劉宇涵，閆河，陳早早，王瀟棠，黃駿濱

強(qiáng)噪聲下自適應(yīng)Canny算子邊緣檢測(cè)

劉宇涵，閆河*，陳早早，王瀟棠，黃駿濱

（重慶理工大學(xué) 兩江人工智能學(xué)院，重慶 401147）

針對(duì)傳統(tǒng)Canny算子不能有效濾除圖像在解碼處理和傳輸過(guò)程產(chǎn)生的椒鹽噪聲、無(wú)法保留邊緣細(xì)節(jié)的問(wèn)題，提出強(qiáng)噪聲下Canny算子圖像邊緣檢測(cè)算法。依據(jù)椒鹽噪聲的極值性、灰度差值性，將像元點(diǎn)劃分為噪聲點(diǎn)、疑似噪聲點(diǎn)；根據(jù)分類(lèi)之后的像元點(diǎn)自適應(yīng)地改變?yōu)V波器窗口的大小和權(quán)值，在降低噪聲影響的同時(shí)能較好地保留圖像細(xì)節(jié)。引入8個(gè)方向模板的 Sobel算子計(jì)算梯度幅值以提高濾波后的邊緣定位效果。使用迭代自適應(yīng)閾值算法與Otsu算法選擇最佳閾值，實(shí)現(xiàn)閾值自適應(yīng)設(shè)定，提高邊緣連接效果。實(shí)驗(yàn)結(jié)果表明：圖像去噪后的結(jié)構(gòu)相似度為0.949，峰值信噪比相較于傳統(tǒng)算法提升了10.97 dB。邊緣評(píng)價(jià)指標(biāo)提高27.2%，F(xiàn)1值提高了34.6%。該算法能有效去除椒鹽噪聲，具有更好的邊緣細(xì)節(jié)保護(hù)能力。

計(jì)算機(jī)視覺(jué)；邊緣檢測(cè)；圖像去噪；Canny算法；自適應(yīng)濾波；自適應(yīng)閾值

1 引　言

椒鹽噪聲屬于非線性噪聲，一般服從隨機(jī)分布，主要由圖像的極值組成。信號(hào)脈沖強(qiáng)度的隨機(jī)變化會(huì)引入椒鹽噪聲，它常產(chǎn)生于圖像采集、信道傳輸及解碼處理過(guò)程中［1］，會(huì)嚴(yán)重降低圖像質(zhì)量，不利于圖像目標(biāo)邊緣檢測(cè)的準(zhǔn)確性和完整性，導(dǎo)致圖像的后續(xù)分析和處理困難。圖像邊緣一般存在于灰度值變化較大的位置，且邊緣與噪聲信號(hào)一樣具有高頻特征，當(dāng)圖像中存在噪聲時(shí)，易將噪聲誤當(dāng)作邊緣或?qū)⑦吘壵`當(dāng)作噪聲，邊緣檢測(cè)常常變得很困難［2-3］。文獻(xiàn)［4］指出若噪聲較強(qiáng)，邊緣會(huì)出現(xiàn)粘連的情況，且偽邊緣數(shù)量隨著噪聲密度的增加而急劇增加。因此，在邊緣檢測(cè)時(shí)對(duì)圖像進(jìn)行去噪處理有著重要意義。1986年，Canny［5］提出一種名為Canny的邊緣檢測(cè)算法。傳統(tǒng)Canny算法雖易于運(yùn)行，但采用的濾波器為線性的高斯濾波，易受噪聲干擾，且對(duì)非線性的椒鹽噪聲處理效果不佳，會(huì)破壞圖像中原本的邊緣細(xì)節(jié)信息。邊緣檢測(cè)時(shí)對(duì)背景噪聲較為敏感，會(huì)出現(xiàn)邊緣細(xì)節(jié)丟失的情況，導(dǎo)致圖像處理效果不太理想［6-7］。文獻(xiàn)［8］指出傳統(tǒng)Canny算法易受光照影響等外界環(huán)境的影響，不能有效去除噪聲。文獻(xiàn)［9］和［10］指出傳統(tǒng)Canny算子閾值分割過(guò)程未考慮噪聲干擾，存在篩選過(guò)度問(wèn)題，導(dǎo)致檢測(cè)邊緣不完整，出現(xiàn)偽邊緣的情況。

