基于信息細節化的圖像邊緣檢測研究

李瑾澤 霍林方

摘? ?要：針對傳統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了邊緣的精確化。

關鍵詞：細節化? 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

隨著社會的不斷發展，圖像邊緣檢測的方法和研究被應用到了很多領域。為了提高配套領域后續處理方法的準確率，圖像處理成為必不可少的一部分。計算機視覺的眾多領域可以說離不開圖像的邊緣檢測這種圖像預處理與分析的經典算法。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執行。

1? 傳統的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）的卷積實現得到平滑圖像G（x，y）

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

2? 改進后的基于信息細節化的圖像邊緣檢測

改進后的基于信息細節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，增強了自適應性、連續性和邊緣清晰度。具體流程圖如圖2。

2.1 自適應動態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構成梯度直方圖。對該直方圖進行分析，發現梯度主要分布在0～50范圍內，未分布整個圖像區域，后續邊緣檢測效果不佳，對其進行對數變換，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M。

全圖閾值法在很大程度上會導致出現弱邊緣丟失問題，為此，提出新的局部自適應閾值化方法，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，則繼續進行下一步，反之直接進行后續處理。

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，則繼續對其進行分解，反之，繼續進行下一步。

（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組合

其中 w（i，j，u，v）為權重系數，f（u，v）為相應的像素。權重系數取決于定義域核和值域核。

定義域核：。

值域核：。

權重系數：。

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

2.2 最大熵自適應閾值處理

最大熵原理是一種選擇隨機變量統計特性最符合客觀情況的準則。文獻[11]使用最大熵自適應獲取閾值對路面裂痕進行檢測，得出了較好的檢測結果。設一幅圖像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;pi表示灰度級i的概率。假設選擇一個閾值k（0

A2發生的概率為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定義為：

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

2.3 實驗處理

實驗處理見圖3、圖4。

3? 結語

通過實驗結果看到，本文改進后的基于信息細節化的圖像邊緣檢測算法，可以檢測到更多的邊緣細節信息，且檢測出的邊緣較清晰，連續性較好，自適應性增強，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，2018.

[4] 李俊山.數字圖像處理[M].北京：清華大學出版社，2017.