王明靜，張學(xué)峰

(中國空空導(dǎo)彈研究院，河南洛陽471009)

1 引言

如何從背景雜亂和噪聲影響較大的圖像重準(zhǔn)確提取目標(biāo)的感興趣邊緣，是視頻監(jiān)控、遙感影像中實(shí)現(xiàn)自動(dòng)目標(biāo)檢測的關(guān)鍵技術(shù)之一。常用的邊緣檢測算法首先獲取一幅特征圖像(大多數(shù)情況是梯度幅值圖像)，然后對(duì)特征圖像進(jìn)行分割獲取邊緣，但因?yàn)槌Ｓ玫拈撝捣指罘椒ǖ男阅苋Q于特征圖像的選擇，而且特征圖像的直方圖常常是單峰的，因此分割閾值較難自適應(yīng)確定［1］。文獻(xiàn)［2］提出了遲滯閾值，使邊緣檢測的效果得到了一定的提升，但遲滯閾值的確定也不是一件容易的事情。文獻(xiàn)［3］和［4］分別提出了一種遲滯閾值的確定方法，其基本思想是在閾值空間內(nèi)搜索最優(yōu)的遲滯閾值，存在計(jì)算量大、邊緣圖像評(píng)價(jià)準(zhǔn)則難以確定等缺點(diǎn)，影響了算法的使用范圍。閾值選擇過高，則可能導(dǎo)致感興趣目標(biāo)的邊緣不能被完整提取出來，而閾值選擇過低，則可能導(dǎo)致提取出的邊緣過多，增加后續(xù)處理的難度。以上基于閾值的邊緣檢測算法都只關(guān)注那些強(qiáng)度較強(qiáng)的邊緣，而在實(shí)際中，可能會(huì)更關(guān)注具有某些結(jié)構(gòu)特征的邊緣，如線性邊緣或具有特定形狀的閉合邊緣。另外，在前下視圖像中，由于景深差距很大，近距離處的邊緣和遠(yuǎn)距離的邊緣強(qiáng)度可能有較大差別，所以邊緣強(qiáng)度已不能作為一個(gè)有效的判據(jù)。

針對(duì)以上問題，研究人員提出了一些不需要確定閾值的新方法。如文獻(xiàn)［5］把邊緣檢測看成統(tǒng)計(jì)推理過程，不同于基于模型的邊緣檢測算法，它是數(shù)據(jù)驅(qū)動(dòng)的，但是使用之前需要先進(jìn)行訓(xùn)練，限制了算法的應(yīng)用范圍，而且提取的邊緣可能會(huì)缺失或者多像素寬。文獻(xiàn)［6］介紹了一種基于線性預(yù)測的邊緣檢測方法，試驗(yàn)證明該算法對(duì)噪聲不敏感。雖然這些方法展示了較好的應(yīng)用前景，但這些方法都還處于理論研究中，在實(shí)際應(yīng)用中的效果還有待進(jìn)一步驗(yàn)證。

針對(duì)邊緣檢測算法閾值難確定和提出的干擾邊緣較多的問題，本文提出了一種基于兩級(jí)濾波的感興趣邊緣檢測算法，并與Canny算法、Sobel算法進(jìn)行了對(duì)比試驗(yàn)。

2 基于多級(jí)濾波的感興趣邊緣檢測算法

基于知識(shí)的感興趣邊緣檢測算法包含以下四個(gè)步驟:

1)對(duì)圖像進(jìn)行平滑濾波，濾除噪聲;

2)用梯度算子分別提取水平方向和垂直方向的梯度，并獲取梯度幅值圖像和梯度方向圖像;

3)根據(jù)梯度方向圖像對(duì)梯度幅值圖像進(jìn)行濾波，濾除那些由噪聲形成的邊緣，同時(shí)對(duì)梯度幅值圖像進(jìn)行非最大值抑制;

“你看那邊，是不是還是昨天那倆人？”雖然感冒了，精神不佳，但一點(diǎn)也不影響王施凱掃視四周，一眼就看到了路口徘徊的黑衣人。

4)對(duì)濾波后的梯度幅值圖像進(jìn)行分割，形成初始的邊緣映射圖，并進(jìn)行邊緣跟蹤，獲取所有的邊緣段及其特征，從中濾除不滿足特征約束的邊緣，保留感興趣的邊緣。

