一种基于量子理论的形态学图像边缘检测方法技术

本发明专利技术公开了一种基于量子理论的形态学图像边缘检测方法，包括以下步骤：S1：基于量子理论的形态学边缘检测，S2：采用NMS细化算法与形态学细化相结合的方式对图像进行边缘细化；S3：采用量子概率方法对图像进行边缘连接，该方案提出的量子形态学边缘检测算法对噪声图像进行边缘检测时，即使噪声强度较大，仍能有效提取边缘。该方案提出的基于量子概率的边缘连接算法能有效提高边缘的连续性。

【技术实现步骤摘要】

本专利技术涉及图形边缘处理
，尤其涉及一种基于量子理论的形态学图像边 缘检测方法。
技术介绍
边缘检测是一种基本的图像处理方法，已广泛地应用于图像分割、图像识别和图 像分析等领域。通常在图像获取、传输和处理过程中，总会不可避免地存在各种噪声，且噪 声与图像边缘的频带混合在一起，这使得图像边缘检测变得很困难。因此，如何从噪声干扰 的图像中有效地获取图像边缘是图像处理的一个重要研宄课题。 基于Sobel、Roberts、Prewitt等梯度算子和拉普拉斯算子的传统边缘检测方法 都对噪声很敏感，难以有效地对有噪图像进行边缘检测。Canny算子在噪声较小时能检测出 图像边缘，但重要的边缘信息容易被平滑掉，还会出现虚假轮廓效应，且在噪声较大时，也 无法有效地检测出边缘 。基于小波分析的边缘检测方法通过多尺度变换只能从小噪声图 像中检测出边缘，但是检测到的边缘存在明显的不连续现象，且多级小波分解的计算量较 大 。由于常用的边缘检测算法无法直接从含噪图像中有效地检测出边缘，通常的解决方 法是先滤波再检测边缘，但线性滤波的平滑特性会使图像在预滤波阶段丢失边缘信息。基 于数学形态学的边缘检测方法能较好地保留图像细节，但其检测效果依赖于结构元素的形 状和大小，而且由于噪声分布的不确定性，很难找到适应于全局图像的结构元素 现有技术中基于均方差测量算子的量子衍生形态学图像边缘检测方法（文献4)， 该方法使结构元素处于量子叠加态，在结构元素平移的过程中，由平移点邻域的图像局部 特征（均方差）生成测量算子，并对该结构元素进行测量使其坍缩到相应的基态一传统结 构元素。由于不同像素点的邻域特征不同，从而获得自适应的结构元素。将其作用于形态 学梯度边缘检测算子 G (X，y) = (f 十 Bq) (X，y) - (f 0 Bq) (X，y) 其中，f为噪声污染图像，Bq为结构元素，G为边缘图像，?表示形态学膨胀运算， ?表示形态学腐蚀运算。该方法能直接从噪声干扰的图像中大致检测出图像的边缘，但检 测出的边缘较粗且存在不连续现象。当噪声增大时，基于均方差的测量算子把部分正常像 素点误判为噪声的可能性增大，检测出的边缘质量越来越差。
技术实现思路
根据现有技术存在的问题，本专利技术公开了一种基于量子理论的形态学图像边缘检 测方法，具体方案是：包括以下步骤：S1:基于量子理论的形态学边缘检测：S11:将灰度图像f(x，y)标准化到区间，确定一个中心像素，根据该像素的 大小为n的邻域灰度信息定义一个叠加态结构元素矩阵SEg(x，y);S12:跟据中心像素邻域的灰度信息构造矩阵g，对矩阵g进行随机数测量，测量后 矩阵g的元素值为0或1，将该矩阵元素按从右到左从下到上的顺序排列，根据排列得到的 序列定义该像素的测量算子P(x，y);S13:量子测量算子P(x，y)作用于叠加态结构元素SEg(x，y)，得到自适应可用的 结构元素B(x，y);在此结构元素B(x，y)的基础上，用形态学梯度边缘检测算子检测边缘； S2 :采用匪S细化算法与形态学细化相结合的方式对图像进行边缘细化；S3:采用量子概率方法对图像进行边缘连接：S31:先用匪S算法细化边缘图像G，然后进行图像二值化，再进行形态学细化；S32:提取边缘端点，考虑边缘点的八个邻域，假设边缘的方向有水平、垂直、左下 到右上、右下到左上四个方向，则如果该边缘点在某个方向上只有两个像素是边缘点，则定 义该边缘点为端点；S33:扫描端点图像d，找到一个中心点p;S34:搜索p的5X5邻域，找到另一个端点pl，根据p的M(M〈8)个角度信息和pi 的N(N〈8)个角度信息，将p和pi是否连接的状态表达为融合量子态的形式；S35:计算p和pi被连接的概率幅Vn'产生在间均匀分布的随机数，如 果，使p和pi连接，更新被连接点的角度信息，连接结束后进行形态学细化，完 成图像的边缘检测。S33中在更新被连接点的角度信息后进行判断：如果p的5X5邻域中还有端点未 被搜索，转到S34开始进行重新搜索，如果端点图像d还未扫描结束，则转到S33进行重新 扫描端点处理。 所述叠加态结构元素矩阵SEs (x，y)为 i=0【主权项】1. ，其特征在于：包括以下步骤： 51 :基于量子理论的形态学边缘检测： 511 :将灰度图像f(X，y)标准化到区间，确定一个中心像素，根据该像素的大小 为n的邻域灰度信息定义一个叠加态结构元素矩阵SEg(x，y); 512 :跟据中心像素邻域的灰度信息构造矩阵g，对矩阵g进行随机数测量，测量后矩阵 g的元素值为〇或1，将该矩阵元素按从右到左从下到上的顺序排列，根据排列得到的序列 定义该像素的测量算子P(x，y); 513 :量子测量算子P(x，y)作用于叠加态结构元素SEg(x，y)，得到自适应可用的结构 元素B(x，y);在此结构元素B(x，y)的基础上，用形态学梯度边缘检测算子检测边缘； 52 :采用匪S细化算法与形态学细化相结合的方式对图像进行边缘细化； 53 :采用量子概率方法对图像进行边缘连接： 531 :先用匪S算法细化边缘图像G，然后进行图像二值化，再进行形态学细化； 532 :提取边缘端点，考虑边缘点的八个邻域，假设边缘的方向有水平、垂直、左下到右 上、右下到左上四个方向，则如果该边缘点在某个方向上只有两个像素是边缘点，则定义该 边缘点为端点； 533 :扫描端点图像d，找到一个中心点p; 534 :搜索p的5X5邻域，找到另一个端点pl，根据p的M(M〈8)个角度信息和pi的 N(N〈8)个角度信息，将p和pi是否连接的状态表达为融合量子态的形式； 535 :计算p和pi被连接的概率幅，产生在间均匀分布的随机数，如果 r< (c2"xwt )2，使p和P1连接，更新被连接点的角度信息，连接结束后进行形态学细化，完成 图像的边缘检测。2. 根据权利要求1所述的，其特征还在 于：S33中在更新被连接点的角度信息后进行判断：如果p的5X5邻域中还有端点未被搜 索，转到S34开始进行重新搜索，如果端点图像d还未扫描结束，则转到S33进行重新扫描 端点处理。3. 根据权利要求1所述的，其特征还在 于：所述叠加态结构元素矩阵SEg(x，y)为其中，?表示张量积，fi表示邻域中位置i(i= 1. . .n)处 的灰度值。4. 根据权利要求1所述的，其特征还在 于：S12中：构造像素的测量算子P(x，y)具体方式如下： 令每个像素对应大小为n的矩阵g，其中g的元素通过对gi进行随机数测量，产生n个之间的随机数rJi= 1，2,…，n)，如果rpgi， 取gi = 0 ;如果r#gi，取gi= 1，最终矩阵g的元素值为0或1，将该矩阵元素按从右到 左从下到上的顺序排列，得g%…gr"gn，定义图像在（x，y)处的测量算子为 P(x，y) = |区$2…gi…gnXgig;^…gi…gn|。5. 根据权利要求1所述的，其特征还在 于：S13中：将量子测量算子P(x，y)作用于叠加态结构元素SEg (x，y)，得到自适应可用的结 构元素B(X，y)采用如下方式：将B(x，y)重新排列得结构元素在自适应可用的结构元素B(x，y)的基础上本文档来自技高网...

