數字圖像邊緣檢測算法及在農產品檢測中的運用①

肖付才 靳雯雯

(許昌職業技術學院 河南許昌 461000)

數字圖像邊緣檢測算法作為圖像處理以及機器視覺領域的關鍵技術，其檢測貫穿整個處理過程，并且直接影響到圖像處理分析的正確性、可靠性，決定機器視覺對外界事物的客觀分析與理解。數字圖像邊緣檢測算法，是針對圖像基本特征展開準確識別與分割，并將圖像進行增強或者壓縮處理。包括方向、幅度特點，從邊緣走向出發，像素值不會出現較明顯變化；從垂直與邊緣方向出發，像素值則出現明顯變化。農產品外觀品質檢測中應用數字圖像邊緣檢測算法，可以提高檢測的準確性。

1 數字圖像邊緣檢測算法步驟

數字圖像邊緣檢測算法的檢測操作主要包括2種，灰度圖像邊緣檢測和彩色圖像邊緣檢測。彩色圖像邊緣檢測需要掌握彩色圖像的8類彩色基，檢測期間不同的彩色基會顯示不同的檢測效果，并且對檢測的實時性與兼容性有直接影響，因此彩色圖像邊緣檢測方法應用較少。灰度圖像邊緣檢測法操作相對簡單，準確性較為理想，因此，本文著重研究數字圖像邊緣檢測算法中的灰度圖像邊緣檢測方法。灰度圖像邊緣檢測算法的步驟是：(1)獲取圖像，將圖像從彩色轉變為灰度；(2)低通濾波與邊緣提取、邊緣定位處理；(3)完成邊緣鏈接、斷邊、偽邊處理；(4)邊緣輸出[1]。涉及到零穿插法與閾值法。算法完成后獲得邊際圖畫、單像素寬2值。需注意的是，邊緣定位完成后，可能會出現部分小邊緣片段的情況，主要是因為噪音影響，在實際運行中，應采取全局邊緣鏈接亦或者局部邊緣鏈接等算法，準確定位邊緣位置，科學預防邊緣片段情況。

2 數字圖像邊緣檢測算法分類

數字圖像邊緣檢測算法實現了更多的檢測技能，比如特定目標獲取功能等。數字圖像邊緣檢測中，檢測目標十分復雜，極易受到外界因素的干擾，比如光纖、分辨率等，因此原始圖像本身就有可能存在邊緣模糊情況。利用數字圖像邊緣檢測方法，可以科學提取圖像的邊緣，降低邊緣提取的困難程度[2]。早在1965年相關學者就已經提出了邊緣檢測的理念，其中包括經典算子、多尺度方法、最優算子等。通過對這些理論的升級與創新，提出了神經元網絡、模糊數學等算法。

2.1 經典算子

經典算子主要是利用梯度算子的方式完成檢測，積極進行邊緣梯度求解，準確計算像素位置。數字圖像邊緣檢測算法中經典算子的計算核心在于小區域模板卷積的核算，根據權值方陣打造計算模板，包括Sobel、Prewitt、Kirsch模板等。不同類型的經典算子運算速度對比情況見表1。

應用不同算法的目的是對圖像進行實際的邊緣檢測期間，做好噪聲抑制處理，提高邊緣定位能力。當然不同的算法擅長不同的功能，比如Roberts算子適合定位邊緣，但對噪聲抑制處理不理想，導致定位邊緣期間會出現丟失；圖像平滑計算的方式，可以抑制噪聲對定位邊緣的影響，成為了圖像處理算法最理想的選擇。圖像濾波處理及差分運算，主要選擇Prewitt算子、Sobel算子；這2種算子存在一定差別，主要體現在平滑環節中權值差異方面，即對噪聲抑制的能力。Sobel算子、Prewitt算子，邊緣定位能力較強，定位計算十分準確，但在實際應用中卻極易出現邊緣多像素寬的現象，這2種算子更適合灰度漸變的圖像邊緣檢測分析。經典算子中Kirsch算子計算量最大(表1)，定位邊緣作用較為理想，能幫助圖像檢測出不同方位所展現的邊緣信息，本身還具備噪聲抑制能力。Laplacian算子的主要優勢在階躍型邊緣點檢測，能在檢測中做到旋轉不變性[3]；但檢測期間會導致部分圖畫邊緣方向信息丟失，進而引發邊緣檢測不連續情況，且不具備抗噪聲能力，比較適合應用在圖畫屋脊型邊緣檢測中。