2.1 圖像平滑

圖像平滑的主要作用是濾除圖像噪聲、平滑區(qū)域內(nèi)部的弱小邊緣和較復(fù)雜紋理內(nèi)部的雜亂邊緣。本文采用高斯模板對(duì)圖像進(jìn)行平滑濾波操作。高斯模板的方差根據(jù)圖像噪聲水平確定。

2.2 梯度特征圖像計(jì)算

梯度特征圖像包括梯度幅值圖像和梯度方向圖像。梯度特征圖像的計(jì)算方法為:首先對(duì)二維高斯函數(shù)分別求X和Y方向的偏導(dǎo)數(shù)，得到X方向和Y方向的梯度算子;然后對(duì)圖像進(jìn)行卷積運(yùn)算，得到X方向和Y方向的梯度圖像，記為Grad X和Grad Y;最后按式(1)和式(2)計(jì)算梯度幅值圖像Grad和梯度方向圖像Dir:

將0°～360°的梯度方向均勻量化為32個(gè)方向，編號(hào)為0～31，其分布如圖1所示，水平向右為方向0，按逆時(shí)針分別為0～31。

圖1 梯度方向示意圖

2.3 梯度幅值圖像濾波

在視頻圖像中，感興趣物體的邊緣一般是連續(xù)的具有一定形狀的較為平滑的邊緣，而噪聲的邊緣一般沒有固定形狀，或者只是一個(gè)孤立的梯度幅值點(diǎn)，所以可以利用先驗(yàn)知識(shí)對(duì)梯度幅值圖像進(jìn)行濾波處理，刪除不感興趣的邊緣點(diǎn)。感興趣的邊緣點(diǎn)具有如下特征:

1)在邊緣的方向上至少有另外四個(gè)邊緣方向相近的邊緣點(diǎn);

2)在邊緣的法線方向上至少有另外兩個(gè)邊緣方向相近的邊緣點(diǎn);

條件1)是為了剔除那些由噪聲點(diǎn)形成的邊緣，它包含三種情況:

a)邊緣點(diǎn)的兩邊各有兩個(gè)邊緣方向相近的邊緣點(diǎn);

b)邊緣點(diǎn)的某一邊有四個(gè)邊緣方向相近的邊緣點(diǎn);

c)邊緣點(diǎn)的一邊有一個(gè)邊緣方向相近的邊緣點(diǎn)而另一邊有三個(gè)邊緣方向相近的邊緣點(diǎn)。

條件2)是考慮到圖像中真實(shí)的邊緣一般會(huì)有一個(gè)過渡區(qū)，而那些干擾形成的邊緣則更陡峭，它包含兩種情況:

a)邊緣點(diǎn)的法線方向兩邊各有一個(gè)邊緣方向相近的邊緣點(diǎn);

b)邊緣點(diǎn)的法線方向的某一邊有兩個(gè)邊緣方向相近的邊緣點(diǎn)。

邊緣方向相近指邊緣方向相差在45°以內(nèi)，即梯度方向相差在4以內(nèi)。

條件3)完成對(duì)邊緣點(diǎn)的非最大值抑制，以便能提取單像素寬的邊緣。

2.4 邊緣跟蹤與濾波

經(jīng)過對(duì)梯度幅值圖像濾波操作后，保留下來的邊緣點(diǎn)大部分位于感興趣的邊緣處，因此可以采用一個(gè)動(dòng)態(tài)范圍很小的閾值對(duì)梯度幅值圖像進(jìn)行分割，獲取初始邊緣圖像。此處根據(jù)圖像的空域噪聲確定分割閾值，即將那些由噪聲引入的邊緣排除，而保留其他邊緣。