近年來(lái)，學(xué)者們對(duì)Canny算法做出了不少改進(jìn)。文獻(xiàn)［11］提出中值濾波與均值濾波相結(jié)合的濾波方法抑制椒鹽噪聲，雖然適當(dāng)提高了Canny算法的抗噪性，減少了邊緣丟失現(xiàn)象，但在強(qiáng)噪情況下邊緣檢測(cè)的準(zhǔn)確性和完整度并不好。文獻(xiàn)［12］為減少噪聲引起的邊緣斷缺現(xiàn)象，提出了一種混合濾波器抑制噪聲，并使用最大類(lèi)間方差（Otsu）自適應(yīng)閾值法實(shí)現(xiàn)目標(biāo)邊緣的檢測(cè)。該方法對(duì)弱噪聲圖像目標(biāo)邊緣檢測(cè)具有一定效果，但所采用的混合濾波法易降低圖像質(zhì)量，最終導(dǎo)致目標(biāo)檢測(cè)的邊緣加粗。文獻(xiàn)［13］針對(duì)強(qiáng)噪聲下邊緣檢測(cè)任務(wù)采用平滑聚類(lèi)法抑制噪聲，考慮圖像的灰度變化及灰度信息自適應(yīng)求解閾值，采用軟閾值方法實(shí)現(xiàn)目標(biāo)邊緣像素的甄別，該方法對(duì)強(qiáng)噪聲圖像目標(biāo)邊緣檢測(cè)具有較好的性能，但在微小目標(biāo)密集區(qū)域易把噪聲點(diǎn)誤判為邊緣。

用線性濾波方法無(wú)法有效抑制非線性噪聲。為更好地抑制椒鹽噪聲，減少去噪引起的圖像模糊，保護(hù)邊緣細(xì)節(jié)，本文利用椒鹽噪聲的極值性及差值性，將像素點(diǎn)分為疑似噪聲點(diǎn)及噪聲點(diǎn)，抑制部分噪聲，再采用自適應(yīng)模糊中值濾波（Adaptive Fuzzy Median Filter， AFFM）代替?zhèn)鹘y(tǒng)Canny算子的高斯濾波器對(duì)圖像進(jìn)行卷積操作，保留圖像細(xì)節(jié)，同時(shí)去除噪聲。為準(zhǔn)確捕捉細(xì)微邊緣信息，本文引入八方向5×5算子模板實(shí)現(xiàn)目標(biāo)特征點(diǎn)的檢測(cè)，再通過(guò)非極大值抑制、自適應(yīng)閾值迭代算法和最大類(lèi)間方差法（Otsu）實(shí)現(xiàn)目標(biāo)邊緣像素點(diǎn)的準(zhǔn)確甄別。該方法在噪聲環(huán)境下提高了圖像邊緣檢測(cè)的完整度，可去除噪聲并保留邊緣細(xì)節(jié)，為后續(xù)圖像處理提供邊緣完整、連接度高的邊緣圖像。

2 改進(jìn)的Canny邊緣檢測(cè)算法

傳統(tǒng)Canny算法使用高斯濾波對(duì)圖像進(jìn)行處理，而高斯濾波是線性濾波，無(wú)法有效抑制圖像中出現(xiàn)的非線性噪聲；并且自適應(yīng)性差，需人為更改高斯濾波窗口的尺寸，再通過(guò)實(shí)驗(yàn)測(cè)試使性能達(dá)到最佳。所以在傳統(tǒng)算法中，濾波窗口是人為固定，不能兼顧去噪的效果及保存圖像邊緣細(xì)節(jié)［14］；使用2×2的鄰域計(jì)算梯度幅值，該方法檢測(cè)方向較少，容易遺漏真實(shí)邊緣，同時(shí)對(duì)噪聲敏感，因此易檢測(cè)到虛假邊緣［15］；非極大值抑制后，高、低閾值需要憑借經(jīng)驗(yàn)人為選取。

本文為提高邊緣檢測(cè)算法對(duì)噪聲的抑制能力、自適應(yīng)性以及邊緣連接能力，在已有方法基礎(chǔ)上提出了強(qiáng)噪聲下Canny算子邊緣檢測(cè)算法。

