基于自適應方向導數濾波器的彩色邊緣檢測

王富平，于俊濤，張鍥石

（1.西安郵電大學 通信與信息工程學院，西安 710121；2.中國科學院深圳先進技術研究院，廣東 深圳，518055）

0 概述

彩色邊緣檢測多被用于處理計算機視覺領域中有關彩色圖像的任務［1］，例如圖像分割［2-3］、目標提取［4-6］、圖像插值［7-9］等。現有的彩色邊緣檢測算法分為輸出融合算法［10-11］、向量值算法［12-14］和多維梯度算法［15-17］。

輸出融合算法利用灰度邊緣檢測算法分別提取彩色圖像三個通道中的邊緣圖，將三幅邊緣圖融合為最終邊緣。文獻［11］將基于主成分分析（Principal Component Analysis，PCA）提取的彩色圖像主分量邊緣與改進的色度分量邊緣相融合，能夠準確檢測色度空間的邊緣。該類算法雖然計算高效，但是由于未考慮通道之間的信息，因此不可避免地丟失一些邊緣信息。

向量值算法利用向量處理方法提取彩色邊緣信息。文獻［12］根據向量順序統計算法提出最小向量偏差彩色邊緣檢測方法。該算法對椒鹽噪聲具有較優的魯棒性，但是對梯度方向的估計不準確。為此，文獻［13］將微分方向窗與魯棒性彩色形態學梯度（Robust Color Morphological Gradient，RCMG）算子相結合，并對邊緣響應值進行最大值濾波和均值濾波處理，以構建魯棒性較優的彩色邊緣檢測算法RCMG-MM。該算法可以精確地估計梯度方向，并且具有較優的椒鹽噪聲魯棒性。文獻［14］將高斯曼哈頓距離引入到彩色邊緣檢測中，獲得較清晰的彩色邊緣強度圖（Color Edge Strength Map，CESM），但是缺乏對邊緣方向的估計。

多維梯度算法是將每個通道中提取的邊緣強度信息融合成一幅CESM，并提取二值圖像邊緣。文獻［15］提出一種基于FRPOS 的彩色邊緣檢測算法，采用模糊邏輯的廣義轉移學習算法充分提取邊緣像素。文獻［16］根據DRM 設計一種新的飽和度不變量，并結合色度不變量對彩色邊緣進行檢測。彩色Canny算法也屬于多維梯度方法［17］，其原理是彩色邊緣強度的提取、非極大值抑制和雙閾值判決。彩色Canny 算法利用二維高斯導數濾波器提取三個通道方向的微分特征并構建雅克比矩陣，從該矩陣中提取融合彩色邊緣強度的信息。彩色Canny算法使用的二維高斯導數濾波器在提取邊緣強度信息時也存在一定的不足。大尺度高斯濾波器可以抑制噪聲干擾，但是導致響應值擴散，從而降低邊緣位置的精度。小尺度高斯濾波器能夠更精確地定位邊緣，但容易受噪聲的干擾。

本文提出基于自適應方向導數濾波器的彩色邊緣檢測算法。分析不同類邊緣特性與彩色各向異性高斯方向導數（Anisotropic Gaussian Directional Derivative，ANDD）響應之間的關系，同時構建一種反映邊緣類型的新度量，使得在不同類型的邊緣處自適應地改變ANDD 濾波器形狀，以獲得最強邊緣響應。采用多方向ANDD 濾波器計算彩色ANDD 響應值，利用奇異值分解（Singular Value Decomposition，SVD）融合得到基于彩色ANDD 的邊緣強度。

1 各向異性高斯核及其方向導數

各向異性高斯核gσ,ρ(n)是在兩個正交方向上使用尺度不同的高斯函數調制所得。假設對gσ,ρ(n)沿x方向求導數可得ANDD 濾波器，如式（1）和式（2）所示：

其中：σ為高斯尺度；ρ為各向異性因子；Rθk為θk方向上的旋轉參數；K為離散方向數。ANDD 濾波器具有各向異性特性，能夠精確地提取不同方向上圖像強度變化的特征。圖1 所示為在σ2=ρ2=6 的8 個方向上的各向異性高斯核和ANDD 濾波器的示意圖。第1 行是各向異性高斯核，第2 行是ANDD 濾波器。在文獻［18］中已經證明，尺度σ越大，濾波器的噪聲抑制能力越優，然而，各向異性因子ρ值越大，濾波器與邊緣越相似，使得邊緣分辨能力和定位精度越高。

