• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于改進Canny算法的噪聲圖像邊緣檢測

      2021-01-07 04:56:18趙子潤高保祿郭云云
      計算機測量與控制 2020年12期
      關(guān)鍵詞:椒鹽高斯梯度

      趙子潤,高保祿,郭云云,田 力

      (太原理工大學(xué) 軟件學(xué)院,太原 030024)

      0 引言

      邊緣檢測[1-2]是圖像處理的基本操作,邊緣檢測的質(zhì)量直接決定高級圖像處理的性能。在過去十幾年中,已經(jīng)提出了數(shù)百種用于數(shù)字圖像中的邊緣檢測的方法。根據(jù)邊緣檢測器所基于的原理,可以將其分類為基于分化的方法[3]、統(tǒng)計方法[4]、機器學(xué)習(xí)方法[5]、主動輪廓法[6]、多尺度方法[7-8],以及各向異性擴散方法[9-10]等。Canny算法[11]相比于其他的邊緣檢測算法具有較高的性能。但是經(jīng)典算法采用線性的高斯濾波器對圖像進行平滑,并從整體上對圖像進行模糊,沒有考慮像素間的相似程度,使得去噪效果不好且精度下降,同時對雙閾值的選取是依據(jù)人的經(jīng)驗預(yù)先確定,導(dǎo)致檢測結(jié)果丟失邊緣或者檢測出虛假邊緣。

      針對Canny算法存在的問題,研究者提出了許多的改進算法。文獻[12]提出基于雙邊濾波的Canny算法,該算法同時考慮了圖像的空間信息和灰度信息,提升了低濃度含噪圖像的邊緣檢測效果,但對于較高濃度含噪圖像的檢測效果不佳。文獻[13]采用了預(yù)定義尺度的各向同性高斯核對Canny算法進行優(yōu)化,但該算法產(chǎn)生了邊緣檢測和定位精度之間的二重性,導(dǎo)致噪聲無法被有效去除。文獻[14]提出基于偏微分方程的方法,該方法對含有低濃度噪聲圖像的邊緣檢測效果清晰,但由于平滑圖像時進行迭代操作比較復(fù)雜,因此隨著噪聲濃度的提高,檢測到的邊緣很快變得模糊。文獻[15]提出了尺度不變和對比度不變的多尺度差分邊緣檢測器,噪聲被過濾為低對比度特征后能夠準(zhǔn)確地提取邊緣特征,但它只對幾種退化的真實世界圖像數(shù)據(jù)集進行了實驗,缺乏普適性。文獻[16]提出基于曲率估計的檢測算法,在小尺度高斯核的Canny算法中引進曲度算子對圖像卷積,然后再利用大尺度高斯核對卷積圖像進行修正,但兩次計算仍然采用預(yù)定義尺度的高斯濾波器,無法適應(yīng)圖像本身的特征,導(dǎo)致一些噪聲不能有效地剔除。

      綜上所述,本文提出了基于改進Canny算法的噪聲圖像邊緣檢測方法,通過構(gòu)建自適應(yīng)高斯濾波器改進了曲度算子,使圖像的局部平滑效果達到最佳,得到優(yōu)化的二值邊緣圖;在雙閾值選取上,基于最大類間方差法,充分考慮圖像的灰度信息與梯度信息構(gòu)造了灰度梯度映射函數(shù),獲得最佳雙閾值,進行雙閾值檢測以及邊緣連接。實驗結(jié)果表明,該算法在有效去噪的同時,所提取的邊緣更加清晰準(zhǔn)確,并且具有自適應(yīng)性強和算法效率高的優(yōu)點。

      1 傳統(tǒng)Canny邊緣檢測算法

      傳統(tǒng)Canny算法的實現(xiàn)包括以下4個步驟:1)對圖像進行高斯平滑濾波;2)對平滑后的圖像I(x,y)計算梯度強度和方向;3)使用非極大值抑制操作,保留鄰域內(nèi)最大梯度強度值,且對其他梯度強度值進行抑制。抑制結(jié)果為M;4)使用高低雙閥值(高閥值Thmax和低閥值Thmin)檢測邊緣像素。

      鄭子華等人[16]提出基于曲率估計的 Canny 邊緣檢測算法(簡稱曲率估計算法),該算法中定義了邊緣曲度算子CURV,算法的處理過程如下:

      1)計算高斯濾波函數(shù),如式(1)所示,取σ=2,得到原始圖像邊緣圖,記為Kmax。

      (1)

      2)取σ=1,得到原始圖像邊緣圖,記為Kmin。

      3)對Kmin求取CURV,并利用Kmax對CURV進行修正。

      4)根據(jù)K=M-CURV得到更新后的邊緣圖K。

      5)根據(jù)人工設(shè)置的雙閾值對K進行邊緣判斷,得到邊緣檢測結(jié)果。

      以上的算法流程中分別使用兩個空間尺度的高斯濾波器得到邊緣圖。但兩次計算的空間尺度系數(shù)都是根據(jù)經(jīng)驗選擇的常用值,沒有根據(jù)圖像局部特征進行降噪,使得降噪效果不佳,自適應(yīng)性不好。算法結(jié)果如圖1所示。

      圖1 加入椒鹽噪聲的檢測結(jié)果

      2 改進Canny邊緣檢測算法

      本文在鄭等人的基礎(chǔ)上作了兩方面的改進:1)構(gòu)建自適應(yīng)高斯濾波器,改進了曲度算子,對噪聲圖像進行降噪;2)基于最大類間方差法又引入了圖像的梯度信息,進而構(gòu)造了灰度梯度映射函數(shù)獲取最佳雙閾值。

      2.1 自適應(yīng)高斯濾波器的曲度算子

      2.1.1 構(gòu)建的自適應(yīng)高斯濾波器

      (2)

      用當(dāng)前像素灰度值與窗口的平均值作差得到σ,計算以下3種情況的σ值。

      1)當(dāng)像素點位于非邊緣區(qū)時,篩選器窗口中的灰度值相差不大,σ值由式(3)所示:

      (3)

      2)當(dāng)像素點是圖像的邊緣時,根據(jù)邊緣的連續(xù)性,篩選器窗口中至少有3個點屬于邊緣。設(shè)非邊緣點為f(x-1,y-1)。σ值由式(4)所示:

      (4)

      計算得到的σ值仍然是較小的,由于實際的濾波器窗口中經(jīng)常多于3個邊緣像素點,計算后得到的σ值會更小。

      3)當(dāng)像素點是圖像中的噪聲點時,σ值由式(5)所示:

      abs{f(x,y)-f(x-1,y-1)}

      (5)

      此時得到的σ值比較大。

      根據(jù)式(6)和式(7)計算高斯函數(shù)在x和y方向上的一階偏導(dǎo)。

      (6)

      (7)

      用二維的高斯函數(shù)對整個圖像濾波,并分析σ值。在非邊緣區(qū)域時,σ值接近0,濾波器只做簡單平滑處理;在邊緣上時,σ值比較小,邊緣被識別并保留;對于噪聲像素點,由于它是孤立的,所以σ值很大。經(jīng)過濾波后,σ值很大像素點音被剔除。

      通過上述步驟方法實現(xiàn)自適應(yīng)的高斯濾波,能夠針對圖像本身特點進行平滑和降噪。

      2.1.2 計算邊緣像素的曲度算子CURV

      1)梯度方向θ(x,y)對應(yīng)二值邊緣圖K中的點K(x,y),以K(x,y)為中心中取5×5的鄰域。

      2)取x-2≤p≤x+2,y-2≤q≤y+2,遍歷5×5鄰域中的點K(p,q),記α(p,q)為過K(x,y)與過K(p,q)的兩切線的夾角。

      當(dāng)K(p,q)=0時,K(p,q)為非邊緣點,α(p,q)=0;

      當(dāng)K(p,q)=1時,K(p,q)為邊緣點,令:

      θ1(p,q)=|θ(x,y)-θ(p,q)|

      (8)

      (9)

      其中:梯度方向θ(x,y)是 Canny 算法的中間結(jié)果。

      3)計算CURV(x,y)。

      (10)

      其中:N是K(x,y)鄰域中邊緣點個數(shù)。

      通過基于改進的自適應(yīng)高斯濾波器計算曲度算子,實現(xiàn)圖像的降噪工作,但在雙閾值檢測及連接邊緣的階段中,雙閾值的選取是根據(jù)經(jīng)驗設(shè)置的,固定的雙閾值不能充分考慮每幅圖像所特有的像素特征,導(dǎo)致邊緣丟失或虛假邊緣被檢出。對此,本提出灰度梯度映射函數(shù)的雙閾值選取方法。