2.1　自適應(yīng)模糊中值濾波

自適應(yīng)模糊中值濾波的運(yùn)行過(guò)程包括噪聲點(diǎn)檢測(cè)、模糊加權(quán)函數(shù)構(gòu)建及自適應(yīng)模糊中值濾波的實(shí)現(xiàn)。

211噪聲點(diǎn)檢測(cè)

自然圖像的像素灰度通常為持續(xù)漸變的梯度，椒鹽噪聲點(diǎn)的灰度值是正常像素值與噪聲值疊加在一起的。為了保護(hù)圖像細(xì)節(jié)特征，需區(qū)分出椒鹽噪聲點(diǎn)、疑似噪聲點(diǎn)，為進(jìn)一步濾波操作準(zhǔn)備。椒鹽噪聲具有極值性，其灰度值與圖像灰度極值相近，但僅憑這一判斷依據(jù)進(jìn)行噪聲點(diǎn)檢測(cè)還是不夠精準(zhǔn)，需將灰度平滑區(qū)域納入考慮范圍。

本文基于下述基礎(chǔ)理論，提出一種椒鹽噪聲檢測(cè)方法。

（1）圖像平滑區(qū)域通常被邊緣劃分，且區(qū)域內(nèi)一般為正常像素點(diǎn)；

（2）通過(guò)分析圖像灰度值，發(fā)現(xiàn)椒鹽噪聲點(diǎn)通常表現(xiàn)為灰度值的極大值或極小值。

根據(jù)以上推理，可建立判斷椒鹽噪聲及疑似噪聲點(diǎn)的數(shù)學(xué)模型，具體表示如下：

212模糊加權(quán)函數(shù)

213自適應(yīng)濾波

若是能在進(jìn)行卷積的同時(shí)判斷圖像各區(qū)域噪聲污染的程度即卷積窗口內(nèi)疑似噪聲點(diǎn)數(shù)量，根據(jù)噪聲污染程度選擇適宜的窗口執(zhí)行濾波處理，從理論程度上減少了時(shí)間復(fù)雜度的同時(shí)提升了濾波質(zhì)量。

若圖中噪聲密度較大，濾波窗口中可能存在大量噪聲點(diǎn)。所以本文先進(jìn)行噪聲點(diǎn)檢測(cè)，將窗口內(nèi)部異常點(diǎn)全部進(jìn)行了剔除處理，留下窗口疑似噪聲點(diǎn)全部進(jìn)行了濾波處理，盡可能地保持圖像原始灰度特征。同時(shí)，采用模糊加權(quán)函數(shù)來(lái)逼近窗體中心像素點(diǎn)的灰度值，以避免噪聲點(diǎn)對(duì)像素中值濾波產(chǎn)生的干擾。

對(duì)Lena圖進(jìn)行濾波操作（非局部濾波），計(jì)算出灰度等級(jí)直方圖，選取高峰、低峰進(jìn)行分析比較，如圖1所示。定義圖1中左上方區(qū)域?yàn)閰^(qū)域1，另一個(gè)區(qū)域?yàn)閰^(qū)域2。圖1（b）為中值濾波處理結(jié)果，區(qū)域1及區(qū)域2對(duì)比原圖，灰度有較大的區(qū)別，由此表明，中值濾波破壞了整體的穩(wěn)定性，并損壞了圖像的梯度結(jié)構(gòu)。圖1（c）的兩區(qū)域相較于圖1（a），1（b）中的灰度增強(qiáng)效果一般，濾掉了大量圖像灰度特征，但圖像梯度保持較好，并提高了圖像對(duì)比度，其灰度特征與圖1（a）相似。圖1（d）使用一種混合濾波器和改進(jìn)的均值濾波器同時(shí)對(duì)圖像進(jìn)行濾波，區(qū)域1與圖1（a）相比圖像的增強(qiáng)效果較弱，改變了圖像的灰度特征，加強(qiáng)了圖像對(duì)比度差值。區(qū)域2的梯度出現(xiàn)過(guò)平滑現(xiàn)象，與圖1（a）比較梯度明顯平緩。圖1（e）使用中值濾波與均值濾波相結(jié)合的方法對(duì)圖像進(jìn)行濾波，區(qū)域1、區(qū)域2較圖1（a）基本失去了原有灰度特征，因采用了兩種結(jié)合的濾波器，圖像失真明顯，相較于圖1（b），1（d），圖像增強(qiáng)的幅值并不大，但對(duì)比度有明顯提升。圖1（f）為本文使用的自適應(yīng)模糊中值濾波算法得到的灰度直方圖，區(qū)域1和區(qū)域2與圖1相比未出現(xiàn)較大的梯度劇變情況，良好地保持了原圖的灰度特征，較大程度地保留了原圖細(xì)節(jié)。