圖1 各向異性高斯核與ANDD 濾波器示意圖Fig.1 Schematic diagram of anisotropic Gaussian kernels and ANDD filters

2 自適應ANDD 彩色邊緣檢測

2.1 基于ANDD 的彩色邊緣強度

本文算法利用多方向ANDD 濾波器組得到圖像多方向導數響應，從而組成了像素點為n的彩色ANDD 向量，如式（3）所示：

邊緣和平坦區域像素的ANDD向量與CESM如圖2所示（彩色效果見《計算機工程》官網HTML版）。圖2（a）表示一幅真實的彩色圖像，圖2（b）和圖2（c）表示在極坐標下圖2（a）的邊緣區域像素A 和平坦區域像素B 中R通道的ANDD 向量，其角度與ANDD 濾波器方向一致。從圖2（b）可以看出，當ANDD 濾波器沿邊緣方向時，邊緣A 的ANDD 向量響應值最大。隨著濾波角度的變化，邊緣A 的ANDD 響應值逐漸變小，當濾波器剛好與邊緣垂直時，邊緣A 的ANDD 響應值最小。平坦區域像素B 在任何方向上的ANDD 響應值都很小。

圖2 在邊緣和平坦區域上像素的ANDD向量與彩色邊緣強度圖Fig.2 ANDD vectors and color edge strength map of pixels at edge and flat areas

在彩色圖像I(n)=[Ir(n),Ig(n),Ib(n)]T中，每個像素都能得到三個通道的ANDD 向量，它們包含三個通道的邊緣信息。受文獻［18］的啟發，本文提出彩色ANDD 向量，將三個通道的ANDD 向量相融合。由于在三個通道中邊緣信息的分布存在差異，因此直接平均三個通道ANDD 向量會丟失部分邊緣信息。為此，本文提出自適應加權融合的彩色ANDD 向量，由三個通道的ANDD 向量組成該像素的彩色ANDD 矩陣Α(n)，奇異值分解計算如式（4）所示：

其中：|λ1| ≥|λ2| ≥|λ3|為Α(n)的三個奇異值；ui和vj分別為左右奇異向量。假設三個ANDD 向量的融合權值向量為w=[wr,wg,wb]T，本文定義最優的w，使得融合后ANDD 向量的模最大化，如式（5）所示：

其中：當且僅當w=u1時，式（6）成立。因此，最優融合向量w*是奇異值λ1的左奇異向量u1。利用最優融合權值將三個通道的ANDD 向量相融合，得到最終的彩色ANDD 向量新的彩色邊緣強度定義為在融合向量中元素的最大值，如式（7）所示：

彩色ANDD 向量具有圖2（b）和圖2（c）中的特性，即對于邊緣區域像素，當ANDD 濾波器沿邊緣方向時，彩色ANDD 響應值最大。隨著濾波角度變化，彩色ANDD 響應值逐漸變小，當濾波器剛好與邊緣垂直時，彩色ANDD 響應值最小。而對于平滑區域像素，在任何方向上的彩色ANDD 響應值都很小。基于通道融合的彩色ANDD 能夠自適應地提取在不同彩色通道中的邊緣強度信息，使得最終彩色邊緣強度最大化。邊緣像素C 的彩色和平均加權ANDD向量對比如圖3 所示。從圖3（a）可以看出，在積木圖中邊緣像素點C，分別計算本文提出的彩色ANDD 向量和三個通道平均加權的ANDD 向量。彩色和平均加權ANDD 示意圖如圖3（b）所示，本文提出的自適應融合方法提取的彩色ANDD 向量能夠準確描述邊緣像素C，且強度較大。而三通道平均加權的ANDD 難以描述邊緣像素，且強度較小。

圖3 在邊緣區域像素C 上的兩種ANDD 向量對比Fig.3 Two ANDD vectors comparison between pixel C at edge area