      2.2 灰度梯度映射函數(shù)的雙閾值選取

      在雙閾值的選取上很多研究者引入了最大類間方差法[17],它是一種簡單便捷的自動閾值選取方法。但是最大類間方差法僅采用灰度均值表示閾值,這會導(dǎo)致有偏的差估計結(jié)果。而圖像梯度能很好地反映圖像的邊緣信息,因此將梯度引入最大類間方差法中,能彌補單一灰度信息造成的閾值偏差。

      本文結(jié)合了圖像的灰度特征與梯度信息,提出基于最大類間方差法的灰度梯度映射函數(shù)獲取最佳閾值的方法。過程如下:

      2.2.1 計算最大類間方差法判別式

      設(shè)一幅圖像的L個灰度級[1,2,,L]?;叶燃墳閕的像素數(shù)為ni,則像素總數(shù)為N=n1+n2++nL。根據(jù)閾值t,圖像分為兩部分:背景和目標(biāo),即C0=[1,2,t]和C1=[1,2,,L]。那么每個灰度級i出現(xiàn)的概率為:

      (11)

      總均值為:

      (12)

      C0和C1的概率和均值為:

      (13)

      (14)

      (15)

      (16)

      最大類間方差法判別式如下:

      (17)

      2.2.2 計算基于Canny算法的梯度函數(shù)

      Canny算法的中間結(jié)果包含梯度值,本文用C(x,y)表示該梯度值。梯度函數(shù)由下式得到:

      (18)

      其中:Ri表示像素的集合Ri={(x,y)|f(x,y)=i},T(i)表示灰度值為i時對應(yīng)的平均梯度值。

      2.2.3 構(gòu)造灰度梯度映射函數(shù)

      兩種函數(shù)進行指數(shù)形式的融合調(diào)節(jié)效果最明顯,在此處,即表明對邊緣的判別和檢出效果更好。

      由此,本文構(gòu)造的灰度梯度映射函數(shù)如下:

      J1(t)=(J(t))T(i)

      (19)

      2.2.4 計算最佳閾值

      以此得到的最佳分割閾值為:

      (20)

      通過以上方法獲得的最佳閾值為高閾值,根據(jù)雙閾值判定的步驟可知,當(dāng)被判別的像素點梯度強度值大于高閥值時,則確定為邊緣點,由于這里選取的為最佳閾值,因此僅通過這一次判別,便可在最大范圍內(nèi)判定大部分的邊緣點。高低閾值的設(shè)定,兩者通常為二倍或三倍的關(guān)系,獲得的最佳分割閾值已使大部分邊緣點被確定,因此本文采用二倍關(guān)系選取低閾值。

      2.3 本文算法流程

      該算法完整的步驟描述如下:

      1)首先根據(jù)第2.1節(jié)自適應(yīng)高斯濾波器運算得到優(yōu)化的二值邊緣圖K,并保留梯度值的計算結(jié)果C(x,y)以及非極大值抑制后的計算結(jié)果M;

      2)根據(jù)第2.1節(jié)改進的曲度算子的計算步驟,對K求取CURV;

      3)更新K值,K=M-CURV;

      4)根據(jù)第2.2節(jié)中算法步驟構(gòu)造灰度梯度映射函數(shù),設(shè)置雙閾值;

      5)對K進行判斷;

      6)進行邊緣連接,完成檢測。

      本文詳細的算法步驟如圖2所示。

      圖2 本文算法步驟圖

      3 實驗結(jié)果與分析

      本文進行實驗的平臺配置為:Intel 2.6 GHz CPU、4 GB 內(nèi)存、Microsoft Windows7 64位操作系統(tǒng),在 Matlab R2017a 軟件下進行實驗。選取了BSDS500自然圖像數(shù)據(jù)集,本文在該數(shù)據(jù)集上進行了廣泛的實驗和評估,從定性和定量兩個方面分析對比了本文算法、傳統(tǒng)Canny算法以及曲率估計算法的性能。實驗結(jié)果如下。

