基于一致性的边缘检测方法技术

本发明专利技术公开了一种基于一致性的边缘检测方法，包括以下几个步骤：步骤一：利用图像灰度的梯度幅值筛选出初始边缘集；步骤二：计算图像灰度梯度方向和；步骤三：依据梯度方向和提取边缘集；步骤四：进行边缘细化。本发明专利技术引入了灰度梯度方向和这一指标，利用边缘附近灰度梯度方向上的相关性分析边缘出现的合理性，提供了一种新的成像噪声判定方法，能够有效区分真实边缘、噪声引起的灰度梯度变化，该指标可以与其他方法相结合改善边缘提取效果。

【技术实现步骤摘要】
基于一致性的边缘检测方法
本专利技术属于图像处理
，涉及一种基于一致性的边缘检测方法，属于图像边缘检测方法。
技术介绍
边缘指的是图像中目标与背景间的交界线以及目标与目标间的分界线。对图像进行边缘检测，保留了图像重要的结构特性，剔除了不相关的信息，对于目标的识别或描述有着重要意义。在模式识别、机器人视觉、图像分割、特征提取、图像压缩等图像处理应用中都把边缘检测作为最基本的工具。图像的边缘通常也是图像灰度函数的奇异点和突变点。如果以灰度变化作为边缘检测的依据，则可以根据图像梯度理论提取边缘。由此，图像的边缘提取算法可以划分为两类：基于查找的边缘提取算法和基于过零点检测的边缘提取算法。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边缘，通常认为边缘点为梯度方向最大的点。基于过零点检测的方法通过寻找图像二阶导数过零点来检测边缘，通常是Laplacian过零点或者非线性差分表示的过零点。几十年来，由图像的梯度理论已经形成了一些成熟的边缘提取技术，如差分边缘提取算法、Roberts边缘提取算法、Sobel边缘提取算法、Prewitt边缘提取算法、Kirsch边缘提取算法、零交叉边缘提取算法等。这些算法计算简单且运算速度快，但在工程应用中仍存在一些问题。首先，随着图像采集技术的发展，图像的分辨率越来越高，引起边缘灰度变化带的减少，使得传统算法在边缘提取上出现了一定的困难。其次，在图像的采集和传输过程中，受输入转换器件及周围环境的影响，总含有和边缘点频率相近的噪声，这使得传统的图像边缘提取算法出现伪检测、漏检测以及多像素宽度边缘等现象。为了解决这些问题，又涌现出了很多新的边缘提取算法，如Canny边缘提取算法，小波边缘提取算法，广义模糊算法，结合误差图像的边缘提取算法，形态学边缘提取算法等。这些算法各具特色，有着各自不同的适用环境。有的边缘检测精度高，但抗噪声性能较差；有的抗噪声性能较好，但检测精度不足；有的兼顾了抗噪性能与检测精度，但计算效率偏低。
技术实现思路
本专利技术的目的是为了解决上述问题，提出一种基于一致性的边缘检测方法，较好地解决了边缘检测精度与抗噪声性能的协调问题，并大大减少了计算量，提高了速度，更能满足实际工程的需要。基于一致性的边缘检测方法，包括以下几个步骤：步骤一：利用图像灰度的梯度幅值筛选出初始边缘集；步骤二：计算图像灰度梯度方向和；步骤三：依据梯度方向和提取边缘集；步骤四：进行边缘细化。本专利技术的优点在于：(1)本专利技术引入了灰度梯度方向和这一指标，利用边缘附近灰度梯度方向上的相关性分析边缘出现的合理性，提供了一种新的成像噪声判定方法，能够有效区分真实边缘、噪声引起的灰度梯度变化，该指标可以与其他方法相结合改善边缘提取效果；(2)在使用灰度梯度进行边缘确定过程中，不同于传统的梯度幅值阈值化方法，采用小区域梯度幅值之和的方式进行阈值化的边缘检测方法，使检测结果不受个别噪声点的影响；(3)本专利技术利用灰度梯度方向和较灰度梯度绝对值更能有效检测边缘的特性，设计了可以自适应同时检测弱梯度与强梯度边缘的算法，增强算法稳定性的同时提高了自动化程度；(4)本专利技术利用边缘候选点邻域内的梯度统计特性进行边缘的细化，保证了边缘检测算法的定位精度；(5)本专利技术采用前向计算的方式获得自适应阈值，没有迭代处理环节，且通过初始边缘集的筛选，避免了盲目的全局计算，减少计算量，提高了效率。