圖1　不同檢測(cè)方法得到的Lena灰度直方圖

2.2　八方向梯度幅值計(jì)算方法

Canny算法使用傳統(tǒng)Sobel算子，僅考慮兩方向的梯度信息，無(wú)法魯棒地分析圖像，易被噪聲干擾。對(duì)于圖像邊緣方向特征考慮較少，常丟失部分邊緣細(xì)節(jié)［16］。

為減少噪聲對(duì)圖像的影響，并增強(qiáng)輪廓線條檢測(cè)，保留邊緣細(xì)節(jié)，本文采用八方向的邊緣檢測(cè)算子對(duì)圖像邊緣進(jìn)行檢測(cè)，分別為0°，22.5°，45°，67.5°，90°，112.5°，135°和157.5°［17］。

邊緣檢測(cè)模板如式（12）所示：

2.3　自適應(yīng)迭代法閾值與Otsu 算法結(jié)合確定閾值

在傳統(tǒng)Canny算子中，需通過(guò)實(shí)驗(yàn)檢驗(yàn)設(shè)置合理的閾值，缺乏自適應(yīng)性。高、低閾值的選取直接決定了檢測(cè)邊緣的多少，并對(duì)邊緣的連續(xù)性有較大影響。為了盡可能保留圖像各區(qū)域的邊緣細(xì)節(jié)，有效抑制偽邊緣，本文提出一種將迭代法與Otsu法相結(jié)合求閾值的計(jì)算方法。Otsu的基本思想是選取一個(gè)最優(yōu)閾值，使得該閾值分割得到的兩類(lèi)間具有最佳的分離性。迭代法的基本思想是由圖像的灰度性質(zhì)選擇一個(gè)閾值作為初始閾值，按規(guī)則更新閾值，最終達(dá)到最優(yōu)效果為止。流程如下：

為盡可能獲得更多圖像邊緣細(xì)節(jié)，本文算法取兩閾值中的較小值，可得到圖像更多細(xì)節(jié)，方便后續(xù)圖像進(jìn)行目標(biāo)檢測(cè)等進(jìn)一步操作。

以汽車(chē)銘牌圖像為例，選取引言中文獻(xiàn)［11］以及文獻(xiàn)［13］進(jìn)行比較，因其他文獻(xiàn)在閾值選取部分大多使用Otsu閾值分割法，與文獻(xiàn)［11］和［13］中使用的方法重復(fù)，在此不進(jìn)行對(duì)比。閾值計(jì)算為全局計(jì)算。

邊緣檢測(cè)結(jié)果如圖2所示，圖2（b）區(qū)域1除邊緣存在較多噪點(diǎn)外，整體輪廓清晰，偶爾有斷連現(xiàn)象；區(qū)域2的關(guān)鍵信息與背景灰度差值較小，易受噪聲影響，所以出現(xiàn)大量偽邊緣。算法缺乏對(duì)復(fù)雜背景情況下疑似噪聲點(diǎn)區(qū)域的有效處理能力。圖2（c）區(qū)域1出現(xiàn)連接斷裂現(xiàn)象，因?yàn)槲墨I(xiàn)［13］獲取到的閾值較高，導(dǎo)致銘牌的邊緣細(xì)節(jié)丟失；區(qū)域2雖對(duì)比圖2（b）區(qū)域2的檢測(cè)效果有所提升，但未有效抑制偽邊緣。文獻(xiàn)［13］算法對(duì)圖像背景中疑似噪聲點(diǎn)區(qū)域具有較好的處理效果，但缺乏保留銘牌各區(qū)域邊緣細(xì)節(jié)的能力。圖2（d）區(qū)域1的邊緣細(xì)節(jié)保留完整，未出現(xiàn)邊緣斷連現(xiàn)象，區(qū)域2部分對(duì)背景中疑似噪點(diǎn)區(qū)域具有較好的處理效果，邊緣檢測(cè)效果好于前兩種算法。

