基于改進(jìn)Canny算法的鐵軌邊緣檢測(cè)

王燕芩 李沛奇

當(dāng)列車運(yùn)行速度達(dá)到200km/h時(shí)，即使很小的異物侵入到線路，都會(huì)導(dǎo)致非常嚴(yán)重的行車事故。目前我國(guó)對(duì)異物侵入的監(jiān)測(cè)方式主要是視頻監(jiān)測(cè)，即在事故易發(fā)地段設(shè)置攝像機(jī)，通過(guò)對(duì)采集的視頻實(shí)時(shí)分析處理，判斷是否發(fā)生異物侵限。這種視頻監(jiān)測(cè)需要人工觀測(cè)處理，耗費(fèi)大量人力，為此提出利用Canny邊緣檢測(cè)算法檢測(cè)異物侵限，不僅提高了整個(gè)監(jiān)測(cè)過(guò)程的自動(dòng)化程度，也提高了整個(gè)系統(tǒng)的可靠性。

Canny定義了邊緣檢測(cè)的3條準(zhǔn)則：信噪比準(zhǔn)則、定位精度準(zhǔn)則和單邊緣響應(yīng)準(zhǔn)則。提出最佳邊緣檢測(cè)算子，即Canny邊緣檢測(cè)算子。Canny算子具有良好的檢測(cè)效果，成為評(píng)價(jià)邊緣檢測(cè)方法的標(biāo)準(zhǔn)。在異物侵限監(jiān)測(cè)現(xiàn)場(chǎng)，光照度和天氣等因素都會(huì)影響到圖片拍攝的質(zhì)量，導(dǎo)致圖像出現(xiàn)噪聲，使檢測(cè)出的軌道邊緣出現(xiàn)模糊。因此需根據(jù)現(xiàn)場(chǎng)的監(jiān)測(cè)環(huán)境，結(jié)合Canny算法的特點(diǎn)對(duì)傳統(tǒng)Canny算法進(jìn)行改進(jìn)，使改進(jìn)后的算法更符合實(shí)際應(yīng)用。

1 傳統(tǒng)Canny邊緣檢測(cè)算法

1.1 算法流程

1.平滑圖像。對(duì)要處理的圖像用高斯濾波器做卷積運(yùn)算，從而可以在計(jì)算梯度時(shí)，減小噪聲對(duì)圖像的影響。高斯濾波器的公式：

其中，σ為高斯濾波器參數(shù)。

2.計(jì)算梯度幅值分量。在水平和垂直兩方向，用一階差分算子計(jì)算梯度幅值M，以及梯度方向θ，計(jì)算公式：

3.非極大值抑制。對(duì)梯度幅值圖像M ［i，j］上的像素逐一進(jìn)行檢測(cè)，把當(dāng)前像素的梯度幅值與其梯度方向上2個(gè)相鄰像素的梯度幅值進(jìn)行比較，如果當(dāng)前像素的梯度幅值不小于這2個(gè)值，則該像素可能是邊緣點(diǎn)；如果梯度幅值小于這2個(gè)值，則該像素點(diǎn)是非邊緣點(diǎn)。通過(guò)對(duì)圖像M ［i，j］非極大值抑制，獲得圖像NMS［i，j］。

4.雙閾值檢測(cè)和邊緣連接。傳統(tǒng)檢測(cè)方法分別用高、低閾值Th和Tl來(lái)提取圖像的邊緣。對(duì)圖像NMS［i，j］，用Th和Tl分別進(jìn)行閾值化得到邊緣圖像E1和E2。E1和E2分別為強(qiáng)、弱邊緣點(diǎn)，其中，E1可能會(huì)出現(xiàn)邊緣間斷的情況，需進(jìn)行邊緣連接。追蹤圖像E1的邊緣，當(dāng)邊緣到端點(diǎn)時(shí)，就在E2中搜索邊緣點(diǎn)來(lái)連接E1中的間斷，直到將E1邊緣的間斷全部連接起來(lái)為止。

