基于信息細節(jié)化的圖像邊緣檢測研究

李瑾澤 霍林方

摘? ?要：針對傳統(tǒng)邊緣檢測方法檢測識別有偏差的問題，為了提高邊緣檢測的準確率，文中提出了一種改進的基于信息細節(jié)化的圖像邊緣檢測方法。該方法針對Canny算子易檢測出偽邊緣的問題，通過在計算圖像梯度方向的過程中增加方向梯度模板實現(xiàn)了邊緣的精確化。

關(guān)鍵詞：細節(jié)化? 圖像邊緣? 檢測

中圖分類號：TP301? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2020）01（b）-0140-02

隨著社會的不斷發(fā)展，圖像邊緣檢測的方法和研究被應(yīng)用到了很多領(lǐng)域。為了提高配套領(lǐng)域后續(xù)處理方法的準確率，圖像處理成為必不可少的一部分。計算機視覺的眾多領(lǐng)域可以說離不開圖像的邊緣檢測這種圖像預(yù)處理與分析的經(jīng)典算法。邊緣是圖像最為基本的特征，圖像的緣邊包含了圖像的絕大部分主要的信息。作為整個計算機視覺的起點，往往僅憑借一條粗略的邊緣輪廓就能識別一個物體。

在實際的圖像處理中，由于所拍攝的圖像可能存在噪聲較多、周邊物體對目標物體存在較大影響等問題，因此圖像的邊緣檢測對后續(xù)特征提取、目標識別的研究都有著極為重要的影響。圖像邊緣的有效提取甚至直接影響了圖像的識別率，并間接影響了機器的任務(wù)執(zhí)行。

1? 傳統(tǒng)的Canny 算子圖像邊緣檢測

每一幅圖像在拍攝的過程中都會受到外界干擾，Canny 算子類似于 Laplacian 算子，也需要先做圖像平滑處理，去除噪聲，然后再計算邊緣。Canny算子算法核心是利用梯度幅值和梯度方向的極大值來確定圖像邊緣（見圖1）。其按照信噪比、定位精度和單邊響應(yīng)這三個準則進行邊緣檢測。

Canny算子求邊緣點的首先也要通過高斯平滑濾波器 H（x，y，σ）與圖像f（x，y）的卷積實現(xiàn)得到平滑圖像G（x，y）

“*”代表卷積符號，然后通過一階偏導(dǎo)、非極大值抑制和雙閾值算法等實現(xiàn)邊緣檢測。

2? 改進后的基于信息細節(jié)化的圖像邊緣檢測

改進后的基于信息細節(jié)化的圖像邊緣檢測方法，在去噪的同時盡可能保留邊緣信息，可檢測出更多的邊緣細節(jié)，增強了自適應(yīng)性、連續(xù)性和邊緣清晰度。具體流程圖如圖2。

2.1 自適應(yīng)動態(tài)閾值法與雙邊濾波去噪

圖像梯度矩陣用進行描述，其中不同梯度值點數(shù)構(gòu)成梯度直方圖。對該直方圖進行分析，發(fā)現(xiàn)梯度主要分布在0～50范圍內(nèi)，未分布整個圖像區(qū)域，后續(xù)邊緣檢測效果不佳，對其進行對數(shù)變換，可描述如下：

式中，B值主要取決于中最大值與新梯度圖像的梯度階數(shù)M。

全圖閾值法在很大程度上會導(dǎo)致出現(xiàn)弱邊緣丟失問題，為此，提出新的局部自適應(yīng)閾值化方法，詳細過程如下：

（1）求出全圖梯度矩陣梯度均值μ與梯度方差δ，如果δ>H，則繼續(xù)進行下一步，反之直接進行后續(xù)處理。

μ與δ的計算公式如下：

（2）把平均劃分為4塊，逆時針求出各子塊的梯度均值μ梯度方差δ。

如果該子塊梯度方差滿足δ>H，則繼續(xù)對其進行分解，反之，繼續(xù)進行下一步。

（3）獲取分割局部閾值。針對所有符合δ≤H的梯度塊，通過Otsu方法計算最優(yōu)分割閾值，獲取和子梯度矩陣尺寸一致的閾值矩陣。判斷是否對全部子塊進行（2）中提到的方法處理，如果仍舊存在沒有分解的子塊，則重新進行步驟（2）。

在雙邊濾波器中，輸出像素 G（i，j） 的值依賴于鄰域像素的加權(quán)組合

其中 w（i，j，u，v）為權(quán)重系數(shù)，f（u，v）為相應(yīng)的像素。權(quán)重系數(shù)取決于定義域核和值域核。

定義域核：。

值域核：。

權(quán)重系數(shù)：。

其中，f（i，j）是相應(yīng)的像素值;σd是調(diào)整空間距離較大像素的權(quán)重值，σr是控制灰度范圍相似度因子的標準差，用于調(diào)整像素差異較大像素的權(quán)重值，它們的大小決定著雙邊濾波的濾波效果。

2.2 最大熵自適應(yīng)閾值處理

最大熵原理是一種選擇隨機變量統(tǒng)計特性最符合客觀情況的準則。文獻[11]使用最大熵自適應(yīng)獲取閾值對路面裂痕進行檢測，得出了較好的檢測結(jié)果。設(shè)一幅圖像M×N個像素可由灰度級{0，1，2，…，M，…，L-1}表示。其中，ni表示灰度級i的像素數(shù);pi表示灰度級i的概率。假設(shè)選擇一個閾值k（0

A2發(fā)生的概率為P2（M）=1-P1（M）。各類別Aj（j=1，2）的熵如下式所示：

則最大熵的判別函數(shù)定義為：

每個M對應(yīng)有一個max（M）值，當max（M）值最大時對應(yīng)的M值為該圖像分割閾值，信息增益最小。在上面分類的基礎(chǔ)上，以高閾值為最大值，進行二次分類的M值為低閾值。根據(jù)圖像信息獲取自適應(yīng)獲取閾值。

2.3 實驗處理

實驗處理見圖3、圖4。

3? 結(jié)語

通過實驗結(jié)果看到，本文改進后的基于信息細節(jié)化的圖像邊緣檢測算法，可以檢測到更多的邊緣細節(jié)信息，且檢測出的邊緣較清晰，連續(xù)性較好，自適應(yīng)性增強，去噪性能更佳。

參考文獻

[1] Anindita Septiarini，Hamdani Hamdani，Heliza Rahmania Hatta，et al. Automatic image segmentation of oil palm fruits by applying the contour-based approach[J]. Scientia Horticulturae，2019.

[2] 巨志勇，張文馨，翟春宇.基于改進Canny算子的垃圾圖像邊緣檢測[J].電子科技，2020（8）：1-6.

[3] 雷驍. 基于小波變換的磚塊圖像邊緣檢測算法研究[D]. 南昌大學(xué)，2018.

[4] 李俊山.數(shù)字圖像處理[M].北京：清華大學(xué)出版社，2017.