同分量图，对每个分量图利用改进的 算子求取边缘强度；然后利用高低双阈值划分图像的边缘点和背景点，得到不同色彩空间的边缘结果；最后对不同分量的边缘检测结果进行融合，得到最终的边缘结果；利用基准数据集 数据集中的 张测试图像对算法进行验证评估；实验结果表明，文章算法相比于其他算法检测到的边缘更加清晰，细节更加完整，边缘连贯性更好，检测率更高，适用范围更广。关键词：边缘检测；图像；双阈值 ，（，）：，（），：；引言随着互联网技术和移动通信技术的不断发展，万物互联已成为可以预见的必然趋势。物联网终端将产生海量的图像视频数据，在此背景之下，模拟人类视觉系统的计算机视觉技术应运而生，即赋予计算机“看”和“认知”的能力，是计算机认识世界的基础。边缘检测作为计算机视觉中非常重要且实用的图像处理方法，通常用于图像特征的提取，其目的就是为了找到边缘点的集合。边缘点往往是灰度变化最剧烈的点，基于梯度的边缘检测算法比较经典的有 ，等。但是，在传统边缘检测算法中，只有检测水平边缘和垂直边缘的两个模板，容易造成边缘点的误判或丢失。算子根据周围像素点位置的不同设定了不同的权值，提高了边缘的清晰度。在 算子的研究基础上，算子增加了检测模板数量，由原来的两个方向扩展到了八个方向。算子对于边缘像素只能标识一次，且易出现伪边缘。算子没有经过图像平滑计算，不能抑制噪声，且易造成边缘信息丢失。算子对个方向边缘信息进行检测，具有较好的边缘定位能力，并且对噪声有一定的抑制作用，但计算量大。针对以上问题，年，文献 提出一种新的 边缘检测算法，该边缘检测算法具有较好的抗噪声能力和自适应能力。年，文献 限制型自适应 边缘检测算法提出了结合自适应门限算法和阈值选择投稿网址：计算机测量与控制第 卷 策略的限制型自适应 边缘检测算法。年，文献 提出一种改进的彩色遥感图像边缘检测算法研究，该算法采用分数阶微分和 算子相结合，得到一种更优的彩色遥感图像边缘检测方法。年，文献提出自适应阈值 的石榴病斑检测算法，采用双边滤波减少噪声干扰；通过高频强调滤波提高图像高频分量，增强局部细节；根据高斯噪声概率分布设置算子卷积掩膜元素权重，利用对称性改进像素点梯度计算的方法，改善了传统 算法在石榴外表病斑及石榴轮廓检测精准度不高、抗噪声能力不强以及存在伪边缘等问题。年，为了提高带钢表面缺陷检测的效率和准确率，文献 提出一种基于 算子的带钢表面缺陷图像边缘检测算法。首先运用改进的四方向 算子以及自适应动态阈值对图像进行二值化图里，然后将二值化图像进行基于 算法的边缘细化处理，得到最终检测图像。年，文献变压器输变电设备边缘检测的改进算法，在变压器输变电设备的边缘检测中运用大津法来动态获取最优阈值，从而降低 算子对于边缘点的误判。另外，还有众多学者将模糊逻辑、多尺度聚类、图论以及基于数学形态等方法运用在图像边缘检测中。年，文献 基于多视图聚类的自然图像边缘检测，将图像局部特征与稀疏编码结合在一个统一的多视图聚类框架中，从而有效提高边缘检测的鲁棒性。年，文献 提出了一种融合小波变换模极大值法和新型改进的数学形态学的含噪图像边缘检测方法。年，文献 提出基于 和 模糊理论的边缘检测改进算法。年，文献 采用计算欧式距离强化图像块中心间相关性从而达到降噪的方式，实现了图像边缘的有效提取。年，文献 提出一种基于改进 聚类算法的自适应 算子工件边缘检测算法，在工件边缘检测时，首先通过改进 算法进行分割与融合图像，然后采用 阈值分割处理，使用最小二乘法拟合工件孔洞锯齿边界，提高了复杂相似工件边缘检测的识别度。随后，机器学习和人工智能技术也被用于图像边缘检测中。年，文献 提出基于卷积神经网络的舰船图像边缘检测算法。