图像边缘的检测方法及系统技术方案

本发明专利技术公开一种图像边缘的检测方法，包括：获取图像；基于差分进化算法进行种群初始化并设置参数；对种群中的个体进行变异操作和交叉操作；计算目标个体和实验个体的适应度函数并进行选择操作；重复迭代直至迭代次数达到初始预设值；选择输出计算出的适应度函数的最大值作为Sobel算子的阈值进行图像边缘检测。相应地，本发明专利技术还公开一种图像边缘的检测系统。本发明专利技术采用的技术方案，提升了对复杂环境下噪声图像边缘检测的准确度和抗噪性能。

【技术实现步骤摘要】

本专利技术涉及计算机图像处理领域，尤其涉及一种图像边缘的检测方法及系统。
技术介绍
在计算机视觉和图像处理
，Sobel算子（索贝尔算子）经常被用于检测 图像边缘。Sobel算子是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近 似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。Sobel算子模板包括水平方向和垂直方向，只对目标的水平和垂直方向边缘敏感， 并不能准确地检测出目标轮廓。同时，现有阈值是凭借实验或经验人为固定设置的，在有 雨、雪、雾霾等复杂环境条件下采集到的图像必然会产生噪声，导致不能准确的检测出目标 的边缘。因此，现有的图像边缘检测技术对复杂环境下的噪声图像的检测准确度不高且抗 噪性能较差。
技术实现思路
鉴于此，本专利技术提供一种图像边缘的检测方法及系统，解决现有图像边缘检测对 于复杂环境下噪声图像的检测准确度不高和抗噪性差的技术问题。 根据本专利技术的一个实施例，提供一种图像边缘的检测方法，包括步骤：S100 :获取 图像；S102 :基于差分进化算法进行种群初始化并设置参数；S104 :对种群中的个体进行变 异操作和交叉操作；S106 :计算目标个体和实验个体的适应度函数并进行选择操作；S108 : 重复迭代直至迭代次数达到初始预设值，否则返回S104 ;以及S110 :选择输出计算出的适 应度函数的最大值作为Sobel算子的阈值进行图像边缘检测。 优选的，所述计算目标个体和实验个体的适应度函数包括：计算目标的熵和背景 的熵的总和作为适应度函数。 优选的，所述计算目标的熵和背景的熵的总和作为适应度函数包括：生成所述图 像的灰度-梯度二维直方图；基于灰度-梯度二维直方图计算灰度-梯度的概率密度；以及 基于灰度-梯度的概率密度计算目标熵和背景熵的总和作为适应度函数。 优选的，所述对种群中的个体进行变异操作和交叉操作包括：对种群中的个体进 行变异操作生成变异个体；以及将变异个体与目标个体进行交叉操作生成实验个体。 优选的，所述适应度函数的最大值定义为：H(S%Τ〇 =max{H(S，T)}，其中H(S，T) =HA+HD表示判别函数，::分别表不目标的熵 和背景的熵，Ρ^=cL/ΣXCi,j表示灰度-梯度的概率密度。 根据本专利技术的另一实施例，提供一种图像边缘的检测系统，包括：图像获取模块， 用于获取图像；适应度计算模块，用于计算目标个体和实验个体的适应度函数；阈值全局 优化模块，用于基于差分进化算法进行种群初始化并设置参数、对种群中的个体进行变异 操作和交叉操作、进行选择操作以及重复迭代直至迭代次数达到初始预设值；以及阈值选 择模块，用于选择输出所述适应度计算模块计算出的适应度函数的最大值作为Sobel算子 的阈值进行图像边缘检测。 优选的，所述适应度计算模块计算目标的熵和背景的熵的总和作为适应度函数。 优选的，所述适应度计算模块包括：灰度-梯度二维直方图生成模块，用于生成所 述图像的灰度-梯度二维直方图；灰度-梯度的概率密度计算模块，用于基于灰度-梯度二 维直方图计算灰度-梯度的概率密度；以及适应度函数计算模块，用于基于灰度-梯度的概 率密度计算目标熵和背景熵的总和作为适应度函数。 优选的，所述阈值全局优化模块包括：种群初始化模块，用于基于差分进化算法进 行种群初始化并设置参数；变异操作模块，用于对种群中的个体进行变异操作生成变异个 体；交叉操作模块，用于将变异个体与目标个体进行交叉操作生成实验个体；选择操作模 块，用于进行选择操作；以及迭代模块，用于重复迭代直至迭代次数达到初始预设值。 优选的，所述阈值选择模块选择输出的所述适应度函数的最大值定义为： T*) = TU-li：由Τ') = 完坐||却丨尿1 数， 子别表不目标的熵和 背景的熵，Pi,cu/ΣXCi,j表示灰度-梯度的概率密度。 