一種低對(duì)比度背景下的工件邊緣檢測(cè)方法

吳云飛，柏受軍*，江 明，徐印赟

(1．安徽工程大學(xué) 高端裝備先進(jìn)感知與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000；2．安徽工程大學(xué) 電氣工程學(xué)院，安徽 蕪湖 241000)

在機(jī)器視覺(jué)系統(tǒng)中，對(duì)目標(biāo)圖像進(jìn)行預(yù)處理是必不可少的關(guān)鍵步驟。其中對(duì)圖像中目標(biāo)區(qū)域邊緣信息的有效獲取是圖像識(shí)別過(guò)程中至關(guān)重要的一環(huán)，即邊緣檢測(cè)。顧名思義，邊緣檢測(cè)技術(shù)是運(yùn)用于圖像視覺(jué)識(shí)別領(lǐng)域中的一個(gè)至關(guān)重要的技術(shù)。在視覺(jué)系統(tǒng)的目標(biāo)識(shí)別步驟中，有效準(zhǔn)確地提取出目標(biāo)工件或者目標(biāo)物體的邊緣信息，是直接影響下一步目標(biāo)識(shí)別的重要前提和條件。目前，邊緣檢測(cè)算法種類繁多，如何選擇合適的算法進(jìn)行邊緣檢測(cè)以及對(duì)其做出合適的改進(jìn)是機(jī)器視覺(jué)中應(yīng)用邊緣檢測(cè)的關(guān)鍵。

針對(duì)傳統(tǒng)邊緣檢測(cè)算法的各種缺陷，近年來(lái)國(guó)內(nèi)外學(xué)者都想方設(shè)法對(duì)邊緣檢測(cè)技術(shù)進(jìn)行創(chuàng)新，同時(shí)，如何有效保護(hù)圖像的邊緣信息也一直是研究熱點(diǎn)。為了增加邊緣檢測(cè)的準(zhǔn)確率，文獻(xiàn)[1-4]將數(shù)學(xué)形態(tài)開(kāi)閉運(yùn)算與混合濾波器、二進(jìn)小波變換算法、自適應(yīng)中值濾波、雙邊濾波相結(jié)合；文獻(xiàn)[5-8]在Canny算法的基礎(chǔ)上結(jié)合多尺度增強(qiáng)、幾何特征、同態(tài)濾波、Zernike矩等算法提高了算法的保邊性，提高了缺陷檢測(cè)的精度。上述幾種方法雖然增加了邊緣檢測(cè)的準(zhǔn)確率，但是增加了算法的復(fù)雜性，并且或多或少地受到被檢測(cè)目標(biāo)的影響。

為了提高邊緣檢測(cè)算法的濾波性能，文獻(xiàn)[9]提出將MMTF與邊緣檢測(cè)算法相結(jié)合；文獻(xiàn)[10-11]提出新的混合濾波方法來(lái)代替Canny邊緣檢測(cè)算法中的高斯濾波；文獻(xiàn)[12-13]將Canny算法與Hough變換相結(jié)合，以此來(lái)提高邊緣檢測(cè)算法性能；文獻(xiàn)[14-15]將邊緣檢測(cè)與實(shí)際應(yīng)用場(chǎng)景相結(jié)合并改進(jìn)；但上述幾種方法雖然能在一定程度上提高邊緣檢測(cè)的準(zhǔn)確率，但是對(duì)于低對(duì)比度背景圖片，準(zhǔn)確率以及算法的自適應(yīng)性有所下降；文獻(xiàn)[16-18]針對(duì)低對(duì)比度背景圖像做出改進(jìn)，用于邊緣、缺陷檢測(cè)和特征提取，因此，文章針對(duì)低對(duì)比度背景圖像提出一種新的邊緣檢測(cè)算法，為邊緣檢測(cè)方面提供了一定的新思路。