【技术保护点】
一种基于量子理论的形态学图像边缘检测方法，其特征在于：包括以下步骤：S1：基于量子理论的形态学边缘检测：S11：将灰度图像f(x,y)标准化到区间[0,1]，确定一个中心像素，根据该像素的大小为n的邻域灰度信息定义一个叠加态结构元素矩阵SEg(x,y)；S12：跟据中心像素邻域的灰度信息构造矩阵g，对矩阵g进行随机数测量，测量后矩阵g的元素值为0或1，将该矩阵元素按从右到左从下到上的顺序排列，根据排列得到的序列定义该像素的测量算子P(x,y)；S13：量子测量算子P(x,y)作用于叠加态结构元素SEg(x,y)，得到自适应可用的结构元素B(x,y)；在此结构元素B(x,y)的基础上，用形态学梯度边缘检测算子检测边缘；S2：采用NMS细化算法与形态学细化相结合的方式对图像进行边缘细化；S3：采用量子概率方法对图像进行边缘连接：S31：先用NMS算法细化边缘图像G，然后进行图像二值化，再进行形态学细化；S32：提取边缘端点，考虑边缘点的八个邻域，假设边缘的方向有水平、垂直、左下到右上、右下到左上四个方向，则如果该边缘点在某个方向上只有两个像素是边缘点，则定义该边缘点为端点；S33：扫描端点图像d，找到一个中心点p；S34：搜索p的5×5邻域，找到另一个端点p1，根据p的M(M<8)个角度信息和p1的N(N<8)个角度信息，将p和p1是否连接的状态表达为融合量子态的形式；S35：计算p和p1被连接的概率幅产生在[0,1]间均匀分布的随机数，如果使p和p1连接，更新被连接点的角度信息，连接结束后进行形态学细化，完成图像的边缘检测。...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈喆，殷福亮，李润顺，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21