附图说明图1是本专利技术的方法流程图；图2(a)为水平梯度滤波模板示意图；图2(b)为竖直梯度滤波模板示意图；图2(c)为倾斜梯度滤波模板示意图；图3(a)为梯度方向特征水平异常模板示意图；图3(b)为梯度方向特征竖直异常模板示意图；图3(c)为梯度方向特征倾斜异常模板示意图；图4是梯度方向几何关系示意图；图5是梯度方向和与基础阈值权值的关系示意图；具体实施方式下面将结合附图和实施例对本专利技术作进一步的详细说明。针对现有边缘检测算法中，传统算法很难同时兼顾噪声抑制和对边缘完整准确定位的缺点，而新兴算法容易产生伪边缘且运算时间长的问题。本专利技术利用真实边缘两侧灰度渐变的特性，提出了一种描述梯度方向一致性的指标，以边缘处相邻像素灰度变化的方向一致性评估边缘的可能性，并依据该一致性指标自适应调节灰度梯度阈值，在高灰度梯度下有效区分真实边缘与噪声干扰，并同时实现具有较好梯度方向一致性的微弱灰度梯度边缘的有效检测。本专利技术是一种基于一致性的边缘检测方法，流程如图1所示，包括以下几个步骤：步骤一：利用图像灰度的梯度幅值筛选出初始边缘集；为了提高边缘检测的速度和效率，本专利技术设定最小梯度阈值，剔除大量的非边缘点，保证在最短的时间内寻找到最有效的信息。具体为：(1)获取水平、竖直方向图像灰度梯度获取待处理图像的灰度值矩阵[I(i,j)]M×N，其中I(i,j)是坐标(i,j)处像素的灰度值，i为行，j为列，计算每个元素的水平、竖直方向梯度Gy(i,j)、Gx(i,j)，梯度滤波模板如图2(a)、图2(b)所示，计算公式为：Gy(i,j)＝I(i+1,j)-I(i,j)Gx(i,j)＝I(i,j+1)-I(i,j)(2)确定初始边缘点集合设定水平方向最小梯度阈值threshold_y，水平梯度幅值小于该值的像素点不认为是边缘点；同理，设定竖直方向最小梯度阈值threshold_x，竖直梯度幅值小于该值的像素点不认为是边缘点。由此，获得初始边缘集P0，其计算公式如下：Ph_0＝{(i,j)||Gx(i,j)|＞threshold_x}Pv_0＝{(i,j)||Gy(i,j)|＞threshold_y}P0＝Ph_0∪Pv_0其中：Ph_0表示水平方向初始边缘集，Pv_0表示竖直方向初始边缘集；(3)判定无边缘区域沿水平、竖直方向分别检测连续非边缘点，若连续非边缘点个数超过阈值，则认为被检测区域为无边缘区域，并对每个无边缘区域的起止点进行记录，存储在无边缘区域边界点集Pno_edge_boundary中，其中，阈值取值为n，n根据实际情况从计算量的角度选取，n可以取值为5。步骤二：计算图像灰度梯度方向和；梯度幅值阈值判据是最常用的边缘检测判据。然而，图像中总存在梯度幅值与边缘点相近的高频噪声；梯度幅值较小却蕴含重要信息的弱边缘。因此，如果整幅图像运用单一的梯度幅值阈值或类似canny算法的双阈值，不能保证边缘图像同时具有良好的抗噪性能及完整的边缘信息。为了解决这一问题，本专利技术利用了边缘区的梯度方向一致性好而噪声区的梯度方向一致性差这一特点，通过统计给定点所在小区域内灰度梯度方向的一致性判定边缘的可能性，灰度梯度方向和的具体计算方法如下：(1)斜向梯度方向计算以图像中各点(i,j)为中心，分别计算左下、右下、右上3个设定倾斜方向的梯度，梯度滤波模板分别如图2(c)所示，对梯度值进行符号函数操作，分别记为Gyx_diag、Gxy_diag、Gnyx_diag，结果+1代表沿着设定的方向，-1代表逆设定方向，0则表示没有梯度变化，其计算公式如下：Gxy_diag(i,j)＝sgn(I(i+1,j+1)-I(i,j))Gyx_diag(i,j)＝sgn(I(i+1,j-1)-I(i,j))Gnyx_diag(i,j)＝sgn(I(i-1,j+1)-I(i,j))(2本文档来自技高网...