綜上所述，在傳統(tǒng)的幾種邊緣檢測(cè)算法中，Canny算法被應(yīng)用得最多，其被廣泛應(yīng)用于視覺(jué)系統(tǒng)中。但是，傳統(tǒng)Canny算法自身也存在著缺陷，實(shí)際使用中會(huì)在濾波時(shí)對(duì)需要的重要邊緣部分造成邊緣模糊，最終導(dǎo)致邊緣部分信息丟失，造成提取效果不佳，更不用說(shuō)在低對(duì)比度背景下的工件邊緣檢測(cè)效果了。如何在低對(duì)比度背景下對(duì)工件進(jìn)行邊緣檢測(cè)時(shí)，既能有效去除噪聲，又可以有效保護(hù)邊緣信息，使邊緣不模糊，不丟失重要的邊緣信息，這對(duì)邊緣檢測(cè)來(lái)說(shuō)是急需解決的一個(gè)問(wèn)題。

1 傳統(tǒng)的Canny邊緣檢測(cè)算法

1.1 基本原理

Canny邊緣檢測(cè)算法早在1986年就被提出，是目前為止邊緣檢測(cè)算法中應(yīng)用最廣泛、最經(jīng)典的邊緣檢測(cè)算法之一。Canny邊緣檢測(cè)算法屬于先平滑后求導(dǎo)的方法，算法需要滿足兩個(gè)條件：第一，要能有效地抑制噪聲；第二，要能盡量精確地檢測(cè)并確定邊緣的位置信息。然后，對(duì)信噪比與定位乘積進(jìn)行測(cè)度，得到最優(yōu)化逼近算法,這就是Canny邊緣檢測(cè)算法的基本原理。

(1)信噪比。邊緣檢測(cè)中要求非邊緣點(diǎn)誤判為邊緣點(diǎn)或邊緣點(diǎn)誤判為非邊緣點(diǎn)的概率要盡可能低。信噪比(SNR)的數(shù)學(xué)表達(dá)式為

(1)

式中,h(x)為邊界濾波器的脈沖響應(yīng)；G(-x)為邊緣函數(shù)；σ為高斯噪聲的標(biāo)準(zhǔn)差。信噪比(SNR)越大，正確率越高，提取的邊緣質(zhì)量越高。

(2)定位精度。邊緣檢測(cè)中要求檢出的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)距離最小。定位精度的數(shù)學(xué)表達(dá)式為

(2)

式中,G′(-x)和h′(x)分別為G(-x)和h(x)的1階導(dǎo)數(shù)。定位精度值L越大，定位精度越高。

1.2 基本步驟

傳統(tǒng)的Canny邊緣檢測(cè)算法的步驟如圖1所示。Canny算法是先平滑后求導(dǎo)的邊緣檢測(cè)算法。傳統(tǒng)的Canny邊緣檢測(cè)算法的基本步驟：首先，通過(guò)高斯函數(shù)對(duì)圖像進(jìn)行濾波處理以去除噪聲；其次，計(jì)算被檢測(cè)像素點(diǎn)的梯度幅值和方向，然后利用梯度的方向抑制非極大值，從而確定邊緣。Canny算法去噪能力強(qiáng)，但在處理時(shí)會(huì)造成一些邊緣信息也被平滑模糊掉，會(huì)造成邊緣缺失導(dǎo)致邊緣不連續(xù)。

(1)高斯濾波。高斯濾波是建立在高斯函數(shù)基礎(chǔ)上的線性濾波算法，基本思想是將被檢測(cè)的中心像素賦予鄰域像素的平均值，所以濾波處理后的圖像整體會(huì)有一個(gè)平滑效果，圖像會(huì)變得模糊。

下面是一維和二維高斯分布函數(shù)的公式：

一維高斯分布函數(shù)公式：

(3)

二維高斯分布函數(shù)公式：

(4)

式中，σ為高斯噪聲的標(biāo)準(zhǔn)差，它控制著平滑程度。σ越小，圖像平滑程度越??；反之，σ越大，圖像平滑程度越大。

(2)計(jì)算梯度幅值和方向。用式(5)～(6)分別計(jì)算圖像上的各像素點(diǎn)的梯度幅值和梯度方向。

(5)