1.2 異物監(jiān)測(cè)中的缺陷

1.高斯濾波器對(duì)噪聲嚴(yán)重的圖像抑制效果不理想，容易誤檢出假邊緣，也會(huì)將真實(shí)邊緣的一些細(xì)節(jié)丟失，從而使檢測(cè)結(jié)果的信噪比變小。在監(jiān)測(cè)現(xiàn)場(chǎng)，由于環(huán)境因素的影響，會(huì)有大量的噪聲出現(xiàn)，如果不對(duì)這些噪聲做有效地處理，必定會(huì)影響到檢測(cè)的精度，從而降低整個(gè)監(jiān)測(cè)系統(tǒng)的可靠性。

對(duì)大多數(shù)老年人來(lái)說(shuō)，在所有關(guān)節(jié)中，髖關(guān)節(jié)和膝關(guān)節(jié)是最易受傷的部位。堅(jiān)持練習(xí)一套保髖操，不但能起到舒筋活血的作用，還能保養(yǎng)關(guān)節(jié)。

2.邊緣連接過(guò)于簡(jiǎn)單，不會(huì)考慮到鐵軌具有連續(xù)的邊緣走向，檢測(cè)出的邊緣會(huì)顯得粗糙、不光滑，也會(huì)存在間斷，從而影響監(jiān)測(cè)精度。

傳統(tǒng)的邊緣檢測(cè)方法雖然計(jì)算簡(jiǎn)單，但是存在諸多問(wèn)題，最主要的是無(wú)法保證檢測(cè)的精度和可靠性，因此需對(duì)傳統(tǒng)算法進(jìn)行改進(jìn)。

2 改進(jìn)Canny算法

2.1 改進(jìn)的開(kāi)關(guān)型中值濾波器

2.1.1 中值濾波原理

近年來(lái)，基于噪聲檢測(cè)的中值濾波器在圖像處理方面表現(xiàn)效果良好，得到了廣泛的應(yīng)用，其算法如下。

設(shè)xi表示像素強(qiáng)度，則｛x1，x2，…xN｝是由濾波窗口構(gòu)成的輸入序列集。把y記為濾波器輸出。首先對(duì)輸入序列進(jìn)行升序排列，即x（1）＜x（2）＜ … ＜x（N），得到新的序列集｛x（1），x（2），…x（N）｝，則有：

中值濾波是基于范數(shù)L1的最佳估值，即符合以下條件：

中值濾波器的脈沖噪聲抑制和細(xì)節(jié)特征保護(hù)能力比線性濾波器強(qiáng)，但在除噪的同時(shí)不可避免的破壞了圖像的細(xì)節(jié)部分，處理噪聲嚴(yán)重的圖像效果不是很理想，所以需進(jìn)一步改進(jìn)。

采用分段統(tǒng)計(jì)的方式，首先對(duì)于一個(gè)像素點(diǎn)P，確定以P點(diǎn)為中心點(diǎn)的 （2N＋1）×（2N＋1）領(lǐng)域；這里把領(lǐng)域稱為窗口，按照灰度等級(jí)把窗口中的像素排序，然后把排序后的像素值平均分成N＋2段，每段含N＋2個(gè)像素，并把中間段的N＋2個(gè)像素值的平均值作為P點(diǎn)像素灰度的新值。領(lǐng)域圖像中間一段N＋2個(gè)像素灰度值的平均值，決定了改進(jìn)算法的輸出像素。由于窗口內(nèi)數(shù)據(jù)點(diǎn)間具有相關(guān)性，因此孤立的噪聲點(diǎn)可以進(jìn)一步消除，被破壞的數(shù)據(jù)也可以得到很好的恢復(fù)。在圖像中移動(dòng)窗口，直到處理完所有像素。實(shí)驗(yàn)表明，改進(jìn)的中值濾波算法在圖像的細(xì)節(jié)保護(hù)方面表現(xiàn)更好，提高了現(xiàn)場(chǎng)監(jiān)測(cè)的精度。

2.1.3 開(kāi)關(guān)濾波原理

開(kāi)關(guān)濾波處理的算法，將全部像素分為保持原值不變的信號(hào)S和需要進(jìn)行處理的噪聲N，算法原理如圖1所示。

圖1 開(kāi)關(guān)濾波結(jié)構(gòu)

噪聲檢測(cè)器可以對(duì)噪聲進(jìn)行判定，從而控制開(kāi)關(guān)單元。噪聲檢測(cè)器如果判定該像素點(diǎn)不是噪聲點(diǎn)，則把該點(diǎn)直接輸出，不作任何處理；如果判定該像素點(diǎn)是噪聲點(diǎn)，則把開(kāi)關(guān)和濾波處理單元連接起來(lái)，對(duì)該點(diǎn)進(jìn)行濾波處理。