假設向量?Icolor(n)中第k*(n)個元素最大，那么對應的第k*(n)個ANDD 濾波器的方向與邊緣方向一致，其彩色梯度方向計算如式（8）所示：

文獻［18］指出ANDD 濾波器的影響區域與σρ呈正相關，σρ越大，ANDD 濾波器的影響范圍越廣。具有大的σ和ρ的ANDD 濾波器可以同時獲得噪聲魯棒性和邊緣定位準確性，并具有較廣的影響范圍。當濾波器在線型邊緣上時，具有強方向選擇性的ANDD 濾波器可以精確地提取邊緣強度。當濾波器在類似角點的復雜邊緣周圍時，受角點周圍多個方向邊緣的影響，ANDD 濾波器容易產生較大的響應，從而產生偽邊緣。圖2（d）左下角表示這種偽邊緣的現象，其原因為參數固定的ANDD 濾波器不能同時適應圖像中不同類型的邊緣。為此，本文設計自適應變化的ANDD 濾波器，以適應局部邊緣結構特性。在分析不同邊緣特征的微分特性的基礎上，本文通過建立彩色圖像的微分相關矩陣與圖像邊緣特征類型之間的新度量，以生成不同類型的邊緣像素，從而選擇最優參數的ANDD 濾波器，獲得最優的邊緣響應。

2.2 自適應ANDD 的彩色邊緣檢測算法

文獻［19］利用微分自相關矩陣來描述圖像的強度變化程度。如果兩個特征值都較大，說明像素位于角點等復雜邊緣處；當特征值都較小時說明像素位于平坦區域；如果特征值中一個較大而另一個較小，說明像素位于簡單邊緣。彩色圖像的局部微分自相關矩陣是從灰度自相關矩陣擴展而來。對于一幅彩色圖像，利用Canny 算子平滑彩色圖像獲得三個通道的梯度矢量，并組成雅克比矩陣J(n)，從而得到彩色微分自相關矩陣M(n)，如式（9）所示：

為突出簡單邊緣與其他圖像特征的差異，根據自相關矩陣特征值之間的關系，本文構建一種反映圖像局部結構類型的新度量ζ，且定義為ζ=λ1/λ2。當ζ值較小時，對應的像素位于角點或平滑區。當ζ值較大時，像素則位于邊緣區。為保證本文算法的噪聲魯棒性，ANDD 濾波器使用大的尺度σ。此時，各向異性因子ρ可以調整ANDD 濾波器的支撐區域。為了使濾波器在邊緣區域具有強的各向異性，在角點和同質區的影響范圍較小，對于給定的尺度參數，本文構建ρs與ζ之間的變換函數，如式（11）所示：

其中：ζT為特征值比值的截斷閾值（實驗中ζT=49）。復雜邊緣的ζ一般比較小，相應ANDD 濾波器的支撐區域就比較小。線型邊緣的ζ相對較大，則構建的ANDD 濾波器各向異性較強。本文提出的彩色邊緣測度具有較優的噪聲魯棒性和精確的邊緣檢測，以避免在角點附近產生偽邊緣。

本文算法主要有以下4 個步驟：

1）對于彩色圖像中的每個像素n，計算其彩色微分相關矩陣M(n)，并計算特征值比值ζ。根據式（11）計算自適應的各向異性因子ρs，并將其代入到式（4）中得出K=16 個方向的ANDD 濾波器組。

2）利用ANDD 濾波器組平滑彩色圖像，提取三個通道的方向微分信息，并將多個濾波器響應組成彩色ANDD 矩陣Α(n)。

3）對Α(n)進行奇異值分解得到最優融合權值u1，并計算融合后的彩色ANDD 向量?Icolor(n)。該向量中元素的最大值是彩色邊緣強度，而梯度方向則根據式（8）獲得。

4）利用彩色邊緣強度和梯度方向進行非極大值閾值處理和雙閾值判決，得到最終彩色邊緣圖。

3 實驗與結果分析

3.1 實驗設置

本文算法ANDD 濾波器的參數設置：尺度σs，各向異性因子ρs和方向個數K。σs和K采用文獻［18］推薦的參數，和K=16。本文算法的ρs由式（11）獲得，根據ζT可以生成適用于不同類邊緣的最優ρs。如果ζT取值較小，導致ANDD 濾波器支撐區域較大，導致角點附近的ANDD 響應受局部結構干擾較大，產生偽邊緣；相反，如果ζT取值過大，使得所有ANDD 濾波器趨近于各向同性，則難以有效提取線型邊緣的響應值。彩色圖像的自相關矩陣與灰度圖像的性質類似，為解決上述問題，從50 幅公認的含有真實邊緣的灰度圖像［20-21］中估計ρs。基于直方圖統計的參數ρs分布如圖4 所示。本文統計真實邊緣像素的ζ累積直方圖并設定累積直方圖30%處的值為ζT，可得ζT=49，并計算圖4（a）的ρs分布。簡單邊緣和復雜邊緣處的ρs明顯不同。在簡單邊緣處ρs都比較大，在角點等復雜邊緣區域的ρs比較小。如圖4（b）中白色箭頭處矩形框中心的角點像素，其ρs明顯比周圍邊緣像素的ρs小。

