基于双稀疏分解的复杂图像Canny边缘检测方法技术

本发明专利技术涉及一种基于双稀疏分解的复杂图像Canny边缘检测方法。本发明专利技术经过结构化的NSCT分解，图像中难以表示的非平稳变化高频分量数据被分离出来，且这部分高频分量数据的矩阵较稀疏。所以仅对NSCT分解得到的高频分量进行K‑SVD字典学习，不但可以将图像特有的基向量融入字典、与NSCT分解形成互补，还能大幅降低算法的计算量，提升算法效率；本发明专利技术采用双稀疏字典学习方法，在保留图像特有特征信息的同时可能丢掉部分平稳变化的高、低频信息，导致字典原子数据丰富度降低。所以将K‑SVD学习字典与DCT字典合并，弥补学习字典在平稳变化基向量方面的缺失，提升混合稀疏字典的稀疏表示能力。

【技术实现步骤摘要】
基于双稀疏分解的复杂图像Canny边缘检测方法
本专利技术涉及数字图像处理，具体涉及一种基于双稀疏分解的复杂图像Canny边缘检测方法。
技术介绍
图像处理发展出现了许多分支，例如图像压缩、图像修复、图像分割和图像识别等。在图像分割、图像识别等进行特征提取的处理方法中，需要用到边缘检测技术，以便于进行数据精简和信息提纯。本专利技术利用双稀疏分解方法的特征提取功能，对图像进行预处理，剔除无关信息，再利用Canny算子检测边缘，以提升边缘检测结果的准确性。相比现有技术：(1)图像分解算法主要分为结构化信号时频分析方法和自适应信号分析方法。信号结构化时频分析方法速度较快，但该方法只能处理某一类特征的图像，算法适应性有限。而自适应信号分析方法的适应性较好，但该算法复杂度较高，使得算法效率较低。(2)现有的Canny边缘检测算法鲁棒性有限，因而检测结果的可信性、准确性依赖于图像在形态学上的简洁程度。其中赵恒等人对核磁共振图像进行幅值平方处理，再用获得的幅值平方图像进行Canny边缘检测，但对除核磁共振以外的图像检测率较低；袁素真等人用有利于实现并行处理的NEQR量子图像表示模型对图像进行分解，没有结合特征分析对不利于边缘检测的数据进行筛选。(一种量子Canny边缘检测方法。袁素真李亚豪张昀晴吴一玄黄铉晴路永乐毛雪峰罗元王艳袁建国2017)。这两种方法适应性有限，在复杂纹理图像的边缘检测中效果较差。
技术实现思路
本专利技术所要解决的技术问题是针对上述问题，提供一种基于双稀疏分解的复杂图像Canny边缘检测方法，本专利技术解决上述技术问题的技术方案如下：基于双稀疏分解的复杂图像Canny边缘检测方法，包括以下步骤：步骤1、对待检测图像进行非下采样轮廓波变换，即NSCT分解，得到稀疏高频分量：步骤2、用DCT-DWT初始字典对NSCT分解得到的稀疏高频分量进行K-奇异值分解并进行字典训练，对训练中的图像数据进行松弛化，得到K-SVD学习字典，松弛计算公式如下：其中，c是常数，n是图像数据的大小，σ是松弛参数；步骤3、将训练得到的K-SVD学习字典与DCT字典合并为混合稀疏字典；步骤4、使用混合稀疏字典对待检测图像进行稀疏与冗余表示，利用VSSOMP算法进行双稀疏求解，双稀疏分解得到的简洁纹理图像；步骤5、对双稀疏分解得到的简洁纹理图像进行Canny边缘检测，得到边缘检测结果。进一步的，所述步骤4中的VSSOMP算法具体包括以下步骤：步骤4.1、输入待检测图像y，混合稀疏字典D，步长增量s；步骤4.2、构造字典原子集合并归一化，Di表示混合稀疏字典中的字典原子，i，j表示计数，将待检测图像y分为m个大小一致的图像块，并将每个图像块分解为多个向量，得到向量集合1≤j≤m令残差r＝yj，初始步长L＝s，根据式子：yj≈DGxj，迭代求解每个向量yj在D上的最合适线性组合的原子组DG和对应的稀疏系数xj，1≤j≤m；所有xj组成的矩阵即为待检测图像y的稀疏表示系数矩阵x。进一步的，所述稀疏系数xj的计算方法如下：步骤4.21、k的初始值为0，计算u＝DTr，选择1个绝对值最大的原子计算与的内积T，若||T||>0.5删除得到原子组DL，继续进行L-1次上一步中的操作之后，令DG＝DG∪DL；步骤4.22、根据稀疏模型：稀疏系数使用最小二乘法近似求解：步骤4.23、设置阈值res1＝1.15×64，res2＝1.1·res1，若r＞res2，则令L＝L+s，r＝yj-DGxj，令迭代次数k＝k+1，转入步骤4.3；若res2＞r＞res1，则令L＝L/2，r＝yj-DGxj，令迭代次数k＝k+1，转入步骤4.3；若r＜res1，则转到步骤4.24；步骤4.24、输出最终的稀疏系数xj。本专利技术的有益效果为：1、经过结构化的NSCT分解，图像中难以表示的非平稳变化高频分量数据被分离出来，且这部分高频分量数据的矩阵较稀疏。所以仅对NSCT分解得到的高频分量进行K-SVD字典学习，不但可以将图像特有的基向量融入字典、与NSCT分解形成互补，还能大幅降低算法的计算量，提升算法效率；2、用阈值松弛法适当放宽K-SVD中稀疏表示的精度要求，自适应地降低稀疏编码的原子数量，其优点一是有效地避免了过拟合，优点二是大幅提高了K-SVD算法的效率；3、基于NSCT的K-SVD字典学习算法，也称为双稀疏字典学习方法。该方法在保留图像特有特征信息的同时可能丢掉部分平稳变化的高、低频信息，导致字典原子数据丰富度降低。所以将K-SVD学习字典与DCT字典合并，弥补学习字典在平稳变化基向量方面的缺失，提升混合稀疏字典的稀疏表示能力；4、结合正则化正交匹配追踪算法和稀疏度自适应匹配追踪算法的思想，提出了变步长正交匹配追踪(VariableStepSizeOMP,VSSOMP)算法，该方法沿用了OMP算法的框架，在字典原子选择阶段使用线性相关原理，选出多个原子加入本轮迭代计算中，减少了算法的计算量，并采用双阈值控制方法对步长进行调整，及时减小步长，提升解的稀疏性，并且规避了ROMP算法中的缺点，不需要预先计算稀疏度K的大小。5、基于双稀疏学习字典的图像稀疏分解方法，这种双稀疏分解方法在高频信息的分解过程中，不只是提取图像信号中的高频分量，更是提取含有图像高频信息的特征向量。所以，经过双稀疏分解的图像，可以将干扰性的纹理过滤掉。6、在边缘检测中加入了基于NSCT的双稀疏图像分解步骤，对图像中的高频部分进行净化，提前消除了一部分误检因素，算法的准确性更有保障，降低边缘点的识别难度，进而提升边缘检测算法的精度。附图说明图1为NSCT分解示意图；图2为K-SVD算法流程图；图3为基于NSCT分解的K-SVD算法流程图；图4为基于双稀疏学习字典的图像分解流程；图5为基于双稀疏的边缘检测流程图；图6为复杂纹理图像原图；图7为双稀疏分解结果；图8为采用普通Canny算法和基于双稀疏分解的复杂图像Canny算法的边缘检测结果，以及对低频特征分量部分采用普通Canny算法和基于双稀疏分解的复杂图像Canny算法的边缘检测结果，灵敏度均为0.3。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。本专利技术包括以下步骤：1、对复杂图像原图进行非下采样轮廓波变换(NonsubsampledContourlet，NSCT)，将图像中表示难度较大的特征向量集中在高频部分；2、用DCT-DWT(DiscreteCosineTransform,DCT；DiscreteWaveletTransform，DWT)字典作为初始字典，对NSCT分解得到的稀疏高频分量进行K-奇异值分解(K-SingularValueDecomposition,K-SVD)字典训练，其中对K-SVD本文档来自技高网...

