手勢(shì)圖像邊緣檢測(cè)

黃林彩 王智文 符曉彪 劉美珍

摘? 要：圖像邊緣包含大量信息，提取這些圖像邊緣在圖像處理和目標(biāo)識(shí)別等計(jì)算機(jī)視覺方面有著重要作用。針對(duì)傳統(tǒng)Canny算法在提取圖像邊緣時(shí)存在抗噪能力弱、梯度信息提取不全面造成邊緣缺失等問(wèn)題，提出基于多方向和最佳閾值的Canny算法手勢(shì)圖像邊緣檢測(cè)。采用中值濾波和雙邊濾波作為混合濾波器代替高斯濾波，采用八方向模板的Sobel算子計(jì)算梯度幅值，用迭代法選取最佳閾值檢測(cè)和連接邊緣。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的Canny算法提取的手勢(shì)圖像邊緣自適應(yīng)性強(qiáng)，邊緣定位準(zhǔn)確，抗噪性能好，為手勢(shì)識(shí)別提供了保障。

關(guān)鍵詞：圖像邊緣檢測(cè);Canny算法;Sobel算子;混合濾波器;八方向模板;閾值

中圖分類號(hào)：TP391.4? ? ? ? ? ?DOI：10.16375/j.cnki.cn45-1395/t.2022.01.011

0? ? 引言

隨著科技進(jìn)步和智能識(shí)別的發(fā)展，人與計(jì)算機(jī)的交互逐漸成為研究熱點(diǎn)，如手勢(shì)姿勢(shì)識(shí)別、人體運(yùn)動(dòng)姿勢(shì)識(shí)別、行人走路姿勢(shì)識(shí)別等[1]。動(dòng)作姿勢(shì)有著豐富的語(yǔ)義信息，計(jì)算機(jī)可以通過(guò)傳遞的語(yǔ)義信息做出相應(yīng)的動(dòng)作，以滿足人類的需求，因此，對(duì)于姿勢(shì)的識(shí)別尤為重要[2]。在姿勢(shì)識(shí)別過(guò)程中，姿勢(shì)的邊緣檢測(cè)也是研究的重點(diǎn)，具備抗噪能力、定位準(zhǔn)確、適應(yīng)性強(qiáng)的邊緣檢測(cè)算法成為眾多學(xué)者的研究目標(biāo)。

在邊緣檢測(cè)算子中，一階導(dǎo)數(shù)邊緣檢測(cè)算子通過(guò)模板與圖像進(jìn)行卷積，使用閾值提取圖像邊緣，常用的有Roberts算子和Sobel算子。二階導(dǎo)數(shù)邊緣檢測(cè)算子如Laplace算子，其特點(diǎn)是對(duì)噪聲敏感，適用于無(wú)噪聲的圖像。而Canny算子結(jié)合了高斯函數(shù)、一階導(dǎo)數(shù)和雙閾值來(lái)提取圖像邊緣，邊緣檢測(cè)效果突出，得到了廣泛的應(yīng)用。Canny算子有3條關(guān)于邊緣檢測(cè)的準(zhǔn)則：1）盡可能找到較多的邊緣點(diǎn)，達(dá)到較低的誤檢率;2）檢測(cè)出的邊緣定位準(zhǔn)確，與實(shí)際邊緣點(diǎn)間的差距較小;3）檢測(cè)到的邊緣點(diǎn)具有單一性，不存在偽邊緣的情況。為提高Canny算子的邊緣檢測(cè)精度，學(xué)者們做了許多改進(jìn)。文獻(xiàn)[3]為去除圖像中無(wú)用的信息，減少干擾，提出結(jié)合形態(tài)學(xué)的操作去除噪聲，并且使用Otsu算法自適應(yīng)確定雙閾值。文獻(xiàn)[4]中的閾值分割方法是通過(guò)梯度方差對(duì)圖像進(jìn)行分塊，提高了邊緣檢測(cè)的精度和準(zhǔn)確度。文獻(xiàn)[5]提出融合Canny自適應(yīng)算法和小波模極大值法，使提取的邊緣較連續(xù)和完整。文獻(xiàn)[6]在去除噪聲中采用自適應(yīng)的中值濾波和雙邊濾波相結(jié)合，通過(guò)最大熵自適應(yīng)選取閾值，采用霍夫變換與像素點(diǎn)的梯度方向相結(jié)合進(jìn)行檢測(cè)，連接邊緣，改進(jìn)后的算法不僅噪聲去除效果好，而且邊緣連續(xù)性強(qiáng)。