2.4　邊緣檢測(cè)過(guò)程

本文算法的具體檢測(cè)流程如下：

Step7.判斷是否所有像素點(diǎn)完成濾波，若均已完成則轉(zhuǎn)至Step8；否則移動(dòng)窗口，轉(zhuǎn)至Step2；

Step8.使用八方向的邊緣檢測(cè)算子對(duì)圖像邊緣進(jìn)行檢測(cè)，完成非極大值抑制，之后轉(zhuǎn)至Step9；

Step9.計(jì)算Otus閾值及迭代法閾值，選取較小值作為分割閾值。

3 實(shí)驗(yàn)及結(jié)果分析

3.1　算法有效性實(shí)驗(yàn)

為驗(yàn)證本文算法的有效性，將本文算法與傳統(tǒng)Canny算法、文獻(xiàn)［11］、文獻(xiàn)［12］、文獻(xiàn)［13］算法比較。在圖像中加入密度為10%，50%的椒鹽噪聲，實(shí)驗(yàn)結(jié)果如圖3～圖4所示。

圖3　10%噪聲污染圖像及各種算法的處理結(jié)果

圖4　50%噪聲污染圖像及各種算法的處理結(jié)果

由圖可知，使用傳統(tǒng)Canny算法邊緣檢測(cè)的圖像存在大量的偽邊緣。當(dāng)椒鹽噪聲密度較大時(shí)，傳統(tǒng)Canny算法無(wú)法有效檢測(cè)邊緣。文獻(xiàn)［11］算法提取的邊緣圖像相對(duì)于Canny算法的噪聲明顯減少，因文獻(xiàn)［11］對(duì)濾波窗口排序，改變了圖像本身的梯度結(jié)構(gòu)及灰度排序，使得圖像產(chǎn)生較多偽邊緣，同時(shí)因閾值處理方式的缺陷產(chǎn)生邊緣斷裂現(xiàn)象。圖3～圖4為文獻(xiàn)［12］算法的處理結(jié)果，該算法采用混合濾波器。相比于前兩種算法，邊緣的連接程度有所提升。該算法舍棄圖像的最大最小像素值，雖在一定程度上消除了椒鹽噪聲，但改變圖像本身的灰度特性，濾波后圖像邊緣加粗，導(dǎo)致圖像真實(shí)邊緣缺失。文獻(xiàn)［13］相較于Canny算法的去噪效果有所提升，但噪聲點(diǎn)仍大量存在，干擾圖像的邊緣顯示，未將圖像邊緣進(jìn)行獨(dú)立分割，該算法對(duì)密度較高的椒鹽噪聲的去噪效果不佳。本文算法相較于其他算法，視覺(jué)效果更好，不僅去除了噪聲對(duì)圖像邊緣的影響，且圖像邊緣細(xì)節(jié)較好，未出現(xiàn)斷連現(xiàn)象，與背景有明確的區(qū)分。該算法在密度較高的椒鹽噪聲下能準(zhǔn)確地檢測(cè)出真實(shí)邊緣，同時(shí)偽邊緣相較于其余4種算法更少，圖像邊緣更為清晰。

3.2　算法客觀指標(biāo)評(píng)價(jià)實(shí)驗(yàn)

為避免實(shí)驗(yàn)中出現(xiàn)單一指標(biāo)的誤差，進(jìn)一步證明本文提出的濾波方法的有效性，統(tǒng)計(jì)Canny算法所用濾波、文獻(xiàn)［11］、文獻(xiàn)［12］、文獻(xiàn)［13］算法及本文算法的結(jié)構(gòu)相似度（Structural Similarity，SSIM）以及峰值信噪比（Peak Signal to Noise Ratio，PSNR）［18］，作為分析對(duì)比的依據(jù)。本文使用含椒鹽噪聲的512×512 Lena、631×364的銘牌、224×223的House和512×512的Cameraman等自然圖像進(jìn)行測(cè)試。理想情況下，濾波未改變圖像灰度梯度及灰度值的情況下，SSIM等于1；當(dāng)圖像變化較大時(shí)，SSIM趨近于0。從表1和表2可以看出，本文的SSIM和PSNR數(shù)值均好于其他算法，去噪效果最好，圖像中的噪聲明顯被抑制，細(xì)節(jié)保留較為完整，且圖像失真較小。