2.1.4 基于改進(jìn)中值濾波算法的開(kāi)關(guān)去噪

對(duì)所有的像素點(diǎn)都采取統(tǒng)一的方法處理是傳統(tǒng)中值濾波器的一大弊端，會(huì)造成圖像模糊并降低檢測(cè)的精度。把開(kāi)關(guān)用到濾波處理中，可以有效區(qū)分信號(hào)點(diǎn)和噪聲點(diǎn)，最大程度上提高檢測(cè)效率和檢測(cè)精度。該算法對(duì)圖像的細(xì)節(jié)保護(hù)能力也非常強(qiáng)，尤其對(duì)沖擊噪聲有很好的檢測(cè)效果，非常適合Canny邊緣檢測(cè)。

去噪算法步驟：①把 （3×3）濾波窗口在圖像中移動(dòng)，并把濾波窗口的中心位置與圖像中某一像素點(diǎn)P0的位置重合；②讀取此時(shí)像素點(diǎn)P0對(duì)應(yīng)的灰度值；③利用max－min算子，對(duì)像素點(diǎn)P0進(jìn)行噪聲檢測(cè)；④若P0點(diǎn)對(duì)應(yīng)的灰度值不是局部極值，則判定該點(diǎn)不是噪聲點(diǎn)，把該點(diǎn)原值輸出；⑤若P0點(diǎn)對(duì)應(yīng)的灰度值是局部極值，則判定該點(diǎn)是噪聲點(diǎn)，此時(shí)利用改進(jìn)的中值濾波算法對(duì)該點(diǎn)進(jìn)行處理；⑥用以上步驟處理其他像素，直到全部處理完畢。

2.2 利用慣性原理進(jìn)行邊緣跟蹤

在如圖2所示的3×3窗口中，邊緣方向總共有8種情況。圖中箭頭指向陰影方塊代表的像素點(diǎn)，表示之前檢測(cè)到的邊緣方向。在追蹤邊緣時(shí)，首先檢測(cè)箭頭指向陰影方塊代表的像素點(diǎn)；然后再檢測(cè)旁邊2個(gè)陰影方塊代表的像素點(diǎn)，體現(xiàn)慣性原理；由于鐵軌具有連續(xù)的邊緣走向，所以不用檢測(cè)空白方塊代表的像素點(diǎn)，空白方塊表示邊緣中的尖銳角點(diǎn)。

圖2 3×3窗口中邊緣的方向情況

經(jīng)過(guò)非極大值抑制過(guò)的圖像，其梯度直方圖存在邊緣像素梯度分布，邊緣像素梯度分布在距離最值梯度相對(duì)較遠(yuǎn)的位置，因此，像素最值梯度方差很大。依據(jù)梯度分布，設(shè)定高閾值Th和低閾值Tl：

Th＝Hmax＋（1＋β）×σmax，

Tl＝Hmax＋（1－β）×σmax，

其中，β為閾值調(diào)整因子，0＜β＜1；Hmax為像素最值梯度 （Hmax一般是非邊緣點(diǎn)的梯度值）；σmax為像素最值梯度方差 （是圖像內(nèi)全部像素的梯度相對(duì)于Hmax的方差）。

由上述表達(dá)式可以看出，Th必然在非邊緣區(qū)域以外，從而避免偽邊緣的產(chǎn)生；而Tl應(yīng)該在若邊緣附近，從而有效地修補(bǔ)高閾值的邊緣；根據(jù)慣性原理，設(shè)定圖像的邊緣跟蹤過(guò)程步驟如下：

步驟1，在非極大值抑制圖像中，找到一個(gè)梯度值大于Th的像素點(diǎn)，若在該像素點(diǎn)的3×3窗口中的8個(gè)相鄰點(diǎn)中存在一個(gè)點(diǎn)的梯度值大于低域值，以該像素點(diǎn)為起始點(diǎn)，用步驟2開(kāi)始跟蹤；如果沒(méi)有這樣的像素點(diǎn)，則在圖像中找一個(gè)梯度值不小于Th的像素點(diǎn)，則以該像素點(diǎn)為起始點(diǎn)用步驟2開(kāi)始跟蹤；如果這樣的像素點(diǎn)也沒(méi)有，則結(jié)束跟蹤。