圖4 基于直方圖統計的參數ρs 分布Fig.4 Parameter ρs distribution based on histogram statistics

3.2 結果分析

為驗證本文算法的有效性，本文分別從測度特性、檢測結果、Pratt 品質因子（FOM）評價指標和噪聲魯棒性4 個方面對本文算法與彩色Canny 算法［17］、RCMG-MM 算法［13］和FRPOS 算法［15］進行對比。

3.2.1 邊緣測度特性驗證

本文在圖2（a）中加入ε2=100 的噪聲，對比本文算法與彩色Canny 算法提取的CESM。本文算法與彩色Canny 算法的邊緣測度對比如圖5 所示。圖5（a）和圖5（b）分別是本文算法提取的CESM 及二值邊緣圖。本文設置彩色Canny 算法中高斯微分算子的尺度為σ=1，使得彩色Canny 算法具有與本文算法相似的邊緣定位精度和真實邊緣檢測率，其檢測結果如圖5（c）和圖5（d）所示。從圖5（a）和圖5（c）可以看出，本文算法的CESM 背景更干凈。從圖5（b）和圖5（d）可以看出，本文算法具有較少的偽邊緣，說明本文算法的噪聲魯棒性更優。

彩色Canny 算法的尺度為σ2=6，使其具有與本文算法近似的噪聲抑制效果，其檢測結果如圖5（e）和圖5（f）所示。從圖5（a）和圖5（e）可以看出，彩色Canny 算法CESM 中的邊緣明顯模糊，因此，從圖5（b）和圖5（f）可以看出，彩色Canny 算法檢測的邊緣定位精度更差，本文算法的邊緣定位更準確。因此，本文算法同時具有較優的邊緣定位精度和噪聲魯棒性。

圖5 本文算法與彩色Canny 算法的邊緣測度對比Fig.5 Edge measures comparison between the proposed algorithm and color Canny algorithm

3.2.2 測度顯著性與檢測結果對比

圖6 表示四幅測試圖像Lena、建筑物、房子和Peppers。本文選擇圖6中線段A和線段B所示的兩條邊緣垂直剖切線上的像素，分別計算本文算法、彩色Canny算法、RCMG-MM 算法和FRPOS算法在這些像素上的邊緣測度值，結果如圖7所示。從圖7可以看出，本文算法的邊緣測度在邊緣處的數值最大，同時在非邊緣像素處的測度值比其他算法小，并且整個測度曲線更加平滑，產生偽邊緣的概率更小。而圖7（a）中箭頭所指處其他算法的測度在真實邊緣附近出現了虛假響應。

圖6 本文實驗的測試圖像Fig.6 Test images of the proposed experiment

圖7 不同算法的邊緣測度值對比Fig.7 Edge measure values comparison among different algorithms

圖8 表示4 種算法提取含噪聲方差ε2=100 的Lena 圖像的CESM，每個子圖的下方顯示三個局部區域（如圖6（a）所示的矩形方框區域1、區域2 和區域3）的邊緣強度放大圖。從4 種算法在區域1 和區域3 中提取的CESM 可以看出，本文算法提取的CESM 能夠增強一些對比度較弱的邊緣。這是因為ANDD 濾波器的方向選擇性使其能精確地提取不同方向上的邊緣強度。而區域2 內包含一定紋理結構，本文算法能夠有效去除因紋理產生的偽邊緣。

圖8 不同算法提取的彩色邊緣強度圖對比Fig.8 Comparison of color edge strength maps extracted by different algorithms

在無噪聲條件下不同算法提取房子圖像的CESM對比如圖9 所示。右下角局部圖均為圖9（a）虛線框中的放大圖。從圖9 可以看出，本文算法在真實邊緣處十分明顯，而在非邊緣區域強度較小，而且背景比較平滑。根據圖像局部特征類型，本文算法自適應地選擇合適的ANDD 濾波器進行圖像平滑處理，因此在角點等復雜邊緣附近可以避免產生仿射狀響應。

圖9 無噪聲下不同算法提取的彩色邊緣強度圖對比Fig.9 Comparison of color edge strength maps extracted by different algorithms without noise