表1降噪前后圖像的峰值信噪比

Tab.1　PSNR values of noised and denoised images （dB）

表2降噪前后圖像的結(jié)構(gòu)相似度

Tab.2　SSIM values of noised and denoised images

為更加直觀測(cè)試本文算法的執(zhí)行效果，同時(shí)測(cè)試本文改進(jìn)算法在不同噪聲下的通用性，采用文獻(xiàn)［19］中提出的邊緣檢測(cè)量化方法進(jìn)行綜合評(píng)價(jià)。該算法為基于連通成分的邊緣評(píng)價(jià)方法，，與的比值表示邊緣連接的完整性，比值越小邊緣連接的完整度越高。

統(tǒng)計(jì)椒鹽噪聲（10%）、高斯白色噪聲（var=0.1）、泊松噪聲（由輸入圖像決定）、斑點(diǎn)噪聲（var=0.1）下傳統(tǒng)Canny算法、文獻(xiàn)［11］、文獻(xiàn)［12］、文獻(xiàn)［13］算法和本文算法的邊緣評(píng)價(jià)數(shù)值。本文對(duì)8幅真實(shí)圖像進(jìn)行實(shí)驗(yàn)測(cè)試，結(jié)果如圖5所示。在不同噪聲環(huán)境下文獻(xiàn)［11］、［12］的邊緣完整度近似，但文獻(xiàn)［12］的邊緣完整度不如文獻(xiàn)［11］。在對(duì)House圖進(jìn)行實(shí)驗(yàn)時(shí)，因選取的House圖的背景較為單調(diào)，文獻(xiàn)［12］的邊緣檢測(cè)評(píng)價(jià)數(shù)值更好，檢測(cè)結(jié)果與前文分析結(jié)果一致。在不同噪聲下文獻(xiàn)［11］的效果最差，其主要原因?yàn)閷?duì)噪聲的適應(yīng)性較差，未能良好地去除噪聲。本文算法對(duì)含高斯白色噪聲的圖像邊緣檢測(cè)評(píng)價(jià)表現(xiàn)略差，因高斯白色噪聲為線性噪聲，非線性濾波器不能較好地抑制。本算法可對(duì)孤立噪聲點(diǎn)進(jìn)行檢測(cè)，所以在含椒鹽噪聲或斑點(diǎn)噪聲環(huán)境具有良好的邊緣檢測(cè)效果，對(duì)不同噪聲具有普適性。

圖5　邊緣連接完整度評(píng)價(jià)結(jié)果

本文算法的邊緣檢測(cè)綜合評(píng)價(jià)高于其他文獻(xiàn)。與傳統(tǒng)Canny算法相比，本文算法的/和/值均接近傳統(tǒng)Canny算法，進(jìn)一步證明本算法保留了傳統(tǒng)Canny算法的優(yōu)良性能。本算法能對(duì)去噪后的圖像保留邊緣細(xì)節(jié)，同時(shí)對(duì)圖像的邊緣檢測(cè)完整度有較好的提升，整體算法的邊緣完整度較高。

為了充分證明本文算法對(duì)不同噪聲密度圖像邊緣檢測(cè)性能的優(yōu)越性，客觀地評(píng)估算法性能，選取BSDS500［20］作為數(shù)據(jù)集。該數(shù)據(jù)集包含500幅不同場(chǎng)景的實(shí)體圖像，并含有對(duì)應(yīng)的GT圖使用F1值（F-measure）對(duì)算法進(jìn)行評(píng)估，F(xiàn)1值越高說(shuō)明越接近真實(shí)GT圖。計(jì)算各類(lèi)算法在含10%～50%椒鹽噪聲和不含噪聲時(shí)的F1值，結(jié)果如表3所示。無(wú)論是含噪圖像還是不含噪聲圖像，本文算法的F1值表現(xiàn)均優(yōu)于其他算法。在含噪10%的條件下，本文算法的F1值分別高于Canny算法、文獻(xiàn)［11］、文獻(xiàn)［12］、文獻(xiàn)［13］算法34.6%，11.7%，6.9%，8.6%。含噪條件從10%變?yōu)?0%后，Canny算法、文獻(xiàn)［11］、文獻(xiàn)［12］、文獻(xiàn)［13］算法及本文算法的F1均值分別下降了0.081 719，0.062 606，0.057 119，0.160 906，0.054 879。綜上所述，本文算法的F1值評(píng)價(jià)指標(biāo)表現(xiàn)最佳，表明算法對(duì)噪聲具有良好的魯棒性。