【技术保护点】
基于一致性的边缘检测方法，包括以下几个步骤：步骤一：利用图像灰度的梯度幅值筛选出初始边缘集；(1)获取水平、竖直方向图像灰梯度；获取待处理图像的灰度值矩阵[I(i,j)]M×N，其中I(i,j)是坐标(i,j)处像素的灰度值，i为行，j为列，计算每个元素的水平、竖直方向梯度Gy(i,j)、Gx(i,j)：Gy(i,j)＝I(i+1,j)‑I(i,j)Gx(i,j)＝I(i,j+1)‑I(i,j)(2)确定初始边缘点集合；设定水平方向最小梯度阈值threshold_y，设定竖直方向最小梯度阈值threshold_x，获得初始边缘集P0：Ph_0＝{(i,j)||Gx(i,j)|＞threshold_x}Pv_0＝{(i,j)||Gy(i,j)|＞threshold_y}P0＝Ph_0∪Pv_0其中：Ph_0表示水平方向初始边缘集，Pv_0表示竖直方向初始边缘集；(3)判定无边缘区域；沿水平、竖直分别检测连续非边缘点，若连续个数超过阈值，则该区域为无边缘区域，并对每个无边缘区域的起止点进行记录，存储在无边缘区域边界点集Pno_edge_boundary中；步骤二：计算图像灰度梯度方向和；(1)斜向梯度方向计算；以图像中各点(i,j)为中心，分别计算左下、右下、右上3个设定倾斜方向的梯度，对梯度值进行符号函数操作，分别记为Gyx_diag、Gxy_diag、Gnyx_diag，结果+1代表沿着设定的方向，‑1代表逆设定方向，0则表示没有梯度变化，其计算公式如下：Gxy_diag(i,j)＝sgn(I(i+1,j+1)‑I(i,j))Gyx_diag(i,j)＝sgn(I(i+1,j‑1)‑I(i,j))Gnyx_diag(i,j)＝sgn(I(i‑1,j+1)‑I(i,j))(2)梯度方向和异常修正；判断梯度方向特征值Gxy_diag(i,j)、Gyx_diag(i,j)、Gnyx_diag(i,j)是否出现异常：将点(i,j)的3×3邻域内的梯度方向特征值与异常模板进行匹配，若与水平异常模板匹配成功，则出现水平异常，应将水平方向的梯度方向和Dirh(i,j)置为最优值10；若与竖直异常模板匹配成功，则出现竖直异常，将竖直方向的梯度方向和Dirv(i,j)置为最优值10；否则无异常，转入步骤(3)：Dirh(i,j)=10,(i,j)∈PhDirv(i,j)=10,(i,j)∈PvDirv(i,j)=Dirh(i,j)=10,(i,j)∈Pdiagnal]]>(3)计算单斜向小区域灰度梯度方向和，合成水平、竖直灰度梯度方向和；在点(i,j)的3×3邻域内，将梯度方向求和得到左下、右下、右上3个设定倾斜方向的梯度方向和Gxy_dir(i,j)、Gyx_dir(i,j)、Gnyx_dir(i,j)：Gxy_dir(i,j)=Σm=i-1,n=j-1m=i+1,n=j+1Gxy_diag(m,n)]]>Gyx_dir(i,j)=Σm=i-1,n=j-1m=i+1,n=j+1Gyx_diag(m,n)]]>Gnyx_dir(i,j)=Σm=i-1,n=j-1m=i+1,n=j+1Gnyx_diag(m,n)]]>其中，Gxy_dir(i,j)，Gyx_dir(i,j)，Gnyx_dir(i,j)的值域均为[‑9，9]；利用3个倾斜方向的弧度梯度方向合成沿水平、竖直方向的灰度梯度方向和Dirh(i,j)，Dirv(i,j)：Dirh(i,j)＝|Gxy_dir(i,j)+Gyx_dir(i,j)|Dirv(i,j)＝|Gxy_dir(i,j)+Gnyx_dir(i,j)|其中，Dirh(i,j)，Dirv(i,j)的值域为[0，18]；步骤三：依据梯度方向和提取边缘集；(1)计算相邻9点梯度和；以给定点为中心，计算3×3区域内沿水平、竖直方向梯度幅值和：竖直方向梯度和：Gsum_x(i,j)=|Σm=i-1,n=j-1i+1,j+1Gx(m,n)|]]>水平方向梯度和：Gsum_y(i,j)=|Σm=i-1,n=j-1i+1,j+1Gx(m,n)|]]>(2)获取水平基础阈值Th_F(i,j)、竖直基础阈值Tv_F(i,j)；设定水平低阈值Th_F_low(i,j)、竖直低阈值Tv_F_low(i,j)、水平高阈值Th_F_high(i,j)、竖直高阈值Tv_F_high(i,j)，在点距离无边缘区域边界小于D时，采用低基础阈值，其他情况使用高基础阈值：Th_F(i,j)＝Th_F_low(i,j),(i,j)∈Ph_lowTh_F(i,j)=Th_F_high(i,j),(i,j)∉Ph_low]]>Tv_F(i...