獲取初始邊緣圖像后，對(duì)各邊緣進(jìn)行細(xì)化、平滑操作，然后進(jìn)行跟蹤邊緣，獲取所有的邊緣段，最后統(tǒng)計(jì)各邊緣段的特征。邊緣跟蹤時(shí)，如果遇到分叉邊緣點(diǎn)，則根據(jù)已經(jīng)獲取的邊緣段上的邊緣點(diǎn)來預(yù)測邊緣的方向，選擇與預(yù)測邊緣方向最接近的邊緣點(diǎn)作為下一個(gè)跟蹤邊緣點(diǎn)。本文采用的邊緣方向預(yù)測方法為:選擇已經(jīng)獲取的邊緣段上最近的8個(gè)點(diǎn)，按其邊緣走向作為預(yù)測邊緣方向，如果已獲取的邊緣段上邊緣點(diǎn)的個(gè)數(shù)不足8個(gè)，則根據(jù)所有邊緣點(diǎn)的邊緣走向生成預(yù)測邊緣方向。在邊緣跟蹤的同時(shí)，記錄邊緣段上每個(gè)點(diǎn)的坐標(biāo)、邊緣段上邊緣點(diǎn)的最大梯度幅值和所有邊緣點(diǎn)的平均梯度幅值等信息。

獲取所有邊緣段后，即可對(duì)邊緣段進(jìn)行濾波，從中刪除不滿足特征要求的邊緣，保留感興趣的邊緣，邊緣濾波的準(zhǔn)則為:如果邊緣段所有邊緣點(diǎn)的平均梯度幅值小于閾值或者所有邊緣點(diǎn)的最大梯度幅值小于閾值，則刪除該邊緣段。此處的閾值在梯度幅值圖像中按分位數(shù)法選取，即閾值應(yīng)該使梯度幅值圖像中所有有效邊緣點(diǎn)的梯度幅值小于閾值的點(diǎn)的個(gè)數(shù)占總的有效邊緣點(diǎn)的個(gè)數(shù)的比例為P。通常，平均梯度幅值閾值的分位數(shù)設(shè)置為0.2，最大梯度幅值閾值的分位數(shù)設(shè)置為0.5，即可滿足大部分需求。

3 實(shí)驗(yàn)結(jié)果與分析

本文主要從兩個(gè)方面對(duì)算法的性能進(jìn)行評(píng)估:一是算法參數(shù)的設(shè)置對(duì)邊緣檢測結(jié)果的影響，二是將本文算法與通用的對(duì)邊緣檢測效果較好的Canny算法、Sobel算法進(jìn)行了比較，以驗(yàn)證本文算法的先進(jìn)性。

3.1 算法參數(shù)設(shè)置對(duì)邊緣檢測結(jié)果的影響

本文算法共需設(shè)置三個(gè)閾值參數(shù):

1)對(duì)濾波后的梯度幅值圖像進(jìn)行分割的參數(shù);

2)對(duì)跟蹤得到的邊緣的平均梯度幅值進(jìn)行限制的閾值;

3)對(duì)跟蹤得到的邊緣的最大梯度幅值進(jìn)行限制的閾值。

這三個(gè)閾值均按分位數(shù)法選取。由于對(duì)梯度幅值圖像進(jìn)行濾波后，需盡可能保留感興趣的邊緣，因此算法中第一個(gè)閾值分位數(shù)的設(shè)置值不能太大，本文中選擇為0.05，即保留濾波后95%的邊緣點(diǎn)作為候選邊緣點(diǎn)。對(duì)另兩個(gè)閾值的分位數(shù)分別取為{0.2，0.5}、{0.1，0.25}、{0.05，0.15}，得到的邊緣圖像分別如圖2(d)～圖2(f)所示。

圖2(a)為原始圖像，圖2(b)為提取的梯度幅值圖像，圖2(c)為濾波后梯度幅值圖像的分割結(jié)果?？梢钥闯?，隨著閾值的降低，檢測出的邊緣數(shù)量逐漸增多，在高閾值下不能檢測出的弱小邊緣逐漸顯現(xiàn)出來，但圖像中比較顯著的能量較強(qiáng)的邊緣幾乎沒有變化，而這些邊緣正是進(jìn)行目標(biāo)識(shí)別所感興趣的邊緣，所以本文算法對(duì)參數(shù)設(shè)置具有較好的適應(yīng)性。

圖2 不同參數(shù)的邊緣檢測結(jié)果

3.2 邊緣檢測算法對(duì)比試驗(yàn)

采用道路圖像和建筑圖像對(duì)Canny算法、Sobel算法、本文算法進(jìn)行了對(duì)比試驗(yàn)，試驗(yàn)結(jié)果如圖3和圖4所示。圖3為道路圖像的邊緣檢測結(jié)果，圖3(a)為原始圖像，圖3(b)為Canny算法結(jié)果，圖3(c)為Sobel算法結(jié)果，圖3(d)為本文算法結(jié)果，可以看出，Canny算法雖然檢測出了道路邊緣，但保留了太多道路內(nèi)部和草地的細(xì)節(jié)邊緣，增加了后續(xù)處理的難度，Sobel算法效果不錯(cuò)，但依然保留了圖像下方的許多草地邊緣，本文算法較好的提取了道路邊緣，且保留的干擾邊緣最少。