在無噪聲條件下不同算法提取房子圖像的二值邊緣圖對比如圖10 所示。從圖10 可以看出，彩色Canny算法和RCMG-MM 算法可以檢測出許多偽邊緣，其原因為彩色Canny 算法中高斯微分算子的局限性和RCMG-MM 算法中簡單的矩形窗口導致的邊緣響應估計不準確。FRPOS 算法檢測到的偽邊緣數目較少，但是其梯度方向估計不準確，使得非極大值抑制后的邊緣出現部分斷裂。而本文算法的二值邊緣圖幾乎沒有偽邊緣，而且真實邊緣的連續性較好。

圖10 無噪聲下不同算法提取的二值邊緣圖對比Fig.10 Comparison of binary edge maps extracted by different algorithms without noise

當噪聲方差ε2=100 時，不同算法提取圖6 中房子、建筑物和peppers 這3 幅圖像的CESM 對比如圖11 所示。從圖11 可以看出，彩色Canny 算法和RCMG-MM 算法對噪聲比較敏感，FRPOS 算法和本文算法的CESM 相對比較清晰。相比彩色Canny 算法、RCMG-MM 算法和FRPOS 算法，本文算法的噪聲更少，其主要原因為本文算法中大尺度σ的ANDD 濾波器對噪聲有較強的抑制能力。

圖11 含噪聲方差ε2=100時不同算法提取的彩色邊緣強度圖對比Fig.11 Comparison of color edge strength maps extracted by different algorithms with noise variance ε2=100

本文對圖11 中的CESM 進行沿梯度方向的非極大值抑制及雙閾值處理（Tlow=0.08,Thigh=0.20），獲得的邊緣檢測結果如圖12 所示。從圖12 可以看出，彩色Canny 算法對噪聲比較敏感，能夠檢測出大量的偽邊緣。RCMG-MM 算法使用的形態學濾波器對高斯噪聲有一定的抑制作用，因此檢測出的偽邊緣與彩色Canny 算法相比較少。FRPOS 算法具有較優的噪聲魯棒性，在檢測結果中的偽邊緣也比較少。本文算法的大尺度ANDD 濾波器同樣具有較優的噪聲魯棒性，因此檢測到最少的偽邊緣。而且在復雜邊緣附近的ANDD 濾波器產生較小的影響范圍，避免產生放射狀響應和偽邊緣（如圖12中放大的局部圖所示）。

圖12 含噪聲方差ε2=100時不同算法提取的二值邊緣圖對比Fig.12 Comparison of binary edge maps extracted by different algorithms with noise variance ε2=100

3.3 客觀評價指標

本文利用客觀評價指標——Pratt品質因子和ROC曲線評估不同算法性能。

FOM 評價指標如式（12）所示：

其中：ne和nd分別為理想邊緣圖和實際檢測結果圖中的邊緣像素數；d(k)為第k個檢測邊緣像素與最近理想邊緣像素之間的距離；κ為損失因子，實驗中κ=1/9。算法的FOM 越大，其性能越優。不同算法的FOM 即使相差較小，其性能也可能存在明顯不同。本文對文獻［18］中50 幅包含參考邊緣的測試彩色圖像，分別計算彩色Canny 算法、RCMG-MM、FRPOS 和本文算法的平均FOM。在無噪聲和方差ε2=100 的高斯噪聲條件下，不同算法的平均FOM 對比如表1 所示。在無噪聲和含噪聲這兩種情況下，本文算法的平均FOM 均最大，說明本文算法具有較優的檢測性能。

表1 不同算法的FOM 對比Table 1 FOM comparison among different algorithms

ROC 曲線可以客觀地評價不同邊緣檢測算法在不同參數設置下的性能。假設在某一邊緣檢測數據中，邊緣像素數目為NE，非邊緣像素數目為NNE。若邊緣檢測算法檢測到的像素與參考邊緣像素一致，則該像素為真陽性（True Positive，TP）；若檢測得到的邊緣在參考非邊緣區域內，則該像素為假陽性（False Positive，FP）。NTP表示標記為TP 的像素數，NFP表示標記為FP的像素數。對于一次檢測結果，可以得到：

對于各種參數組合可以得到一系列點（1-PTP，PFP），其中，1-PTP表示未被正確檢測的邊緣點概率，PFP表示被錯誤檢測為邊緣點的非邊緣點概率。當（1-PTP，PFP）為（0，0）時，檢測結果最理想。ROC 曲線則是由點集（1-PTP，PFP）中最靠近左下方的點連接而成。在測試數據集上，某一邊緣檢測算法的ROC曲線越靠近左下角，則算法性能越好。