年，文献 提出的机器学习的光照不均图像边缘检测系统，采用支持向量机模式将不能被线性分类的图像，通过非线性映射至高维特征空间，利用回归训练的核函数进行非线性拟合。最后通过零交叉检测法完成图像边缘检测。年，文献 为解决卫星遥感图像边缘模糊噪点过多，导致图像清晰度过低的问题，提出基于深度学习的卫星遥感图像边缘检测方法。参考文献 针对海岸线动态监测管理中，由于自然环境复杂多变，拍摄的遥感图像中海陆边界界限不明显，导致提取到的海岸线边缘定位不准确的现象，提出融合深度卷积神经网络与语义分割的方法来检测海岸线边缘。综合以上分析可以看出，在图像检测方面，尚不存在一种通用的方法理论，现有的算法都是以处理特定场景或特定情况下的问题为目的。针对以上问题，本文对不同色彩空间下的图像，利用 算子 联合高低双阈值进行边缘检测，实验结果表明，本文算法在保持图像细节和抗噪声干扰方面都有较好的效果。算子 算子 是由 提出的一种边缘检测算子，可以对像素周围个方向上的边缘信息进行检测，是一种离散的一阶微分算子。由于可检测个方向的边缘，因此 算子对于边缘的定位能力较好，而且在噪声抑制方面效果较为理想，对灰度渐变和噪声较多的图像处理效果较好。算子利用，这个方向的（如图所示）罗盘核模板对图像上的每个像素点进行卷积运算，从而得到每个像素点八个方向的梯度幅值与方向，并以其中的最大值作为该点的边缘输出。图模板方向八个模板分别代表八个方向，模板矩阵如下所示。熿燀燄燅 熿燀燄燅 熿燀燄燅 熿燀燄燅 熿燀燄燅 熿燀燄燅 熿燀燄燅 熿燀燄燅 熿燀燄燅 熿燀燄燅 假定某个像素点为（，），这个像素点及其周围，这八个方向上像素点的像素值组成的矩阵为（，）。（，），熿燀燄燅方向对应的 算子模板为：，熿燀燄燅投稿网址：第期魏雨，等：联合高低双阈值的 图像边缘检测算法 利用，与进行卷积，可得到坐标（，）处像素点在方向上的梯度值（，），如式（）所示。（，），（）其 中：，。取八个方向上的最大梯度作为点（，）最终的梯度值 ，如式（）所示。，（，）（）改进 算子在 的个方向模板中，以方向和 方向为例，方向与 方向得到的梯度强度方向相反，但是宏观来说，这两个方向模板得到的实际边缘形态是一致的。以图中的方向为基准，方向模板和 方向模板得到的边缘都是垂直方向的。同理，方向模板和方向模板得到的边缘都是水平的。由此可以将个方向的梯度强度缩减到个方向。改进的 算子流程如图所示。图改进 算子设图像为，取坐标（，）处及其相邻像素点的灰度矩阵，如式（）所示。罗盘核为（，）。，（）利用个罗盘核分别与图像进行卷积运算求得各个方向模板对应的图像梯度（，），然后分别求取与中的绝对值最大值。令：（，）（）（），（）（）（），（）（）（），（）（）然后再分别求的两垂直方向上图像梯度的二范数，如式（）式（）所示。槡（）槡（）最后取的最大值作为窗户中心像素（，）处的边缘强度，如式（）所示。（，）（，）（）其中：（，）表示采用 算子计算得到的坐标（，）处像素的边缘强度。基于阈值的边缘检测 单阈值边缘检测在传统的基于阈值的边缘检测方法中，往往人为预先设定二值化的阈值，这样的方式准确性较差。后来，研究人员提出了各种自动阈值生成的想法。年，文献 以 作为图像处理的核心机，采用中值滤波与快速排序算法相结合的方式，计算得到像素点周围的局部边缘阈值，然后通过该局部阈值得到图像的边缘信息。年，文献 利用 并行处理的特性，采用多方向模板与自适应阈值相结合的方式，提出了改进的 边缘检测算法。但是单阈值的边缘检测方法经常会出现边缘检测率低或者出现伪边缘的现象，因此本文提出一种采用双阈值的边缘检测方法。文献 针对绝缘子航拍图像存在的边缘检测结果较差的现象，在 算子的基础上提出了一种二维最大熵阈值优化的边缘检测算法。