基于融合直方图分层和非线性导数的边缘检测算法制造技术

本发明专利技术公开了一种基于融合直方图分层和非线性导数的边缘检测算法，由确定各向异性高斯方向导数滤波器的左右子窗口及权重、直方图分层和非线性滤波、计算各向异性高斯方向导数响应向量、提取边缘强度图和边缘方向图、非极大值抑制和双阈值决策的检测步骤组成。该算法采用直方图分层技术可以有效抑制椒盐噪声干扰，同时通过将直方图分层技术与基于双窗的边缘强度提取结合，可有效抑制高斯噪声干扰。最后将提取的边缘强度映射和边缘方向图嵌入到基于微分的边缘检测算法流程中，获得了对混合噪声鲁棒的精细边缘检测算法。解决了边缘检测噪声敏感的技术问题，可有效提取精确的图像边缘特征。缘特征。缘特征。

【技术实现步骤摘要】
基于融合直方图分层和非线性导数的边缘检测算法


[0001]本专利技术属于图像处理
，涉及图像的边缘处理，特别涉及一种基于融合直方图分层和非线性导数的边缘检测算法。

技术介绍

[0002]图像边缘是图像基本的特征之一，在图像处理中有重要的作用。边缘特征是图像中相邻区域交界处像素的集合，通常定义为邻近灰度或结构信息发生剧烈变化的像素。边缘检测基本思想是先检测图像中的边缘点，再按照某种策略将边缘点连接成轮廓，从而构成分割区域。由于边缘是所要提取目标和背景的分界线，提取出边缘才能将目标和背景区分开，因此边缘检测是图像处理和计算机视觉领域中重要的图像特征之一，且被广泛应用于各个领域。比如石油勘探中的储层裂缝识别，农业马铃薯多光谱图像萌发检测，交通道路图像的坑洼分类，医学视网膜图像的血管检测，以及图像文本提取等。
[0003]现有的边缘检测算法大致可分为两大类：基于局部灰度或颜色变化的边缘检测算法和基于全局特征相关信息的边缘检测算法。基于局部变化的边缘检测根据提取边缘强度的滤波器算子特点可分为：基于形态学的边缘检测算法和基于微分算子的边缘检测算法。
[0004]基于形态学的边缘检测算法是通过组合形态学膨胀和腐蚀操作，来构建形态学梯度算子进行边缘检测。基于微分算子的边缘检算法是通过微分算子提取边缘强度图和边缘方向图，再利用非极大值抑制来筛选候选边缘像素，最后借助双阈值决策确定最终边缘像素。基于微分算子的边缘检测算法往往对噪声十分敏感。尽管成像设备带来的噪声随着设备性能的提升对原图像影响越来越小，但图像传输失真所产生的噪声干扰却无法避免。

