魏晴霞

摘 要:針對(duì)Canny算子在圖像邊緣檢測(cè)中算法魯棒性差的問題,提出了一種改進(jìn)的Canny算子并將其應(yīng)用于圖像邊緣檢測(cè),新的算子利用平滑后對(duì)圖像進(jìn)行灰度拉伸的預(yù)處理,利用遺傳算法求閾值,從而得到較為理想的圖像邊緣。仿真實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的Canny算子能有效檢測(cè)到圖像中的細(xì)節(jié)梯度,并去除了偽邊緣和噪聲邊緣。

關(guān)鍵詞:Canny算子邊緣檢測(cè)灰度拉伸遺傳算法

中圖分類號(hào):TP391.4 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1674-098X(2012)06(a)-0028-01

近些年來,隨著一些新的數(shù)學(xué)理論及數(shù)學(xué)工具在圖像處理中的新應(yīng)用,由此學(xué)者們提出了一些新的邊緣檢測(cè)方法,例如:基于小波變換的方法、數(shù)學(xué)形態(tài)學(xué)方法、模糊理論和神經(jīng)網(wǎng)絡(luò)等邊緣檢測(cè)法[2-3]。

然而,就現(xiàn)有的圖像邊緣檢測(cè)算子而言,Canny算子是效果最好且最具實(shí)用性的一個(gè)邊緣檢測(cè)算子。然而,Canny算子也具有缺陷[4-5],主要表現(xiàn)在對(duì)噪聲較為敏感,邊緣檢測(cè)魯棒性較差,檢測(cè)到的圖像邊緣常常含有較多的偽邊緣。為了克服這一難題,提出了一種改進(jìn)的Canny邊緣檢測(cè)方法,與經(jīng)典的Canny算子相比,新的Canny邊緣檢測(cè)算子具有更好的邊緣檢測(cè)結(jié)果和較高的魯棒性。

1 改進(jìn)后的Canny算子

1.1 圖像預(yù)處理

圖像預(yù)處理重要是對(duì)圖像的濾波,其結(jié)果是可以平滑圖像中的各種噪聲,使圖像更清晰,便于后續(xù)步驟的處理。然而,圖像濾波在平滑噪聲的同時(shí)也會(huì)導(dǎo)致一些邊緣細(xì)節(jié)變得比較模糊,從而導(dǎo)致在后續(xù)的圖像處理過程中難以深層處理。基于該原因,在圖像濾波后,我們需要對(duì)圖像進(jìn)行灰度拉伸處理,以使圖像的灰度分布范圍變寬,從而增強(qiáng)圖像對(duì)比度和邊緣變化速率。具體處理如公式1:

(1)

其中,==255。和均為常數(shù)。

1.2 遺傳算法求取閾值

由于經(jīng)典的邊緣檢測(cè)算子中Canny算子是性能最好的,然而,該算子性能受參數(shù)和閾值、的影響。對(duì)于細(xì)節(jié)較為粗糙的圖像而言,較小可以得到較為平滑的處理效果,而對(duì)于細(xì)節(jié)信息較多的圖像而言,取值較大。在本文實(shí)驗(yàn)中,取值為1。

在實(shí)際的圖像處理中,由于受光照影像的圖像是一類重要圖像,圖像特點(diǎn)是灰度分布并不均勻。針對(duì)該類型圖像而言,如果我們選擇的閾值較大,則圖像中的部分細(xì)節(jié)邊緣丟失。而如果選擇較低的閾值,則會(huì)導(dǎo)致較多的偽邊緣出現(xiàn)。顯然,在Canny邊緣檢測(cè)算子中,盡管雙閾值法能夠提高邊緣檢測(cè)的魯棒性,但邊緣檢測(cè)結(jié)果受閾值選擇的影響較大,而對(duì)不同類型的圖像選取不同的閾值是一件較為困難的工作。本文中,采用二次尋優(yōu)的遺傳算法,通過反復(fù)迭代處理的方法獲取最優(yōu)閾值(,同時(shí)低閾值的選擇:,),能夠得到較為理想的邊緣檢測(cè)結(jié)果。

2 仿真實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文算法的性能,仿真實(shí)驗(yàn)選用“rice”圖像作為測(cè)試圖像。在用遺傳算法尋取最優(yōu)閾值的過程中,我們采用8位長(zhǎng)的自然編碼方式,參數(shù)和分別取0.85和0.02。而第二次尋優(yōu)初始種群的生成范圍為第一次尋優(yōu)結(jié)果的半徑為50的鄰域內(nèi)即A=50。

基于本文提出的改進(jìn)Canny算子的邊緣檢測(cè)方法,我們可以獲取更為理想的邊緣檢測(cè)結(jié)果。對(duì)于閾值的確定,由于采用了遺傳算法,因此每次都能給出全局的最優(yōu)解。與經(jīng)典的方法相比,本文提出的方法優(yōu)勢(shì)在于迭代次數(shù)較少(小于7次),且計(jì)算復(fù)雜度較低,從而保證了邊緣檢測(cè)方法的實(shí)時(shí)性。

3 結(jié)語

圖像邊緣是圖像最基本的特征之一,在圖像分析和理解、計(jì)算機(jī)視覺和模式識(shí)別中均具有重要作用,它是圖像分析及處理的后續(xù)步驟的前提和基礎(chǔ)。本文的貢獻(xiàn)在于針對(duì)傳統(tǒng)的Canny邊緣檢測(cè)算子進(jìn)行了分析,找到了算子存在的問題并給出了新的改進(jìn)方法,首先利用灰度拉伸方法改善了差分背景圖像邊緣檢測(cè)效果,其次通過遺傳算法產(chǎn)生了是影響較好的閾值,新的方法不需要過多的人機(jī)交互,同時(shí)由于二次尋優(yōu)的遺傳算法迭代次數(shù)少,從而提高了閾值選取的精度和速度。

參考文獻(xiàn)

[1] 章毓晉.圖像分割[M].北京:科學(xué)出版社,2001:198～267.

[2] 王樹文,閆成新,張?zhí)煨?趙廣州.數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2004,32:89～92.

[3] 王忠華,汪勝前,鄧承志,等.基于層間相關(guān)性的小波邊緣檢測(cè)[J].江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版),28(5):379～381.