(6)

其中,P[i,j]為任一像素點(diǎn)[i,j]沿x方向的偏導(dǎo)數(shù)，Q[i,j]為[i,j]沿y方向的偏導(dǎo)數(shù)。

(3)非極大值抑制。對(duì)圖像的像素梯度幅值進(jìn)行非極大值抑制。具體方法是，若沿某像素梯度方向相鄰的兩個(gè)像素存在比該像素梯度幅值大的情況，則排除被判斷點(diǎn)，反之保留該點(diǎn)。

(4)雙閾值。與其他邊緣檢測(cè)算法不同的是Canny算法設(shè)有雙閾值即高閾值和低閾值，當(dāng)被檢測(cè)像素點(diǎn)梯度幅值大于高閾值時(shí)，識(shí)別為邊緣點(diǎn)并保留。反之，當(dāng)被檢測(cè)像素點(diǎn)梯度幅值小于低閾值時(shí)，識(shí)別為非邊緣點(diǎn)并刪除。當(dāng)幅值處于雙閾值之間時(shí)，則計(jì)算該像素點(diǎn)的鄰域內(nèi)是否有邊緣點(diǎn)，若有則保留，無(wú)則刪除。傳統(tǒng)Canny邊緣檢測(cè)中的高低閾值需要人為的根據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)置，自適應(yīng)性較差且經(jīng)驗(yàn)性較強(qiáng)。

實(shí)際上，傳統(tǒng)的Canny算法實(shí)際應(yīng)用時(shí)在濾波的同時(shí)無(wú)法分辨邊緣信息，會(huì)對(duì)圖像整體進(jìn)行平滑處理，從而導(dǎo)致目標(biāo)邊緣也被平滑掉，最終導(dǎo)致邊緣提取效果不佳。

2 改進(jìn)的邊緣檢測(cè)算法

傳統(tǒng)Canny算法采用高斯濾波去降噪，但高斯濾波在去噪的同時(shí)將造成邊緣模糊，丟失大量細(xì)節(jié)信息，并且在去除噪聲方面效果不佳。特別是在處理低對(duì)比度背景下的工件圖片時(shí)會(huì)無(wú)法辨別工件的邊緣，從而將工件的邊緣和背景一起平滑掉。針對(duì)以上問(wèn)題，本文提出用一種選擇性濾波與均值濾波相結(jié)合的混合濾波算法，該算法代替?zhèn)鹘y(tǒng)Canny算法中的高斯濾波算法來(lái)對(duì)圖片進(jìn)行平滑處理。新的混合濾波算法有選擇性地對(duì)圖像的邊緣區(qū)域和非邊緣區(qū)域進(jìn)行濾波運(yùn)算，能在大量降低噪聲的同時(shí)保留邊緣的信息，最后進(jìn)行邊緣提取。

2.1 混合濾波

針對(duì)傳統(tǒng)的Canny算法的缺陷，即高斯濾波在去除高斯噪聲時(shí)會(huì)使圖像整體模糊，使圖像丟失很多邊緣信息，并且高斯濾波在去除圖像中的椒鹽噪聲時(shí)效果不佳，所以提出用改進(jìn)的高斯濾波與中值濾波相結(jié)合的混合濾波來(lái)代替高斯濾波，這樣不僅能有效去除高斯噪聲和椒鹽噪聲，而且能在去除噪聲的同時(shí)保護(hù)邊緣信息。