本文在前人的基礎(chǔ)上，通過(guò)總結(jié)和分析圖像的濾波算法和邊緣檢測(cè)算子[7]，提出了一種改進(jìn)的Canny算法并將其應(yīng)用于手勢(shì)圖像的邊緣檢測(cè)。針對(duì)高斯濾波會(huì)模糊圖像邊緣且去除椒鹽噪聲效果差的情況，使用中值濾波和雙邊濾波作為混合濾波器來(lái)代替高斯濾波;增加Sobel方向模板來(lái)計(jì)算圖像梯度;對(duì)于人工設(shè)定的高低閾值，使用迭代最佳閾值實(shí)現(xiàn)雙閾值的確定。

1? ? 傳統(tǒng)Canny圖像邊緣檢測(cè)算法

Canny圖像邊緣檢測(cè)算法于1986年由Canny[8]提出并一直沿用至今，主要有4個(gè)步驟。

Step 1? ?設(shè)計(jì)高斯濾波器。使用高斯濾波器對(duì)原始圖像進(jìn)行濾波，高斯濾波器可以用式（1）來(lái)? ?設(shè)計(jì)：

[H（x， y）=12πσ2exp-x2+y22σ2]，? ? ? ? ? ? ? ? （1）

式（1）中：[H（x， y）]表示高斯濾波器，[σ]表示高斯函數(shù)的分布參數(shù)。噪聲抑制能力隨著[σ]減小而減小，邊緣定位精度隨著[σ]減小而增大。因此，[σ]的取值大小決定了圖像的去噪能力。

Step 2? ?計(jì)算圖像的梯度幅值和方向。Sobel算子是通過(guò)0°和90° 2個(gè)角度方向來(lái)計(jì)算圖像梯度幅值[9]。梯度幅值[g]和方向[θ]分別用式（2）和式（3）? ? 計(jì)算：

[g=g2x+g2y]，? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

[θ=arctangygx].? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

Step 3? ?對(duì)圖像邊緣進(jìn)行非極大值抑制。根據(jù)梯度運(yùn)算計(jì)算出每個(gè)像素點(diǎn)的梯度方向和大小之后，對(duì)圖像邊緣進(jìn)行提取，就是要找出圖像中變化最明顯的地方，抑制不是極大值的點(diǎn)，排除干擾。即中心點(diǎn)與所屬方向上的像素點(diǎn)進(jìn)行幅值比較，當(dāng)大于該方向上的所有像素點(diǎn)的梯度幅值時(shí)，該灰度值為幅值，否則灰度值為0。

Step 4? ?采用高低閾值對(duì)圖像進(jìn)行邊緣檢測(cè)和連接。在非極大值抑制后，通過(guò)設(shè)定的高低閾值來(lái)進(jìn)一步確定圖像邊緣，消除虛假邊緣[10]。當(dāng)圖像某一點(diǎn)的像素灰度值大于所設(shè)定的高閾值，則確定為邊緣點(diǎn)，灰度值歸為255進(jìn)行保留;小于低閾值的像素點(diǎn)判定為背景，灰度值作為0處理;處于高低閾值中間的像素點(diǎn)，則根據(jù)其鄰域像素值來(lái)確定。

2? ? 改進(jìn)的Canny算法

傳統(tǒng)的Canny算法利用高斯濾波來(lái)平滑噪聲，去噪效果不強(qiáng)，不能很好地保護(hù)圖像邊緣，導(dǎo)致邊緣細(xì)節(jié)缺失，而中值濾波能平滑椒鹽噪聲。雙邊濾波與高斯濾波的原理相似，它的優(yōu)點(diǎn)是保護(hù)圖像邊緣。因此，本文設(shè)計(jì)了結(jié)合中值濾波和雙邊濾波優(yōu)點(diǎn)的混合濾波器。為提取到更全面的圖像梯度信息，提高邊緣的定位精度，根據(jù)文獻(xiàn)[11]，采用八方向梯度模板的Sobel算子。傳統(tǒng)的Canny算法需要手動(dòng)設(shè)定高低閾值，沒(méi)有根據(jù)圖像的特征來(lái)選取，缺少普遍的適應(yīng)性，存在圖像邊緣漏檢和誤檢的情況。根據(jù)文獻(xiàn)[12]，采用迭代最佳閾值算法選擇最優(yōu)的高低閾值，實(shí)現(xiàn)對(duì)手勢(shì)圖像的邊緣檢測(cè)和連接，其算法流程圖如圖1所示。