      3.1 定性分析

      3.1.1 不同類型噪聲環(huán)境下的邊緣檢測

      圖3中選取了3幅圖片,分別對原圖像3(a)加入濃度較低的高斯白噪聲,所得噪聲圖如圖3(b)所示。固定空間尺度系數(shù)σ=1,通過傳統(tǒng)Canny算法對噪聲圖的邊緣檢測結(jié)果如圖3(c)所示,通過本文的改進算法對噪聲圖進行邊緣檢測的結(jié)果如圖3(d)所示。

      圖3 加高斯白噪聲的實驗結(jié)果比較

      圖4中選取相同的3幅圖片,分別對原圖像4(a)加入濃度較低的椒鹽噪聲,所得噪聲圖如圖4(b)所示。固定空間尺度系數(shù)σ=1,通過傳統(tǒng)Canny算法對噪聲圖的邊緣檢測結(jié)果如圖4(c)所示,通過本文的改進算法對噪聲圖進行邊緣檢測的結(jié)果如圖4(d)所示。

      圖4 加椒鹽噪聲的實驗結(jié)果比較

      從圖3和圖4邊緣檢測結(jié)果觀察得出,本文的改進算法對高斯白噪聲圖和椒鹽噪聲圖,均檢測出清晰連貫的邊緣,很好地抑制了噪聲。例如圖3(d)和圖4(d)中人物面部的眼窩、嘴巴和手指部分的邊緣被完整保留,建筑物的棱角和圓頂部分的邊緣清晰;而傳統(tǒng)Canny算法對高斯白噪聲圖和椒鹽噪聲圖的處理,噪聲與圖像的邊緣輪廓混合到一起,邊緣被噪聲淹沒,無法確認有效的邊緣。綜上所述,本文算法性能極大的優(yōu)于傳統(tǒng)Canny算法。

      3.1.2 同一噪聲在不同濃度下的邊緣檢測

      為進一步驗證在較高濃度噪聲下本文算法的優(yōu)勢,實驗中選擇椒鹽噪聲,然后設(shè)置不同的濃度加入原圖像,獲得噪聲圖。與曲率估計算法比較,實驗結(jié)果如圖5所示。

      圖5 濃度為0.02椒鹽噪聲環(huán)境下的實驗結(jié)果比較

      圖6 濃度為0.1椒鹽噪聲環(huán)境下的實驗結(jié)果比較

      圖7 濃度為0.2椒鹽噪聲環(huán)境下的實驗結(jié)果比較

      圖5、圖6和圖7依次對人物圖片加入不同濃度的椒鹽噪聲后,曲率估計算法與本文算法的實驗結(jié)果比較。圖5(b)為加入濃度0.02的噪聲圖,曲率估計算法的邊緣檢測如圖5(c)所示,本文算法的邊緣檢測如圖5(d)所示。兩者的檢測結(jié)果均比較理想,但是,曲率估計算法會檢測出錯誤的邊緣細節(jié)信息,并且檢測出來的線條較粗、不平滑;圖6(b)為加入濃度0.1的噪聲圖,曲率估計算法檢測結(jié)果如圖6(c)所示,開始出現(xiàn)了變異,特別是人物袖口和肩部出現(xiàn)噪聲點,影響了正確邊緣的檢測,本文算法的檢測結(jié)果如圖6(d)所示,邊緣的檢測依舊保持穩(wěn)定,沒有出現(xiàn)噪聲干擾正確邊緣的情況;圖7(b)為加入濃度0.2的噪聲圖,由于噪聲濃度高,曲率估計算法的檢測結(jié)果如圖7(c)所示,噪聲點分布密集,與正確邊緣混合在一起,導(dǎo)致邊緣淹沒在噪聲中,很難辨認有效邊緣,而本文算法的檢測結(jié)果如圖7(d)所示,邊緣仍然比較連貫,盡管有噪聲被標(biāo)出,但沒有影響正確邊緣的確認。

      3.2 定量分析

      3.2.1 均方誤差和圖像峰值信噪比的定義

      對于圖像質(zhì)量的量化評價指標(biāo)通常是均方誤差(MSE,mean squared error)MSE和峰值信噪比(PSNR,peak signal to noise ratio)PSNR。MSE和PSNR均表示兩幅圖像的相似程度。在本文中MSE的值越小,表示對噪聲圖像的降噪效果越好。MSE的定義如下:

      (21)

      PSNR的定義如下:

      (22)