【技术特征摘要】
1.基于一致性的边缘检测方法，包括以下几个步骤：步骤一：利用图像灰度的梯度幅值筛选出初始边缘集；(1)获取水平、竖直方向图像灰度梯度；获取待处理图像的灰度值矩阵[I(i,j)]M×N，其中I(i,j)是坐标(i,j)处像素的灰度值，i为行，j为列，计算每个元素的水平、竖直方向梯度Gy(i,j)、Gx(i,j)：Gy(i,j)＝I(i+1,j)-I(i,j)Gx(i,j)＝I(i,j+1)-I(i,j)(2)确定初始边缘点集合；设定水平方向最小梯度阈值threshold_y，设定竖直方向最小梯度阈值threshold_x，获得初始边缘集P0：Ph_0＝{(i,j)||Gx(i,j)|＞threshold_x}Pv_0＝{(i,j)||Gy(i,j)|＞threshold_y}P0＝Ph_0∪Pv_0其中：Ph_0表示水平方向初始边缘集，Pv_0表示竖直方向初始边缘集；(3)判定无边缘区域；沿水平、竖直方向分别检测连续非边缘点，若连续非边缘点个数超过阈值，则被检测区域为无边缘区域，并对每个无边缘区域的起止点进行记录，存储在无边缘区域边界点集Pno_edge_boundary中；步骤二：计算图像灰度梯度方向和；(1)斜向梯度方向计算；以图像中各点(i,j)为中心，分别计算左下、右下、右上3个设定倾斜方向的梯度，对梯度值进行符号函数操作，分别记为Gyx_diag、Gxy_diag、Gnyx_diag，结果+1代表沿着设定的方向，-1代表逆设定方向，0则表示没有梯度变化，其计算公式如下：Gxy_diag(i,j)＝sgn(I(i+1,j+1)-I(i,j))Gyx_diag(i,j)＝sgn(I(i+1,j-1)-I(i,j))Gnyx_diag(i,j)＝sgn(I(i-1,j+1)-I(i,j))(2)梯度方向和异常修正；判断梯度方向特征值Gxy_diag(i,j)、Gyx_diag(i,j)、Gnyx_diag(i,j)是否出现异常：将点(i,j)的3×3邻域内的梯度方向特征值与异常模板进行匹配，若与水平异常模板匹配成功，则出现水平异常Ph，应将水平方向的梯度方向和Dirh(i,j)置为最优值10；若与竖直异常模板匹配成功，则出现竖直异常Pv，将竖直方向的梯度方向和Dirv(i,j)置为最优值10；若与倾斜异常模板匹配成功，则出现倾斜异常Pdiagnal，将水平方向的梯度方向和Dirh(i,j)与竖直方向的梯度方向和Dirv(i,j)均置为最优值10；否则无异常，转入步骤(3)：(3)计算单斜向小区域灰度梯度方向和，合成水平、竖直灰度梯度方向和；在点(i,j)的3×3邻域内，将梯度方向求和得到左下、右下、右上3个设定倾斜方向的梯度方向和Gxy_dir(i,j)、Gyx_dir(i,j)、Gnyx_dir(i,j)：其中，Gxy_dir(i,j)，Gyx_dir(i,j)，Gnyx_dir(i,j)的值域均为[-9，9]；利用3个倾斜方向的灰度梯度方向合成沿水平、竖直方向的灰度梯度方向和Dirh(i,j)，Dirv(i,j)：Dirh(i,j)＝|Gxy_dir(i,j)+Gyx_dir(i,j)|Dirv(i,j)＝|Gxy_dir(i,j)+Gnyx_dir(i,j)|其中，Dirh(i,j)，Dirv(i,j)的值域为[0，18]；步骤三：依据梯度方向和提取边缘集；(1)计算相邻9点梯度和；以给定点为中心，计算3×3区域内沿水平、竖直方向梯度幅值和：竖直方向梯度和：水平方向梯度和：(2)获取水平基础阈值Th_F(i,j)、竖直基础阈值Tv_F(i,j)；...

【专利技术属性】
技术研发人员：张海，杨飞菲，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11