基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法技术

本发明专利技术涉及一种基于改进高斯‑拉普拉斯算子的噪声图像边缘检测方法，该方法包括如下步骤，高斯‑拉普拉斯算子将高斯平滑滤波器和拉普拉斯算子结合起来，在进行边缘检测之前，先平滑掉噪声；具体地，1)输入图像，图像可以是灰度或彩色图像，选择σ值，用于确定x和y两方向上的高斯核；2)高斯核沿x和y方向生成；3)使用生成的内核对图像执行高斯平滑；4)对生成的高斯平滑进行边缘检测；其中，σ表示平滑刻度。本发明专利技术提出的改进高斯‑拉普拉斯方法与常规边缘跟踪算法相比，边缘检测的质量大大提高。

【技术实现步骤摘要】
基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法
本专利技术涉及噪声图像边缘检测领域，具体涉及一种基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法。
技术介绍
图像由具有不同灰度级的像素组成，在灰度级不连续性检测中，尽管点和线的检测非常重要，但边缘检测确是目前为止最为通用的方法。边缘是图像的一个基本特征，识别出图像中的边缘信息就是识别图像中目标的最有效手段之一。图像的边缘检测是利用图像一阶导数的极值(梯度算子)或二阶导数过零点(拉普拉斯算子)信息来实现的。边缘检测是确定和定位图像中的尖锐不连续性的过程。在图像分析中，边缘检测起着重要的作用，它是传统的分割技术之一。高斯滤波器在边缘检测器中起着至关重要的作用。高斯滤波器被用于一维信号平滑，当从一个细尺度到粗尺度移动时，零交叉消失在其二阶导数的尺度表示中。对于2D信号应用，也不会随着刻度的增加而产生零交叉。可参考一些国内外文献，如(1)PujarJH,GurjalPS,ShambhaviDS,etal.Medicalimagesegmentationbasedonvigoroussmoothingandedgedetectionideology[J].WorldAcademyofScienceEngineering&Technology,2010,19(68):444，该文献公开了一种图像分割模型，包括由canny和归一化的切割特征向量的边缘检测。在边缘检测之前，先采用基于噪声类型的中位数、高斯或Frost滤波器进行预处理。(2)SomkanthaK,Theera-UmponN,AuephanwiriyakulS.Boundarydetectioninmedicalimagesusingedgefollowingalgorithmbasedonintensitygradientandtexturegradientfeatures[J].IEEEtransactionsonbio-medicalengineering,2011,58(3):567，该文献涉及一种用于医学图像的边缘检测技术，以基于强度梯度和纹理梯度特征来追踪解剖器官的边界；与传统的有源轮廓模型相比，提出的模型能够产生有效的结果。(3)中文的文献，如作者曹风云,李东兴,张华强等，自适应多方向灰度形态学图像边缘检测算法.光学技术,2016,42(3):234-238，该文献提出了基于图像形态学运算的边缘检测，通过取扩张和侵蚀图像之间的差异来确定边缘。以上文献提出的方法，在不同程度上存在对噪声比较敏感的问题。
技术实现思路
本专利技术的目的是提供一种基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法，以解决上述提到的问题。为实现上述目的，本专利技术基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法采用如下技术方案：基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法包括如下步骤，高斯-拉普拉斯算子将高斯平滑滤波器和拉普拉斯算子结合起来，在进行边缘检测之前，先平滑掉噪声；具体地，1)输入图像，图像可以是灰度或彩色图像，选择σ值，用于确定x和y两方向上的高斯核；2)高斯核沿x和y方向生成；3)使用生成的内核对图像执行高斯平滑；4)对生成的高斯平滑进行边缘检测；其中，σ表示平滑刻度。进一步优选，利用高斯滤波器来平滑图像，在确定边缘方向之后，应用非最大抑制来追踪边缘的路径并忽略那些不是边缘部分的像素；然后，应用滞后阀值来消除条纹。进一步优选，定义t1和t2的两个阈值，应用于图像的梯度大小，且t1＞t2；阈值大于t1的像素被认为是边缘像素，大于t2的像素被推定为边缘像素。进一步优选，x和y方向上的高斯核如下式，其中，进一步优选，高斯核的二维表示如下，σ取值为σ＝1.5时，效果最佳。本专利技术的有益效果：本专利技术的基于改进高斯-拉普拉斯算子的边缘检测方法，提出了高斯-拉普拉斯算子，其能够将高斯平滑过滤器和拉普拉斯算子结合起来，在进行边缘检测之前，先平滑掉噪声。通过实验，证明了提出的改进高斯-拉普拉斯方法与常规边缘跟踪算法相比的优越性，边缘检测的质量大大提高。附图说明图1是Sobel边缘检测算子的掩模；图2是Lena图像的Sobel算子边缘检测结果；(a)是原始Lena图像，(b)是Sobel算子边缘检测处理后的Lena图像；图3是Roberts操作符的掩模图；图4是Lena图像的Roberts十字梯度算子边缘检测结果；(a)是原始Lena图像，(b)是Roberts十字梯度算子边缘检测处理后的Lena图像；图5是拉普拉斯算子常用模板；图6是拉普拉斯算子拓展模板；图7是Lena图像基于改进拉普拉斯算子的边缘检测结果；(a)是原始Lena图像，(b)是拉普拉斯算子边缘检测处理后的Lena图像；图8是常用的5×5的高斯-拉普拉斯模板；图9是为Lena图像的高斯-拉普拉斯算子边缘检测输出；(a)是原始Lena图像，(b)是高斯-拉普拉斯算子边缘检测处理后的Lena图像；图10是Lena图像的高斯模糊效果；(a)是原始Lena图像，(b)是高斯模糊处理后的Lena图像；图11是本实施例步骤(1)中输入的Lena图像；图12是灰度处理的图像以及高斯滤波处理的图像；(a)是灰度处理的Lena图像，(b)是高斯模糊处理后的Lena图像；图13(a)、13(b)分别为原始Lena图像在x和y方向上的高斯核响应；图14是本实施例边缘检测获得的图像；(a)是原始Lena图像，(b)是改进高斯-拉普拉斯算子边缘检测处理后的Lena图像；图15是实验中选取的一个图像的边缘检测结果；其中，(a)原图像，(b)Sobel算子检测的结果，(c)Roberts算子检测的结果，(d)Prewitt算子检测的结果，(e)高斯-拉普拉斯算子检测的结果，(f)改进高斯-拉普拉斯算子检测的结果；图16是本实施例中涉及的几种边缘检测算法的PSNR值对比图；图17是本实施例中涉及的几种边缘检测算法的MSE值对比图；图18是本实施例中涉及的几种边缘检测算法的计算时间对比图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。本专利技术基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法的实施例：如图1-图18所示。为更好地理解本实施例的方案，先介绍现有的内容。大多数边缘检测算法都是基于图像的导数或梯度。通常情况下，图像易被高斯噪声破坏或受到斑点噪声的影响。因此，噪声图像中的边缘检测就起着至关重要的作用。边缘检测器的目的是追踪图像中期望的感兴趣区域的边界或轮廓。2D函数g(x,y)的梯度如下式所示：边缘强度由上述矢量的大小给出，如下所示：梯度方向由下式决定：边缘检测算法应仔细跟踪边缘，必须消除由于噪声像素引起的假边。Sobel算子：Sobel算子由一对3×3的卷积内核组成，Sobel算子中的内核对垂直和水平运行的边缘产生最大值。在输入图像中单独应用内核以在每个方向(Gx和Gy)上产生梯度分量的不同测量，然后将内核反应组合在一起，以找出每个点的梯度的绝对幅度和该梯度的方向。梯度大小由下式给出：如图1所示，是确定x(垂直)和y(水平)方向上梯度的Sobel边缘检测掩模。图2是Lena图像的Sobel算子边缘检测结果。Roberts十字梯度算子本文档来自技高网...