表1 經典算子具體運算速度對比

2.2 最優算子

最優算子同樣包含很多，比如LOG濾波算子、anny邊緣檢測等。對于最優算子Torre，Poggio提出高斯函數。從最接近平滑函數角度出發，在圖像邊緣檢測之前，利用高斯函數與Gaussian函數搭配的方式及時進行圖像平滑處理。完成平滑處理后，觀察二階導數變化，如果導數過0點，則圖像邊緣檢測必須選擇拉氏算子即LOG濾波算子。LOG濾波算子可以及時反映出圖像邊緣變化，尤其是處于階躍邊緣的算子變化。當然圖像邊緣實際檢測期間，還要對其中的真偽進一步計算。最優算子中坎尼算法、沈俊算子、Deriche算子之間具有統一的表述與計算意義。通過曲面擬合算法，及時將圖片灰度值、曲面平滑等深度擬合，計算曲面變化的一、二階導數。曲面擬合算法，需要以函數為基礎，所以在實際計算期間，檢測多選擇低階多項式。

2.3 多尺度算法

多尺度算法以檢測邊緣首要目標尺度為基礎和核心，調節尺度與圖像檢測之間的錯位關系，在檢測處理期間可能會出現邊緣干擾。多尺度算法應用多個尺寸的算子完成圖像邊緣檢測，利用檢測結果的組合獲得準確檢測結果。實際圖像邊緣檢測中，根據多個算子(標準不一)探索出其中的組合規則，在后期應用中不斷完善與升級，根據零交叉的因果性，確定具體尺寸組合。多尺度算法不僅能準確辨識圖畫信號，還可以完成高層視覺處理，提高圖像邊緣檢測的準確性。

3 數字圖像邊緣檢測算法在農產品加工中的具體應用

農產品加工中應用數字圖像邊緣檢測對農產品大小、缺陷、質量、形狀等進行檢測。利用數字圖像邊緣提取的方式，準確對邊緣信息進行分析，及時映射出檢測結果。

3.1 水果大小、質量檢測

對于水果，可以根據體積及重量將其劃分成不同等級。以蘋果為例，蘋果質量需要通過直徑、面積等進行預測，蘋果風機決定系數為R2，具體系數等級為0.91、0.94、0.98。數字圖像邊緣檢測算法，將蘋果的果梗去除，對蘋果進行邊緣提取處理，并將圖像細化，計算其中的曲線積分與形心坐標，列出線性回歸方程。水果實際尺寸、測量值會存在半徑誤差，因為成像是光線并不能利用水果最大截面進行圖像邊緣提取獲得。對此可利用最小外接矩形計算水果最大橫徑。根據形態學對蘋果尺寸進行檢測，通過可見光圖像，發現人工測量與數字圖像邊緣檢測之間存在誤差，對此則需要以X射線圖像進行檢測。

3.2 水果形狀檢測

水果在不同的環境下生長，會出現不同形狀，可進行分級檢測。水果形狀分級包括很多方法，編碼法、光譜法、統計法等。數字圖像邊緣檢測算法主要以梯度法為主，對水果輪廓、半徑序列等進行跟蹤算法，然后傅里葉變換，根據變換后的數據對水果形狀加以分類。也可以采取在線實時檢測的方法計算水果的果形，對水果橫徑、縱徑應用幾何法加以確定，完成線性回歸處理，從而確定水果果形等級。

3.3 水果缺陷檢測

水果一旦存在缺陷，會在很大程度上影響水果的品質與銷售。水果缺陷檢測主要針對水果表面缺陷。數字圖像邊緣檢測算法從塊狀缺陷、果梗等圖像著手，通過高斯濾波有效抑制噪音，及時計算水果缺陷。

4 結束語

數字圖像邊緣檢測算法是對圖像識別處理的升級，并且增加了更多的檢測技能。圖像邊緣檢測算法結合算子類型對圖像進行多元化檢測，可及時獲得準確的檢測數據。將此應用到農產品檢測中，可以對農產品進行分級，提高農產品的銷售分類效率。