(1)改進(jìn)的高斯濾波。高斯濾波與常見(jiàn)的線性濾波算法一樣，原理都是計(jì)算出被檢測(cè)的某一個(gè)目標(biāo)像素點(diǎn)周邊的鄰域中其他相關(guān)像素的位置，分配權(quán)重，然后得到結(jié)果值。但是，由于高斯模糊的權(quán)重和像素與到中心點(diǎn)的距離成高斯分布，所以在應(yīng)用這種計(jì)算方法時(shí)，無(wú)法辨別邊緣像素，這樣就會(huì)導(dǎo)致目標(biāo)圖像在濾波處理完之后一些重要的邊緣信息丟失。針對(duì)這一問(wèn)題，參考高低閾值原理，在高斯模糊的基礎(chǔ)上設(shè)置一個(gè)閾值；當(dāng)鄰域像素和中心點(diǎn)像素的值差距小于閾值時(shí)，則對(duì)原本高斯模糊算法設(shè)置的權(quán)重不做任何改變；但當(dāng)鄰域像素和中心點(diǎn)像素的值的差距大于閾值時(shí)，就將其權(quán)重設(shè)為定值；最后在權(quán)重項(xiàng)目中與系數(shù)相乘，從而實(shí)現(xiàn)有選擇性的高斯濾波效果。

以上算法原理對(duì)于本身比較平滑無(wú)明顯像素值變化的區(qū)域，即對(duì)于不含有明顯的邊緣信息的區(qū)域而言，能達(dá)到和傳統(tǒng)的高斯濾波算法一樣的有效去除高斯噪聲的效果；而對(duì)于含有邊緣像素的區(qū)域，為其鄰域像素的權(quán)重人為分配一個(gè)合適值，從而實(shí)現(xiàn)對(duì)圖像有效去除噪聲的同時(shí)又能保留邊緣信息。

(2)中值濾波。圖像的中值濾波是一種非線性圖像處理方法。與高斯濾波不同，中值濾波是通過(guò)鄰域內(nèi)像素的值決定中心像素的值。原理是對(duì)目標(biāo)中心點(diǎn)的像素值用鄰域內(nèi)的各像素值計(jì)算得出的中值來(lái)代替。舉一個(gè)示例如圖2所示，在一個(gè)3×3的矩陣?yán)镉?個(gè)像素點(diǎn)，計(jì)算得出這9個(gè)點(diǎn)的中值，然后將這個(gè)矩陣的中心點(diǎn)賦值為這9個(gè)像素值的中值。

改進(jìn)的高斯濾波可以有效去除高斯噪聲，中值濾波可以有效去除椒鹽噪聲，將改進(jìn)的高斯濾波作為輸入，中值濾波作為輸出，結(jié)合成混合濾波，進(jìn)而實(shí)現(xiàn)對(duì)目標(biāo)圖像中高斯椒鹽噪聲的有效去除，流程如圖3所示。

2.2 Sobel算法計(jì)算梯度幅值

在對(duì)圖像進(jìn)行平滑處理后，需要使用卷積模板算法對(duì)圖像的某個(gè)像素點(diǎn)實(shí)現(xiàn)卷積操作，確定梯度幅值。傳統(tǒng)的Canny的卷積為2×2的模板，分為兩種：一個(gè)沿著水平方向，一個(gè)沿著垂直方向。傳統(tǒng)Canny卷積的模板如式(7)所示：

(7)

不同于Canny的卷積，Sobel算法的卷積為3×3的模板，一般也分為水平與垂直兩種方向，本文引用改進(jìn)的Sobel算法卷積模板來(lái)計(jì)算圖像在0°、90°、45°和135°這4個(gè)方向的梯度幅值。Sobel算法卷積的模板公式如下:

(8)

梯度幅值：

(9)

梯度方向：

(10)

式中,g0°[i,j]、g90°[i,j]、g45°[i,j]、g135°[i,j]分別為點(diǎn)g[i,j]在0°、90°、45°和135°這4個(gè)方向的偏導(dǎo)數(shù);M[i,j]為梯度幅值;θ為梯度方向。

改進(jìn)的Sobel算法卷積模板相比較Canny算法而言，不僅尺度增加，方向也由原來(lái)的水平垂直增加到了4個(gè)方向，對(duì)4個(gè)方向進(jìn)行梯度計(jì)算，能夠更全面地檢測(cè)邊緣信息，所以使用改進(jìn)Sobel算法卷積計(jì)算梯度幅值的精度和準(zhǔn)確率都更好。