【技术保护点】
1.基于改进高斯‑拉普拉斯算子的噪声图像边缘检测方法，其特征在于：包括如下步骤，高斯‑拉普拉斯算子将高斯平滑滤波器和拉普拉斯算子结合起来，在进行边缘检测之前，先平滑掉噪声；具体地，1)输入图像，图像可以是灰度或彩色图像，选择σ值，用于确定x和y两方向上的高斯核；2)高斯核沿x和y方向生成；3)使用生成的内核对图像执行高斯平滑；4)对生成的高斯平滑进行边缘检测；其中，σ表示平滑刻度。

【技术特征摘要】
1.基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法，其特征在于：包括如下步骤，高斯-拉普拉斯算子将高斯平滑滤波器和拉普拉斯算子结合起来，在进行边缘检测之前，先平滑掉噪声；具体地，1)输入图像，图像可以是灰度或彩色图像，选择σ值，用于确定x和y两方向上的高斯核；2)高斯核沿x和y方向生成；3)使用生成的内核对图像执行高斯平滑；4)对生成的高斯平滑进行边缘检测；其中，σ表示平滑刻度。2.根据权利要求1所述的基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法，其特征在于：利用高斯滤波器来平滑图像，在确定边缘方向之后，应用非最大抑制来追踪边缘...

【专利技术属性】
技术研发人员：代文征，代伟，耿丽君，许公开，方振西，董帅楠，
申请(专利权)人：黄河科技学院，
类型：发明
国别省市：河南,41