本专利技术提供的图像边缘的检测方法及系统，通过差分进化算法的迭代操作对每 个像素点的阈值进行全局优化，根据图像中每个像素邻域的不同自适应地选择阈值，与传 统图像边缘检测方法采用固定阈值相比，提升了收敛性，避免陷入局部最优，同时采用灰 度-梯度二位直方图求解出阈值的判别函数，利用像素点的灰度值和邻域梯度均值的联合 统计分布，充分利用图像的细节特征，最终选择输出最佳阈值向量的最大值作为Sobel算 子的阈值，可检测复杂环境下噪声图像的边缘，提升了图像边缘检测的准确度和抗噪性能。【附图说明】 为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他 的附图。 图1为本专利技术一个实施例中图像边缘的检测方法的流程示意图。 图2为本专利技术一个实施例中对种群中的个体进行变异操作和交叉操作的流程示 意图。 图3为本专利技术一个实施例中计算目标个体和实验个体的适应度函数的流程示意 图。 图4为本专利技术一个实施例中图像灰度-梯度的象限的示意图。 图5为本专利技术又一个实施例中图像边缘的检测方法的流程示意图。 图6为本专利技术另一个实施例中图像边缘的检测系统的结构示意图。 图7为本专利技术另一个实施例中所述阈值全局优化模块的结构示意图。 图8为本专利技术另一个实施例中所述适应度计算模块的结构示意图。【具体实施方式】 下面结合附图和【具体实施方式】对本专利技术的技术方案作进一步更详细的描述。显 然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的 实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例， 都应属于本专利技术保护的范围。 在本专利技术的描述中，需要理解的是，术语"第一"、"第二"等仅用于描述目的，而不 能理解为指示或暗示相对重要性。在本专利技术的描述中，需要说明的是，除非另有明确的规定 和限定，术语"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接， 或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介 间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具 体含义。此外，在本专利技术的描述中，除非另有说明，"多个"的含义是两个或两个以上。 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括 一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部 分，并且本专利技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺 序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本专利技术 的实施例所属
的技术人员所理解。 图1为本专利技术一个实施例中图像边缘的检测方法的流程示意图。如图所示，本发 明实施例提供的图像边缘的检测方法，包括： 步骤S100:获取图像。 其中，所述图像可以是通过任意途径获取的图像，比如图像传感器拍摄或视频监 控采集到的图像。所述图像可以通过图像传感器采集现场获取，也可以是通过其他途径采 集得到后传送过来的图片。所述图像可以是正常环境下采集到的优质图像，也可以是复杂 环境下采集到的带有噪声的图像。 步骤S102 :基本文档来自技高网...

【技术保护点】
一种图像边缘的检测方法，其特征在于，包括步骤：S100：获取图像；S102：基于差分进化算法进行种群初始化并设置参数；S104：对种群中的个体进行变异操作和交叉操作；S106：计算目标个体和实验个体的适应度函数并进行选择操作；S108：重复迭代直至迭代次数达到初始预设值，否则返回S104；以及S110：选择输出计算出的适应度函数的最大值作为Sobel算子的阈值进行图像边缘检测。

【技术特征摘要】

【专利技术属性】
技术研发人员：崔晓辰，
申请(专利权)人：上海斐讯数据通信技术有限公司，
类型：发明
国别省市：上海;31