【技术保护点】
1.基于双稀疏分解的复杂图像Canny边缘检测方法，其特征在于，包括以下步骤：/n步骤1、对待检测图像进行非下采样轮廓波变换，即NSCT分解，得到稀疏高频分量：/n步骤2、用DCT-DWT初始字典对NSCT分解得到的稀疏高频分量进行K-奇异值分解并进行字典训练，对训练中的图像数据进行松弛化，得到K-SVD学习字典，松弛计算公式如下：/n

【技术特征摘要】
1.基于双稀疏分解的复杂图像Canny边缘检测方法，其特征在于，包括以下步骤：
步骤1、对待检测图像进行非下采样轮廓波变换，即NSCT分解，得到稀疏高频分量：
步骤2、用DCT-DWT初始字典对NSCT分解得到的稀疏高频分量进行K-奇异值分解并进行字典训练，对训练中的图像数据进行松弛化，得到K-SVD学习字典，松弛计算公式如下：



其中，c是常数，n是图像数据的大小，σ是松弛参数；
步骤3、将训练得到的K-SVD学习字典与DCT字典合并为混合稀疏字典；
步骤4、使用混合稀疏字典对待检测图像进行稀疏与冗余表示，利用VSSOMP算法进行双稀疏求解，双稀疏分解得到的简洁纹理图像；
步骤5、对双稀疏分解得到的简洁纹理图像进行Canny边缘检测，得到边缘检测结果。


2.根据权利要求1所述的基于双稀疏分解的复杂图像Canny边缘检测方法，其特征在于，所述步骤4中的VSSOMP算法具体包括以下步骤：
步骤4.1、输入待检测图像y，混合稀疏字典D，步长增量s；
步骤4.2、构造字典原子集合并归一化，Di表示混合稀疏字典中的字典原子，i，j表示计数，将待检测图像y分为m...

【专利技术属性】
技术研发人员：孟青青，李登峰，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：湖北;42