技术实现思路

[0005]针对上述现有技术存在的椒盐和高斯噪声混合噪声同时干扰时导致图像边缘检测效果差的技术问题，本专利技术的目的在于，提供一种基于融合直方图分层和非线性导数的边缘检测算法，该算法简单、便于操作、可精确提取图像边缘特征。
[0006]为了实现上述任务，本专利技术采取如下的技术解决方案：
[0007]一种基于融合直方图分层和非线性导数的边缘检测算法，其特征在于由下述步骤组成：
[0008](1)确定各向异性高斯方向导数滤波器的左右子窗口及权重
[0009]按公式(1)构建各向异性高斯方向滤波器g
σ,ρ,θ
(x,y)：
[0010][0011]其中，σ是高斯核的尺度，σ∈[1,6]，ρ是各向异性因子，ρ∈[1,8]，(x,y)是滤波窗
口内的局部像素位置,x、y是非负整数，θ是以y轴为基准的旋转角度，θ∈[0,π]，R
θ
是旋转角度为θ的旋转矩阵；
[0012]按公式(2)得g
σ,ρ,θ
(x,y)沿θ的一阶偏导，即各向异性高斯方向导数滤波器ψ
σ,ρ,θ
(x,y)：
[0013][0014]按公式(3)分别确定各向异性高斯方向导数滤波器的左子窗口N
L
和右子窗口N
R
：
[0015][0016]按公式(4)可提取N
L
和N
R
对应的滤波器绝对值权重w
L,θ
和w
R,θ
：
[0017][0018](2)直方图分层和非线性滤波
[0019]对原始图像I(x,y|i)中的像素i利用直方图分层技术，i∈{0,1,
…
,255}，生成T个由所有像素值为i组成的直方图分层图h(x,y|i)，T＝256；利用脉冲函数δ(
□
)提取h(x,y|i)，得到对应的二值图像
[0020][0021]对Г层二值图像按照对应像素值i从小到大进行排序，去除层τ之前和Г
‑
τ
‑
1层之后的τ∈{0,1,2,3}，选择剩余的Г
‑
2τ个利用公式(6)分别确定w
L,θ
和w
R,θ
的滤波结果φ(x,y|i,L,θ)和φ(x,y|i,R,θ)：
[0022][0023]按公式(7)得到Г层二值图像经过w
L,θ
和w
R,θ
的选择性非线性滤波结果φ(x,y|L,θ)和φ(x,y|R,θ)：
[0024][0025](3)计算各向异性高斯方向导数响应向量
[0026]实现沿着方向θ上的滤波结果φ(x,y|L,θ)和φ(x,y|R,θ)，再计算左右子窗的非线性滤波结果的差分，进而得到非线性各向异性高斯方向导数响应φ(x,y|θ)：
[0027][0028]对θ按公式(9)进行离散化，得到K个离散方向θ
K
，k＝1,2，
…
,k，计算每个方向上的导数响应φ(x,y|θ
k
)，得到非线性各向异性高斯方向导数响应向量ζ(x,y)：
[0029][0030]其中，K是离散方向采样个数，K取值为84，θ
K
表示第k个滤波器离散方向，k表示第k个滤波器；
[0031](4)提取边缘强度图和边缘方向图
[0032]提取ζ(x,y)中元素的极大值，并将其定义为边缘强度图ESM(x,y)：
[0033]ESM(x,y)＝max{ζ(x,y)}
ꢀꢀ
(10)
[0034]提取ESM(x,y)对应的φ(x,y|θ
k
)，将其定义为边缘方向图EDM(x,y)：
[0035][0036](5)非极大值抑制和双阈值决策处理
[0037]对于每一个像素，在局部3
×
3窗口内对ESM(x,y)进行非极大值抑制处理：
[0038]首先在像素点(x,y)沿EDM(x,y)方向上利用插值算法计算两侧像素的ESM(x,y)值，并比较它们与像素点(x,y)处ESM(x,y)值的大小，如果像素点(x,y)处的ESM(x,y)大于两侧像素点处的ESM(x,y)，那么像素点(x,y)对应的像素被认定为候选边缘像素；
[0039]按公式(12)利用两个分位点β
up
MN和β
low
MN，确定高阈值T
up
和低阈值T
low
：
[0040][0041]其中，T
up
为高阈值，T
low
为低阈值，β
up
MN是高分位点，β
up
MN＝∈[0.6,0.8]，β
low
MN是低分位点，β
low
MN∈[0.2,0.4]；
[0042]定义集合Ω为非极大值抑制处理获得的候选边缘像素集合，则强边缘像素集合S可以由高阈值判定获得：
[0043]S＝{(x,y)∈Ω：ESM(x,y)≥T
up
}
ꢀꢀ
(13)
[0044]然后，对于ESM(x,y)在高低阈值之间的候选边缘像素组成的弱边缘集合C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合直方图分层和非线性导数的边缘检测算法，其特征在于由下述步骤组成：(1)确定各向异性高斯方向导数滤波器的左右子窗口及权重按公式(1)构建各向异性高斯方向滤波器g
σ,ρ,θ
(x,y)：其中，σ是高斯核的尺度，σ∈[1,6]，ρ是各向异性因子，ρ∈[1,8]，(x,y)是滤波窗口内的局部像素位置,x、y是非负整数，θ是以y轴为基准的旋转角度，θ∈[0,π]，R
θ
是旋转角度为θ的旋转矩阵；按公式(2)得g
σ,ρ,θ
(x,y)沿θ的一阶偏导，即各向异性高斯方向导数滤波器ψ
σ,ρ,θ
(x,y)：按公式(3)分别确定各向异性高斯方向导数滤波器的左子窗口N
L
和右子窗口N
R
：按公式(4)提取N
L
和N
R
对应的滤波器绝对值权重w
L,θ
和w
R,θ
：(2)直方图分层和非线性滤波对原始图像I(x,y|i)中的像素i利用直方图分层技术，i∈{0,1,
…
,255}，生成T个由所有像素值为i组成的直方图分层图h(x,y|i)，T＝256；利用脉冲函数提取h(x,y|i)，得到对应的二值图像得到对应的二值图像对Г层二值图像按照对应像素值i从小到大进行排序，去除τ层之前和Г
‑
τ
‑
1层之后的τ∈{0,1,2,3}，选择剩余的Г
‑
2τ个利用公式(6)分别确定w
L,θ
和w
R,θ
的滤波结果φ(x,y|i,L,θ)和φ(x,y|i,R,θ)：按公式(7)得到Г层二值图像经过w
L,θ
和w
R,θ
的选择性非线性滤波结果φ
(x,y|L,θ)和φ(x,y|R,θ)：(3)计算各向异性高斯方向导数响应向量实现沿着方向θ上的滤波结果φ(x,y|L,θ)和φ(x,y|R,θ)，再计算左右子窗的非线性滤波结果的差分，进而得到非线性各向异性高斯方向导数响应φ(x,y|θ)：对θ按公式(9)进行离散化，得到K个离散方向θ
k
，K＝1,2，
…
,k，计算每个方向上的导数响应φ(x,y|θ
k
)，得到非线性各向异性高斯方向导数响应向量ζ(x,y)：其中，K是离散方向采样个数，K取值为84，θ
K
表示第k个滤...

【专利技术属性】
技术研发人员：周祚峰，吴清泉，
申请(专利权)人：西安西光产业发展有限公司，
类型：发明
国别省市：