从图像信息熵的角度出发，利用最大图像熵法，将一维图像熵提升到二维图像熵，然后再去计算阈值，这样提高了边缘检测的准确率。双阈值边缘检测由式（）可得图像所有像素的边缘强度矩阵，如式（）。（，）（）其中：，。为了提高边缘检测结果的连续性和算法的自适应能力，本文设定两个阈值，高阈值和低阈值，而高低阈值由整幅图像边缘强度的平均值 来确定，（）函数用于求取整幅图像的平均边缘强度，分别如式（）（）所示。（）（）（）（）利用双阈值算法将中所有像素点划分为边缘和背景两大类，如果某位置处像素点的边缘强度值大于较高的阈值，则确定该像素肯定是边缘点；如果某位置处像素点的边缘强度值小于较小的阈值，则确定该像素肯定是背景点；如果某位置处像素点的边缘强度高于较低阈值且低于较高阈值，那么此像素点可能是边缘点也可能是背景点。那究竟是边缘点还是像素点，要根据像素点周围八个邻域点中边缘点的个数来判定。如果其周围邻域内边缘点的个数大于或者等于，即数量超过 ，则判定该像素点为边缘点，标记为；相反地，如果其周围邻域内边缘点的个数小于，可判定该像素点为背景像素点，标记为，如公式（）所示。高阈值投稿网址：计算机测量与控制第 卷 和低阈值由图像的边缘强度矩阵来决定。（，），（，）（，），（，），（，）烅烄烆（）函数（，）的表达如式（）所示。（，），（，），（，）（）其中：（，）为像素点（，）周围一周内个相邻点中为边缘点的像素的个数。色彩空间下不同的图像分量 色彩模型是一种表示颜色的模式或者标准，色彩空间中，所有图像都是由红、绿、蓝三原色组成，或者说 图 像 可 以 分 为 三 通 道，（）是 红 色 通 道，（）是绿色，（）是蓝色通道。这种颜色以不同的量进行叠加，就可以显示出五彩缤纷的色彩，如图所示。图 图像原理图可以把 图片看做是个二维数组的层层叠加。每一层中的二维数组都代表一种颜色通道。对于一幅 彩色图像而言，每一种颜色对应一幅分量图像，而这幅彩色图像就相当于由红色分量图、蓝色分量图和绿色分量图叠加而成。对于一幅图像来说，其在、分量中的信息各有偏重，如图所示，三个不同色彩空间下突出的人物特色是不同的。而合成过程中，由于色彩的叠加作用，会对各分量下偏重有效的信息造成削弱。为保证边缘检测中有效信息的最大化保留，本文提出利用上述边缘检测算法对各色彩空间下的图像分量分别进行处理。算法实现 联合高低双阈值的 图像边缘检测算法处理过程包含色彩分量提取、图像去噪、图像增强、计算像素点强度、计算阈值、划分边缘、融合边缘几大步骤，具体流程如图所示。色彩分量提取在 图像中，一个彩色像素点的颜色由红（）、绿（）、蓝（）三原色组合而来，因此 图像的每一个像素的颜色值由、三个分量表示。图像中每个像素的颜色值直接存放在图像的像素矩阵中。对于行列大小的图像，需要个的二维矩阵分别表示各个像素的、颜色分量。提取原图对应的 不同分量下的分量图，即提取各分量对应的二维矩阵，将各分量图转化为灰度图。图图像的 分量图图边缘检测流程 图像去噪在图像数字化或者图像传输的过程中，由于受到周围外界环境的影响，图像中会产生一些不必要的或多余的干扰信息，称作噪声。就图像噪声本身来说，它并不是空域的，即不是指某一点相对于周边点显得突兀，就说该点是噪声点。而是指在连续的时间内，在同一位置产生的像素点如果误差较大，则称之为噪声点，即噪声本质是时域的。一幅图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。噪声会影响图像质量。边缘检测主要是基于图像像素强度的导数，而导数通常对噪声很敏感，在边缘检测中噪声很可能会引起边缘的误判或边