本文利用彩色Canny、RCMG-MM 和本文算法分別對50 幅測試彩色圖像進行邊緣檢測，同時分別在無噪聲、含ε2=100 的高斯噪聲和含10%的椒鹽噪聲情況下繪制ROC 曲線。彩色Canny 算法中的尺度參數σ1=1，1.1，…，6。RCMG-MM 算法中的窗口寬度L=3，5，…，11。本文算法中的，2，…，9，濾波器方向K=16。而這3 種算法在邊緣檢測時共用的閾值都設置為Tlow=［0.1，0.35］，Thigh=［0.5，0.98］，采樣間隔都為0.01。不同算法的ROC 曲線對比如圖13 所示。從圖13 可以看出，本文算法的ROC 曲線在無噪聲、高斯噪聲情況下都比其他算法更靠近左下角，說明本文算法的綜合性能更優。本文算法根據邊緣類型自適應調整方向導數濾波器的形狀，以更好地匹配邊緣，使得在無噪聲情況下的性能最優。對于高斯噪聲，各向異性高斯濾波器對高斯噪聲具有強魯棒性［22］，而RCMG-MM 算法中的自適應均值濾波也具有一定的高斯噪聲抑制能力，因此該情況下本文算法性能最優，RCMG-MM 次之，彩色Canny 算法的性能最差。對于椒鹽噪聲，本文算法的ANDD 濾波器具有狹長空域形態，使其具有一定的椒鹽噪聲抑制能力。因此，RCMG-MM 算法的中值濾波具有最優的椒鹽噪聲抑制能力，但其濾波器結構比較簡單，導致其綜合性能與本文算法相當。彩色Canny 算法中的高斯導數濾波器對椒鹽噪聲較敏感，導致其性能最差。因此，根據不同噪聲情況下ROC 曲線比較，本文提出的彩色邊緣檢測算法對噪聲具有較優的魯棒性，綜合性能優于彩色Canny算法和RCMG-MM算法。

圖13 不同算法的ROC 曲線對比Fig.13 ROC curves comparison among different algorithms

3.4 噪聲魯棒性

噪聲魯棒性也是評價邊緣檢測算法的重要指標。為客觀評價本文算法的噪聲魯棒性，本文在50 幅測試圖像中分別添加噪聲標準差在［0，20］的高斯白噪聲和噪聲比例在［1%，10%］的椒鹽噪聲，并計算其FOM。在每個噪聲等級下，不同算法的FOM 都是10 幅測試圖像進行50 次實驗的平均值。不同算法的FOM 隨噪聲變化的曲線如圖14 所示。從圖14（a）可以看出，隨著高斯噪聲方差的增大，本文算法和FRPOS 算法的FOM下降幅度較小。RCMG-MM 算法中形態學方法對高斯噪聲魯棒性稍差，而彩色Canny 算法對噪聲最敏感。從圖14（b）可以看出，隨著椒鹽噪聲比例的增大，RCMG-MM 和FRPOS 算法的FOM 下降輻度比較小，說明其對椒鹽噪聲魯棒性較好。本文算法中的ANDD濾波器對椒鹽噪聲有一定抑制力，其噪聲魯棒性稍差。彩色Canny 算法對椒鹽噪聲的魯棒性最差。在兩種噪聲下，本文算法的FOM 一直最大，說明本文算法在噪聲情況下的檢測性能均優于其他三種算法。

圖14 不同算法的FOM 隨噪聲變化的曲線Fig.14 Curve of FOM with noise of different algorithms

4 結束語

本文提出基于自適應各向異性高斯方向導數的彩色邊緣檢測算法。通過構建反映圖像邊緣類型的度量準則，以控制各向異性高斯方向導數濾波器的形狀，從而精確提取不同類型的邊緣微分信息。在特征融合過程中，利用奇異值分解獲得最優融合權值，以增強融合的邊緣強度。實驗結果表明，相比彩色Canny、RCMG-MM、FRPOS 算法，本文算法具有較優的邊緣定位精度和噪聲魯棒性。下一步將把非線性濾波器與各向異性方向導數濾波器的結構相融合，使得算法在混合噪聲環境下具有較優噪聲魯棒性的同時，進一步提高彩色邊緣檢測性能。