2.3 Otsu自適應(yīng)閾值算法

傳統(tǒng)的Canny算法采用雙閾值的方法來(lái)分辨邊緣信息，雙閾值的大小需要人為地選取設(shè)定，這不僅需要一定的經(jīng)驗(yàn)，而且意味著算法的自適應(yīng)性很低，于是本文使用Otsu自適應(yīng)閾值算法來(lái)克服傳統(tǒng)算法的這一缺點(diǎn)[19-21]。Otsu自適應(yīng)閾值算法可以通過(guò)被檢測(cè)目標(biāo)圖像的前景和背景各個(gè)部分不同的分界值來(lái)計(jì)算對(duì)應(yīng)的前景和背景的類內(nèi)方差，類內(nèi)方差取極大值所對(duì)應(yīng)的分界值就是Otsu計(jì)算得出的自適應(yīng)閾值。計(jì)算公式如式(11)～(17)所示：

(11)

(12)

A+B=M×N,

(13)

ω0+ω1=1,

(14)

μ=ω0×μ0+ω1×μ1,

(15)

g=ω0(μ0-μ)2+ω1(μ1-μ)2,

(16)

將式(15)代入式(16),得到等價(jià)公式:

g=ω0ω1(μ0-μ1)2,

(17)

由式(17)可得類間方差g最大的閾值T，T為前景背景的分割閾值;式(11)～(17)中，ω0為前景中像素點(diǎn)的數(shù)量占整幅圖像的比例，μ0為其像素點(diǎn)的平均灰度；同理，ω1為背景部分像素點(diǎn)的比例，μ1為其平均灰度;μ為圖像的總平均灰度;g為類間方差；M×N為圖像大小尺寸；A為圖像中灰度值小于閾值T的像素個(gè)數(shù)；B為灰度值大于閾值T的像素個(gè)數(shù)。

本文提出的針對(duì)低對(duì)比度背景下帶劃痕工件的邊緣檢測(cè)算法步驟如圖4所示。與圖1傳統(tǒng)的邊緣檢測(cè)算法步驟相比較，改進(jìn)后的邊緣檢測(cè)算法在圖像去噪濾波方面、梯度方面以及雙閾值選取的算法自適應(yīng)性上均有所增強(qiáng)。

3 實(shí)驗(yàn)結(jié)果驗(yàn)證及分析

3.1 實(shí)驗(yàn)環(huán)境

本文邊緣檢測(cè)實(shí)驗(yàn)是在VS 2010環(huán)境下，配置開(kāi)源計(jì)算機(jī)視覺(jué)函數(shù)庫(kù)Open CV 3.3.0進(jìn)行測(cè)試。

3.2 實(shí)驗(yàn)結(jié)果驗(yàn)證

(1)濾波器去噪效果對(duì)比。為了對(duì)比傳統(tǒng)的濾波方法與改進(jìn)的濾波方法對(duì)低對(duì)比度背景下的工件圖片的濾波效果，設(shè)計(jì)了以下實(shí)驗(yàn)：

①目標(biāo)工件圖片背景對(duì)比度。工件邊緣兩側(cè)區(qū)域RGB值對(duì)比如圖5所示。由圖5可知，目標(biāo)圖片背景部分與工件部分的RGB值差距很小，即色域相似度很高，對(duì)比度很低，且工件表面有非常明顯的劃痕。對(duì)于這種低對(duì)比度背景下的帶劃痕的工件圖片，傳統(tǒng)方法難以準(zhǔn)確地進(jìn)行邊緣檢測(cè)。