步驟2.在該像素點(diǎn)的3×3窗口中找1個(gè)梯度值最大的像素點(diǎn)，如果新的像素點(diǎn)的梯度值不大于Tl，則跳回步驟1；如果新的像素點(diǎn)梯度值大于Tl，則將該像素點(diǎn)轉(zhuǎn)到邊緣圖像，根據(jù)之前的像素點(diǎn)和新的像素點(diǎn)標(biāo)記邊緣方向，到步驟3。

步驟3，基于慣性原理，規(guī)定追蹤邊緣的次序如下：①如果箭頭指向的像素點(diǎn)梯度值大于Tl，則該點(diǎn)即為追蹤目標(biāo)，并將該點(diǎn)轉(zhuǎn)到邊緣圖像中，保持邊緣的方向不變，重復(fù)步驟3；②如果箭頭指向的像素點(diǎn)旁邊2個(gè)點(diǎn)中，梯度值較大的那個(gè)像素點(diǎn)的梯度值大于Tl，則該點(diǎn)就是跟蹤目標(biāo)，將該點(diǎn)轉(zhuǎn)到邊緣圖像中，再修正邊緣的方向，重復(fù)步驟3，直到把全部像素追蹤完畢。

3 實(shí)驗(yàn)結(jié)果及分析

用傳統(tǒng)Canny算法和改進(jìn)算法分別處理圖像，如圖3，圖4所示，其中圖3（a）為無(wú)干擾的鐵軌圖，圖4（a）為加了25%噪聲鐵軌圖。比較圖3（b）和圖3（c）可以看出，改進(jìn)的算法不僅保持了傳統(tǒng)Canny算法的優(yōu)點(diǎn)，而且還比傳統(tǒng)Canny算法檢測(cè)細(xì)節(jié)邊緣的能力強(qiáng)，檢測(cè)出的邊緣更加光滑、細(xì)膩。比較圖4（b）和圖4（c）可以看出，改進(jìn)算法比傳統(tǒng)Canny算法有更好的噪聲抑制能力，加入的噪聲對(duì)改進(jìn)算法影響非常小。

圖3 無(wú)干擾時(shí)鐵軌邊緣檢測(cè)圖

圖4 有干擾時(shí)鐵軌邊緣檢測(cè)圖

軌道圖的邊緣檢測(cè)是軌道異物檢測(cè)的核心，只有準(zhǔn)確檢測(cè)出線路的雙軌，才能確定障礙物監(jiān)測(cè)的區(qū)域。經(jīng)過(guò)多次試驗(yàn)，得到試驗(yàn)結(jié)果：用改進(jìn)算法檢測(cè)出的邊緣和傳統(tǒng)Canny算法相比，具有更好的連續(xù)性和細(xì)節(jié)邊緣表現(xiàn)力，而且噪聲抑制能力也遠(yuǎn)優(yōu)于傳統(tǒng)算法，更為重要的是在現(xiàn)場(chǎng)監(jiān)測(cè)中表現(xiàn)出了較強(qiáng)的可靠性，提高了整個(gè)監(jiān)測(cè)系統(tǒng)的自動(dòng)化程度。

［1］ 王彤，史宏，王前，等.客運(yùn)專線異物侵限監(jiān)控系統(tǒng)技術(shù)的研究［J］.鐵路計(jì)算機(jī)應(yīng)用，2009，18（7）：8－10.

［2］ Canny J.A computational approach to edge detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（6）：679－698.

［3］ 王植，賀賽先.一種基于Canny理論的自適應(yīng)邊緣檢測(cè)方法［J］.中國(guó)圖象圖形學(xué)報(bào)，2004，9（8）：957－962.

［4］ 王小俊，劉旭敏，關(guān)永.基于改進(jìn)Canny算子的圖像邊緣檢測(cè)算法［J］.計(jì)算機(jī)工程，2012，38（14）：196－202

［5］ 徐國(guó)寶，尹怡欣，周美娟，等.基于中值和多尺度的組合優(yōu)化濾波器［J］.計(jì)算機(jī)應(yīng)用，2012，32（6）：1557－1559，1573.

［6］ Sun T，Neuvo Y.Detail－preserving median based filters in image processing［J］.Pattern Recognition Letters，1994，15（4）：341－347.