      3.2.2 各算法MSE值和PSNR值的比較

      表1是傳統(tǒng)Canny算法、曲率估計算法與本文算法的MSE值、PSNR值比較。

      表1 各算法檢測結(jié)果的MSE值、PSNR值比較

      從表1中得出,本文算法在三種情況下都有最小的MSE值和最大的PSNR值,相比于曲率估計的算法,PSNR值平均提高了1.9%,MSE值平均降低了1.6%。

      本文算法構(gòu)造自適應(yīng)高斯濾波器改進了曲度算子,得到了優(yōu)化的邊緣圖,在雙閾值的選取上,基于最大類間方差法構(gòu)建了灰度梯度映射函數(shù),確定了最佳的雙閾值。比曲率估計算法中固定的空間尺度系數(shù)和人工選取的雙閾值能更好地適應(yīng)圖像本身特征,因此本文算法降低了MSE值,提高了PSNR值。

      3.2.3 各算法運行時間的對比

      表2對比了傳統(tǒng)Canny算法、曲率估計算法與本文算法的運行時間。分析表2得到,本文算法在0.02高斯白噪聲、0.02椒鹽噪聲、0.1椒鹽噪聲和0.2椒鹽噪聲4種情況下運行的時間均比曲率估計算法運行時間短。由于曲率估計算法在降噪后,又采用大尺度空間系數(shù)的計算修正小尺度下的結(jié)果,兩次計算使得運行時間增長一倍多。由于本文對雙閾值選取的過程也進行了改進,而其中含有迭代計算,使得本文算法總運行時間略長于傳統(tǒng)Canny算法,兩者基本接近,能很好地滿足有實時性要求的應(yīng)用場景。綜上所述,定量分析的結(jié)果與定性分析結(jié)果一致,充分表明本文算法的優(yōu)越性。

      表2 3種算法在不同情況下的運行時間

      4 結(jié)束語

      本文針對傳統(tǒng)Canny邊緣檢測算法對噪聲圖像的去噪效果不佳,以及雙閾值需要預(yù)先設(shè)定的問題,提出了一種基于改進Canny算法的噪聲圖像的邊緣檢測。首先構(gòu)建自適應(yīng)的高斯濾波器對曲度算子進行改進,得到優(yōu)化的二值邊緣圖;然后在雙閾值選取上,基于最大類間方差法構(gòu)建了灰度梯度映射函數(shù),確定了最佳的雙閾值;最后對二值邊緣圖進行雙閾值檢測和邊緣連接,從而實現(xiàn)對圖像的邊緣特征提取。

      從定性和定量兩方面的對比實驗表明,本文算法很好地解決了傳統(tǒng)Canny算法對噪聲圖像的去噪效果不佳,以及固定的雙閾值的問題,保存了連續(xù)完整的輪廓邊緣,算法的運行效率也較高。然而,本文算法也存在一些不足,在最大類間方差法的判別式中指數(shù)參數(shù)α的確定是一個問題,它的選取還可以進行更具體化的改進;另一個是針對邊緣提取的細節(jié)部分,比如圖像中角點部分的連接效果不佳,存在斷裂。今后的工作將在此基礎(chǔ)上進一步研究解決這兩個問題。

      猜你喜歡
      椒鹽高斯梯度
      小高斯的大發(fā)現(xiàn)
      一個改進的WYL型三項共軛梯度法
      一種自適應(yīng)Dai-Liao共軛梯度法
      天才數(shù)學(xué)家——高斯
      一類扭積形式的梯度近Ricci孤立子
      有限域上高斯正規(guī)基的一個注記
      椒鹽芝麻燒餅
      基于噪聲檢測的高密椒鹽噪聲自適應(yīng)濾波算法
      河南科技(2014年3期)2014-02-27 14:05:45
      素菜之美:椒鹽素食
      平邑县| 苏尼特右旗| 河源市| 雅江县| 体育| 商水县| 奇台县| 怀柔区| 慈利县| 台前县| 城固县| 剑阁县| 平乡县| 台东市| 昭苏县| 繁昌县| 同德县| 连平县| 德惠市| 黄石市| 永年县| 巩留县| 临邑县| 朝阳区| 宁强县| 临桂县| 金昌市| 东乡族自治县| 定西市| 社旗县| 榆中县| 贵阳市| 兴和县| 桐城市| 远安县| 三江| 九江县| 鹤峰县| 海伦市| 曲周县| 清原|