②不添加噪聲工件圖片處理結(jié)果對(duì)比。首先對(duì)不含噪聲的目標(biāo)工件圖片進(jìn)行濾波效果實(shí)驗(yàn)對(duì)比,結(jié)果如圖6所示，實(shí)驗(yàn)對(duì)象是無(wú)添加噪聲的低對(duì)比度背景下的有劃痕工件圖片，方框內(nèi)是工件上明顯的劃痕。由圖6b、6c可以看出，用不同標(biāo)準(zhǔn)差的高斯濾波器對(duì)目標(biāo)圖片進(jìn)行濾波處理時(shí)，當(dāng)標(biāo)準(zhǔn)差σ太小時(shí)，劃痕還是明顯存在，就算增大標(biāo)準(zhǔn)差的值至犧牲工件的邊緣細(xì)節(jié)來(lái)對(duì)圖片進(jìn)行平滑濾波，也無(wú)法有效地去除劃痕；而用本文提出的算法來(lái)對(duì)目標(biāo)圖片進(jìn)行處理時(shí)(見(jiàn)圖6d)，可以很好地解決這個(gè)問(wèn)題。本文算法不僅能有效地保留邊緣部分的細(xì)節(jié)信息，還能對(duì)非邊緣部分進(jìn)行有效地平滑處理，從而在保留圖片細(xì)節(jié)的同時(shí)，還能有效地去除工件表面的劃痕帶來(lái)的干擾。

③添加噪聲工件圖片處理結(jié)果對(duì)比。添加了高斯椒鹽噪聲的不同工件圖片，通過(guò)不同標(biāo)準(zhǔn)差大小的高斯濾波處理效果與本文提出的混合濾波效果對(duì)比如圖7所示。由圖7可以看出，高斯濾波會(huì)對(duì)目標(biāo)圖片進(jìn)行整體平滑處理，導(dǎo)致目標(biāo)圖片在濾波后整體變得模糊，喪失了大量邊緣信息，而本文提出的混合濾波在對(duì)高斯椒鹽噪聲濾波處理后，不僅能有效地去除噪聲，還能有效地保護(hù)邊緣不被平滑處理掉，效果較高斯濾波而言更好。由圖7實(shí)驗(yàn)圖片對(duì)比可知，在對(duì)添加了高斯椒鹽噪聲的工件圖片進(jìn)行濾波處理時(shí)，高斯濾波在標(biāo)準(zhǔn)差σ較小的情況下濾波效果不是很好，雖然能保留圖像細(xì)節(jié)，但是去除噪聲的效果不夠理想(見(jiàn)圖7b、7f)，在σ較大的情況下濾波效果稍好，但是模糊掉了圖像邊緣細(xì)節(jié)(見(jiàn)圖7c、7g)；混合濾波相比較傳統(tǒng)的高斯濾波，在有效去除高斯椒鹽噪聲的同時(shí)能選擇性地平滑掉一些非邊緣部分，能更有效地去除噪聲且保護(hù)好邊緣信息(見(jiàn)圖7d、7h)。

④濾波處理圖像質(zhì)量保真結(jié)果對(duì)比。為了進(jìn)一步說(shuō)明本文提出的混合濾波器的去噪保真效果，本文通過(guò)比較psnr(峰值信噪比)以及ssim(結(jié)構(gòu)相似度)指標(biāo)來(lái)比較濾波去噪圖像質(zhì)量。ssim取值范圍為[0,1]，在[0,1]范圍內(nèi)，值越大，表示圖像失真越小，質(zhì)量越高；反之，值越小，則表示圖像質(zhì)量失真越大，圖像質(zhì)量越差。psnr值越大表示圖像失真越小。不添加噪聲圖片psnr、ssim值對(duì)比如表1所示，添加噪聲圖片psnr、ssim值對(duì)比如表2所示。由表1、2中數(shù)據(jù)可知，本文提出的濾波算法在對(duì)目標(biāo)圖片處理時(shí)，psnr以及ssim的值都是最大，說(shuō)明本文提出的混合濾波在有效去除噪聲的同時(shí)也很好地保證了圖像質(zhì)量。

表1 不添加噪聲圖片psnr、ssim值對(duì)比

表2 添加噪聲圖片psnr、ssim值對(duì)比

(2)邊緣檢測(cè)算法結(jié)果對(duì)比。為了驗(yàn)證本文邊緣檢測(cè)算法的有效性，采用邊緣清晰度指標(biāo)來(lái)比較各邊緣檢測(cè)算法的保邊性，圖像清晰度比較結(jié)果如圖8所示。從左到右的算法順序是Sobel、Laplace、Log、傳統(tǒng)Canny算法以及本文算法，由圖8可知，文章提出的改進(jìn)邊緣檢測(cè)算法邊緣清晰度最高，保邊性最好。

