基于自適應(yīng)閾值的多尺度邊緣檢測(cè)方法

徐偉堯，夏 婷

（棗莊學(xué)院，山東 棗莊 277160）

基于自適應(yīng)閾值的多尺度邊緣檢測(cè)方法

徐偉堯，夏 婷

（棗莊學(xué)院，山東 棗莊 277160）

圖像邊緣信息在物體識(shí)別方法中具有重要作用，采用多尺度特征檢測(cè)能同時(shí)檢測(cè)出細(xì)微和粗糙特征?；谇食叨瓤臻g（CSS）技術(shù)，文章提出了一種改進(jìn)的多尺度邊緣檢測(cè)方法，該方法首次利用自適應(yīng)局部曲率閾值代替了原有CSS方法中的單一全局閾值，另外，為了消除虛假邊緣點(diǎn)，候選邊緣點(diǎn)的角度被檢測(cè)在一組動(dòng)態(tài)范圍內(nèi)。實(shí)驗(yàn)結(jié)果表明，該方法能有效解決多尺度特征的圖像檢測(cè)問(wèn)題。

多尺度邊緣檢測(cè)；曲率尺度空間；自適應(yīng)閾值；動(dòng)態(tài)范圍

圖像的邊緣信息在圖像識(shí)別中具有重要作用，能提供很多有用的信息，可以用在動(dòng)態(tài)跟蹤、目標(biāo)識(shí)別等領(lǐng)域。前人已經(jīng)提出了很多邊緣檢測(cè)算法，大多數(shù)算法是基于單尺度特征的，對(duì)于多尺度效果不明顯。由于圖像的邊緣信息尺寸并不單一，單尺度算法可能會(huì)丟失圖像的部分邊緣信息，文獻(xiàn)［4］提出了一種可以檢測(cè)平面曲線邊緣信息的多尺度算法，雖然該算法可以檢測(cè)多尺度特征，但是運(yùn)算量太大。文獻(xiàn)［5］和［6］提出了兩種基于曲率尺度空間（CSS）技術(shù)的檢測(cè)方法，主要用于檢測(cè)灰度級(jí)圖像。

文章以CSS邊緣檢測(cè)為基礎(chǔ)，提出了一種可以改善邊緣檢測(cè)性能的方法。與文獻(xiàn)［5］和［6］不同，利用絕對(duì)曲率函數(shù)的局部極大值確定候選點(diǎn)以后，將候選點(diǎn)的曲率與自適應(yīng)局部曲率閾值而非單一全局閾值相比較，由于邊際噪聲等的影響，需要去除虛假邊緣點(diǎn)。文章第二部分介紹了一種原始的CSS邊緣檢測(cè)方法，并且指出了它的優(yōu)點(diǎn)和缺點(diǎn)，第三部分對(duì)文章提出的邊緣檢測(cè)方法進(jìn)行了詳細(xì)描述，第四部分給出了實(shí)驗(yàn)結(jié)果，并得出結(jié)論。

1 CSS邊緣檢測(cè)

根據(jù)文獻(xiàn)［5］中的描述，得出曲率K的定義如下：

下面是原始CSS算法中圖像邊緣檢測(cè)的操作步驟：①使用Canny邊緣檢測(cè)器獲取一個(gè)二進(jìn)制灰度圖像。②從邊緣映射map中提取邊緣輪廓，找到T型連接點(diǎn)。③對(duì)任意一個(gè)邊緣輪廓以σ尺度計(jì)算曲率。④在最高的尺度上計(jì)算邊緣輪廓的曲率絕對(duì)值，并選擇局部極大值點(diǎn)作為候選點(diǎn)。滿足：大于閾值（t去除圓形角和噪聲）；至少兩倍于兩側(cè)相鄰的某個(gè)曲率極小值點(diǎn)。⑤跟蹤邊緣到最低的尺度上以獲得更好的位置精度。⑥將上述CSS邊緣和T形邊緣點(diǎn)做比較，去掉非常鄰近的點(diǎn)。

根據(jù)上面的算法，當(dāng)σ較大時(shí)，表示沒(méi)有找到真正的邊緣點(diǎn)，當(dāng)σ較小時(shí)，是偽邊緣點(diǎn)檢測(cè)，若將其應(yīng)用到一個(gè)復(fù)雜的圖像上，檢測(cè)虛假的情況將更加嚴(yán)重。

2 提出的方法

（1）自適應(yīng)局部閾值。在候選邊緣點(diǎn)中，根據(jù)相鄰區(qū)域的曲率，我們?yōu)楹蜻x邊緣點(diǎn)設(shè)定了閾值，這種自適應(yīng)閾值由下式給出

其中，均值Kˉ表示相鄰區(qū)域的曲率，在這種情況下，支撐區(qū)域（ROS）表示從兩個(gè)相鄰局部曲率最小值之間的區(qū)域，其中從候選點(diǎn)到兩端的曲率是嚴(yán)格遞減的，在上式中，u表示曲線上候選邊緣點(diǎn)的位置，L1和L2是ROS的尺寸大小，C是系數(shù)。如果C為1，沒(méi)有去除任何邊緣點(diǎn)，若要保留曲率函數(shù)波形是標(biāo)準(zhǔn)三角形的邊緣點(diǎn)，C應(yīng)為邊界值2。因此，理論上C的值應(yīng)介于1到2之間，文章取C=1.5，實(shí)驗(yàn)證明C的變化對(duì)邊緣檢測(cè)性能沒(méi)有嚴(yán)重影響。