圖3 道路邊緣檢測結(jié)果

圖4 為建筑圖像的邊緣檢測結(jié)果，圖4(a)為原始圖像，圖4(b)為Canny算法結(jié)果，圖4(c)為Sobel算法結(jié)果，圖4(d)為本文算法結(jié)果，可以看出，Canny算法較好的檢測出了建筑邊緣，但同樣檢測出了太多的干擾邊緣，增加了后續(xù)處理的難度，Sobel算法檢測出的建筑邊緣不完整，且保留了圖像下方很多干擾邊緣，本文算法較完整的提取了建筑邊緣，且很好的抑制了圖像下方的干擾邊緣。

圖4 建筑邊緣檢測結(jié)果

4 結(jié)論

本文提出了一種基于多級(jí)濾波的感興趣邊緣檢測算法，該算法基于感興趣的邊緣一般都表現(xiàn)為直線或曲率較干擾邊緣小的事實(shí)，首先根據(jù)梯度方向?qū)μ荻确祱D像進(jìn)行濾波和非最大值抑制操作，保留所有可能的感興趣邊緣;然后進(jìn)行邊緣跟蹤，提取邊緣的特征，進(jìn)一步濾除干擾邊緣。這種做法融合了梯度幅值大小和梯度方向信息，使邊緣提取與邊緣段識(shí)別同步進(jìn)行。能更有效的提取圖像中感興趣的邊緣，同時(shí)排除干擾邊緣，減少后續(xù)處理的難度。同時(shí)算法中需要設(shè)置的參數(shù)數(shù)量少，而且算法性能對(duì)參數(shù)設(shè)置不敏感，所以算法的適應(yīng)能力更強(qiáng)，使用范圍更廣。通過用大量視頻監(jiān)控圖像和遙感圖像對(duì)算法進(jìn)行測試，并與經(jīng)典的邊緣檢測算法進(jìn)行對(duì)比，證明本文算法適應(yīng)范圍廣，能有效濾除較復(fù)雜紋理產(chǎn)生的雜亂邊緣，提取圖像中形狀規(guī)則的感興趣邊緣，降低后續(xù)目標(biāo)識(shí)別過程的復(fù)雜性，提高目標(biāo)識(shí)別概率。

但本文算法也存在一些不足，比如沒有考慮多尺度邊緣的提取，對(duì)算法參數(shù)的優(yōu)化選擇考慮不夠。在進(jìn)一步的研究中，將在邊緣檢測算法中引入多尺度思想，在不同尺度下檢測出更多感興趣的邊緣，綜合各尺度下的邊緣以更好的濾除干擾邊緣，同時(shí)對(duì)算法參數(shù)的選擇和設(shè)置對(duì)算法性能的影響進(jìn)行定量分析，給出參數(shù)選擇的理論依據(jù)。

［1］ Y J Zhang.A survey on evaluation methods for image segmentation［J］.Pattern Recognition，1996，29:1335 －1346.

［2］ M D Heath，S Sarkar，T Sanocki，et al.A robust visual method for assessing the relative performance of edgedetection algorithms［J］.IEEE Transactions on Pattern A-nalysis and Machine Intelligence，1997，19:1338 －1359.

［3］ R Medina－Carnicer，A Carmona－Poyato，R Munoz－Salinas.Determining hysteresis thresholds for edge detection by combining the advantages and disadvantages of thresholding methods［J］.IEEE Transactions on Image Processing，2010，19(1):165 －173.

［4］ Yitzhak Yitzhaky，Eli Peli.A method for objective edge detection evaluation and detector parameter selection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(8):1027 －1033.

［5］ Scott Konishi，Alan L Yuille，James M Coughlan.Statistical edge detection:learning and evaluating edge cues［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(1):57 －74.

［6］ James Z Zhang，Peter C Tay，Robert D Adams.A novel image edge detection method using linear prediction［J］.IEEE，2010，:620 －623.