表3無(wú)噪聲和含噪聲時(shí)500幅測(cè)試圖像的平均F1值

Tab.3　Average F-measure of 500 images at noise-free and noise cases

4 結(jié)　論

針對(duì)傳統(tǒng)Canny算子無(wú)法有效抑制椒鹽噪聲且無(wú)法保留邊緣細(xì)節(jié)的問(wèn)題，本文提出了一種噪聲點(diǎn)檢測(cè)方法，將高斯濾波替換為自適應(yīng)模糊中值濾波，采用八方向梯度計(jì)算幅值，盡可能地考慮邊緣方向特征以及通過(guò)自適應(yīng)閾值完成邊緣的連接。以自然圖像為例，去噪后圖像的PSNR相較于其他算法提升了0.13～10.97 dB，與原圖相比SSIM達(dá)0.949，對(duì)各類(lèi)噪聲邊緣評(píng)價(jià)指標(biāo)及F1值表現(xiàn)均優(yōu)于其他算法。實(shí)驗(yàn)結(jié)果表明，本文改進(jìn)的Canny算法能去除椒鹽噪聲，抑制偽邊緣的產(chǎn)生，有效保留圖像的邊緣細(xì)節(jié)，為圖像后續(xù)的目標(biāo)區(qū)域識(shí)別等操作提供了準(zhǔn)確的輪廓邊緣信息。

［1］ 孫海英. 圖像高斯噪聲及椒鹽噪聲去噪算法研究［D］. 上海：復(fù)旦大學(xué)， 2012.

SUN H Y.［D］. Shanghai： Fudan University， 2012. （in Chinese）

［2］ 李彥，趙其峰，閆河，等. Canny算子在PCBA目標(biāo)邊緣提取中的優(yōu)化應(yīng)用［J］. 光學(xué)精密工程， 2020， 28（9）： 2096-2102.

LI Y， ZHAO Q F， YAN H，. Optimized application of canny operator in PCBA target edge extraction［J］.， 2020， 28（9）： 2096-2102. （in Chinese）

［3］ 溫廣瑞，徐斌，張志芬，等. 基于差商的油液監(jiān)測(cè)鐵譜圖像自適應(yīng)分割［J］. 光學(xué)精密工程， 2017， 25（5）： 1322-1330.

WEN G R， XU B， ZHANG ZH F，. Self-adaptive segmentation of oil monitoring ferrographic image based on difference quotient［J］.， 2017， 25（5）： 1322-1330. （in Chinese）

［4］ 閆河，趙其峰，謝敏，等. 自適應(yīng)Canny算子PCBA元器件邊緣檢測(cè)及修復(fù)［J］. 光學(xué)學(xué)報(bào)， 2021， 41（5）： 97-104.

YAN H， ZHAO Q F， XIE M，. Edge detection and repair of PCBA components based on adaptive canny operator［J］.， 2021， 41（5）： 97-104. （in Chinese）

［5］ CANNY J. A computational approach to edge detection［J］.， 1986， 8（6）： 679-698.

［6］ SUN T， GAO C Z. An improved canny edge detection algorithm［J］.， 2013， 291/292/293/294： 2869-2873.

［7］ 王冬云，唐楚，鄂世舉，等. 基于導(dǎo)向?yàn)V波Retinex和自適應(yīng)Canny的圖像邊緣檢測(cè)［J］. 光學(xué)精密工程， 2021， 29（2）： 443-451.

WANG D Y， TANG CH， E SH J，. Image edge detection based on guided filter Retinex and adaptive Canny［J］.， 2021， 29（2）： 443-451. （in Chinese）

［8］ 劉慶民，張蕾，李雪. 基于改進(jìn)Canny的芯片圖像邊緣檢測(cè)算法［J］. 計(jì)算機(jī)工程與設(shè)計(jì)， 2016， 37（11）： 3063-3067， 3117.