由以上邊緣檢測(cè)算法的濾波效果實(shí)驗(yàn)數(shù)據(jù)對(duì)比可知，本文的邊緣檢測(cè)算法相較于傳統(tǒng)的Canny算法而言，其濾波效果、圖片保邊性以及保真性更好，于是進(jìn)一步對(duì)比邊緣檢測(cè)效果如圖9所示。由圖9圖像處理結(jié)果可知，針對(duì)工件與背景灰度變化小的目標(biāo)圖片，傳統(tǒng)的Canny算法在處理帶噪聲圖片時(shí)，會(huì)失去較多細(xì)節(jié)，并且邊緣連續(xù)性較差，實(shí)驗(yàn)結(jié)果并不理想；Laplace、Log、Sobel算法在處理帶有噪聲的目標(biāo)圖片時(shí)，對(duì)噪聲較敏感，雖然能有效保留邊緣，但是噪聲的干擾性太大，實(shí)驗(yàn)結(jié)果也不理想；而本文改進(jìn)的邊緣檢測(cè)算法相比較于Laplace、Log、Sobel能有效地去除噪聲，相比較于傳統(tǒng)的Canny算法能更多保留邊緣信息，得到的邊緣檢測(cè)結(jié)果邊緣更加連續(xù)，偽邊緣和誤檢的邊緣都更少，有效的邊緣數(shù)量也更多，邊緣也更加連續(xù)。

3.3 實(shí)驗(yàn)結(jié)果分析

通過(guò)實(shí)驗(yàn)結(jié)果對(duì)比可知，在低對(duì)比度背景下處理表面有劃痕的工件圖片時(shí)，在消除噪聲和去劃痕影響方面，本文提出的混合濾波去除高斯噪聲和椒鹽噪聲的效果明顯優(yōu)于傳統(tǒng)的幾種算法，不僅能有效去除工件表面劃痕的影響還能有效去除高斯椒鹽噪聲；在圖像質(zhì)量保真方面，由表1中的psnr和ssim指標(biāo)可以看出，本文濾波算法得到的去噪圖像質(zhì)量最好。在邊緣檢測(cè)方面，本文算法檢測(cè)到的有效邊緣更多，邊緣更加連續(xù)，明顯優(yōu)于傳統(tǒng)的邊緣檢測(cè)算法。本文算法不僅能有效去除噪聲，還能有效保護(hù)邊緣信息的完整性和連續(xù)性。

4 總結(jié)

本文針對(duì)幾種傳統(tǒng)邊緣檢測(cè)算法在低對(duì)比度背景下處理表面有劃痕的工件圖片時(shí)的不足，提出將高斯濾波進(jìn)行改進(jìn)，并將改進(jìn)的高斯濾波與中值濾波相結(jié)合的混合濾波器算法來(lái)代替高斯濾波器，然后增加了梯度幅值的計(jì)算方向?qū)崿F(xiàn)梯度增強(qiáng)，最后用自適應(yīng)閾值的方法提高了算法的自適應(yīng)性。改進(jìn)的邊緣檢測(cè)算法克服了傳統(tǒng)邊緣檢測(cè)算法提取邊緣的信息丟失問(wèn)題，在低對(duì)比度背景下表面對(duì)有劃痕的工件圖片的圖像邊緣檢測(cè)中保留邊緣信息的效果較為明顯。相比較于傳統(tǒng)的Canny算法、Laplace、Log以及Sobel算法而言，本文改進(jìn)的邊緣檢測(cè)算法在消除大量的高斯噪聲以及椒鹽噪聲的情況下，能更有效地保護(hù)圖像的邊緣特征信息。因此本文算法可以彌補(bǔ)傳統(tǒng)Canny等邊緣檢測(cè)算法的不足，提高了算法的精度和有效性，具有良好的應(yīng)用前景。