（2）邊緣點(diǎn)角度。文獻(xiàn)［7］中指出，如果知道曲線上每一個(gè)點(diǎn)的角度，容易區(qū)分正確檢測(cè)點(diǎn)和錯(cuò)誤檢測(cè)點(diǎn)，這種方法的關(guān)鍵在于使用恰當(dāng)?shù)闹螀^(qū)域?？紤]如圖1所示的情況，曲線上五個(gè)點(diǎn)，每個(gè)點(diǎn)代表局部最大曲率值可作為候選邊緣點(diǎn)，如果ROS較小，則五個(gè)點(diǎn)均為真實(shí)邊緣點(diǎn)，如果ROS較大，則2、3、4點(diǎn)可以看作是虛假邊緣點(diǎn)。如果事先不知道特征尺寸，將很難找出正確邊緣點(diǎn)。

圖1 模糊情況示例

可以采用一個(gè)動(dòng)態(tài)的ROS，由候選邊緣點(diǎn)屬性決定動(dòng)態(tài)ROS范圍，候選邊緣點(diǎn)通過(guò)與之相鄰的兩個(gè)候選邊緣點(diǎn)來(lái)定義。如果圖1中標(biāo)記的五個(gè)點(diǎn)都是候選邊緣點(diǎn)，那么點(diǎn)3的ROS范圍應(yīng)該從點(diǎn)2到點(diǎn)4，通過(guò)點(diǎn)3的銳角可以判定該點(diǎn)是真實(shí)邊緣點(diǎn)。然而，經(jīng)過(guò)自適應(yīng)局部閾值限定后，如果只有點(diǎn)1、3和5保留為候選邊緣點(diǎn)，則點(diǎn)3的ROS范圍應(yīng)該從點(diǎn)1到點(diǎn)5，由于點(diǎn)1至5接近直線，此時(shí)點(diǎn)3可能被視為虛假邊緣點(diǎn)。因此，邊緣檢測(cè)準(zhǔn)則如下：

若160°≤∠Ci≤200°，那么Ci是虛假邊緣點(diǎn)，否則，Ci是真實(shí)邊緣點(diǎn)。

∠Ci定義為，其中

經(jīng)過(guò)這一步驟，候選邊緣點(diǎn)集將會(huì)更新，經(jīng)過(guò)進(jìn)一步迭代運(yùn)算能夠去除由于邊界噪聲造成的失真。

3 實(shí)驗(yàn)結(jié)果與分析

本節(jié)描述了上述邊緣檢測(cè)方法的實(shí)驗(yàn)結(jié)果，如圖2、3所示。根據(jù)文章提出的圖像邊緣檢測(cè)方法，圖2顯示了圖像所有的邊緣區(qū)域，圖3顯示所得邊緣點(diǎn)檢測(cè)結(jié)果。從圖中可以看出，文章所提出的檢測(cè)方法檢測(cè)出的真實(shí)邊緣點(diǎn)最多、丟失邊緣點(diǎn)和錯(cuò)誤邊緣點(diǎn)最少。從圖2和3中可以看出，提出的方法能得到與參考邊緣點(diǎn)相類(lèi)似的邊緣點(diǎn)，且極少出現(xiàn)差錯(cuò)檢測(cè)。

圖2 圖像邊緣信息

圖3 圖像邊緣點(diǎn)檢測(cè)

文章利用自適應(yīng)局部閾值和動(dòng)態(tài)ROS來(lái)識(shí)別邊緣點(diǎn)信息，不同的圖像、不同曲線和不同候選邊緣點(diǎn)分別采用不同的參數(shù)。實(shí)驗(yàn)結(jié)果證明，文章采用的方法能有效提高正確檢測(cè)邊緣點(diǎn)數(shù)，并能降低錯(cuò)誤檢測(cè)邊緣點(diǎn)數(shù)，文章所提出的圖像檢測(cè)方法更加高效準(zhǔn)確。

［1］Smith Sand BradyJ.SUSAN—A new approach to low-level image processing［J］.International Journal of Computer Vision，1997，23（1）：45-48.

［2］Kitchen Land RosenfeldA.Gray level corner detection［J］.Pattern Recognition Letters，198：95-102.

［3］HarrisC.Determination of ego-motion from matched points[C].In Proc.Alvey Vision Conf.，Cambridge，UK，1987.

［4］Rattarangsi AandChin R T，Scale-based detection of corners of planar Curves［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，1992，14（4）：430-449.

［5］MokhtarianF and MohannaF.Enhancing the curvaturescale space corner detector［C］.Proc.Scandinavian Conf.onImage Analysis，pp. Bergen，Norway，2001：145-152.

［6］Mokhtarian Fand SuomelaR.Robust image cornerdetection through curvature scalespace［J］.IEEE TransonPattern Analysisand Machine Intelligence，1998，20（12）：1376-1381.

［7］Rosenfeld Aand JohnstonE.Angle detection on digitalcurves［J］. IEEE Trans.Computer.，1973，22：875-878.

Multi-scale Corner Detection Methodwith Adaptive Threshold

XU Wei-yao，XIA Ting

（Zaozhuang University，Zaozhuang，Shandong 277160，China）

Corners play animportant role in object identificationmethods.Multi-scalefeature detection can detect both fine and coarse features at the same time.A new and improved multi-scale corner detectionmethodbased on Curvature Scale Space（CSS）technique is proposed in this paper.It first use an adaptive local curvature threshold instead of a single global threshold as in the original and enhanced CSS methods.For eliminating falsely detected corners，the angles of corner candidates are checked in a dynamic region of support.The experimental results showed that the proposed method offers a robust and effective solution to images containing widely different size features.

multi-scale corner detection；curvature scale space；adaptive threshold；dynamic region

TN911.73

A

2095-980X（2017）01-0057-02

2017-01-07

徐偉堯，主要研究方向：圖像信息處理。