LIU Q M， ZHANG L， LI X. Chip image edge detection based on improved Canny algorithm［J］.， 2016， 37（11）： 3063-3067， 3117. （in Chinese）

［9］ 羅文婷，李中軼，李林，等. 基于改進(jìn)Canny算法的道路標(biāo)線自動(dòng)識(shí)別及定位［J］. 西南交通大學(xué)學(xué)報(bào)， 2018， 53（6）： 1253-1260.

LUO W T， LI ZH Y， LI L，. Automated lane marking identification based on improved canny edge detection algorithm［J］.， 2018， 53（6）： 1253-1260. （in Chinese）

［10］ 段紅燕，邵豪，張淑珍，等. 一種基于Canny算子的圖像邊緣檢測(cè)改進(jìn)算法［J］. 上海交通大學(xué)學(xué)報(bào)， 2016， 50（12）： 1861-1865.

DUAN H Y， SHAO H， ZHANG SH ZH，. An improved algorithm for image edge detection based on canny operator［J］.， 2016， 50（12）： 1861-1865. （in Chinese）

［11］ 段鎖林，殷聰聰，李大偉. 改進(jìn)的自適應(yīng)Canny邊緣檢測(cè)算法［J］. 計(jì)算機(jī)工程與設(shè)計(jì)， 2018， 39（6）： 1645-1652.

DUAN S L， YIN C C， LI D W. Improved adaptive Canny edge detection algorithm［J］.， 2018， 39（6）： 1645-1652. （in Chinese）

［12］ 李長(zhǎng)有，陳國(guó)璽，丁云晉. 改進(jìn)Canny算子的邊緣檢測(cè)算法［J］. 小型微型計(jì)算機(jī)系統(tǒng)， 2020， 41（8）： 1758-1762.

LI CH Y， CHEN G X， DING Y J. Improved edge detection algorithm for Canny operator［J］.， 2020， 41（8）： 1758-1762. （in Chinese）

［13］ 黃慧，董林鷺，何建華，等. 強(qiáng)噪聲下改進(jìn)Canny算法的邊緣檢測(cè)［J］. 計(jì)算機(jī)技術(shù)與發(fā)展， 2021， 31（1）： 83-87.

HUANG H， DONG L L， HE J H，. Edge detection of an improved canny algorithm under strong noise［J］.， 2021， 31（1）： 83-87. （in Chinese）

［14］ 卞桂平，秦益霖. 基于Canny算法的自適應(yīng)邊緣檢測(cè)方法［J］. 電子設(shè)計(jì)工程， 2017， 25（10）： 53-56， 60.

BIAN G P， QIN Y L. An adaptive edge-detection method based on Canny algorithm［J］.， 2017， 25（10）： 53-56， 60. （in Chinese）

［15］ 王芳，滿益云. 基于模糊中值濾波的椒鹽噪聲去除方法［J］. 模糊系統(tǒng)與數(shù)學(xué)， 2012， 26（1）： 166-174.

WANG F， MAN Y Y. Salt-and-pepper noise removal based on fuzzy Median filtering［J］.， 2012， 26（1）： 166-174. （in Chinese）

［16］ 朱寒，林麗，陳德全，等. 基于多方向改進(jìn)Sobel算子的PCB圖像定位校正方法［J］. 電子測(cè)量與儀器學(xué)報(bào)， 2019， 33（9）： 121-128.

ZHU H， LIN L， CHEN D Q，. PCB image orientation rectification method based on multi-directional improved Sobel operator［J］.， 2019， 33（9）： 121-128. （in Chinese）

［17］ 鄭英娟，張有會(huì)，王志巍，等. 基于八方向Sobel算子的邊緣檢測(cè)算法［J］. 計(jì)算機(jī)科學(xué)， 2013， 40（S2）： 354-356.

ZHENG Y J， ZHANG Y H， WANG ZH W，. Edge detection algorithm based on the eight directions sobel operator［J］.， 2013， 40（S2）： 354-356. （in Chinese）

［18］ WANG Z， BOVIK A C， SHEIKH H R，. Image quality assessment： from error visibility to structural similarity［J］.， 2004， 13（4）： 600-612.

［19］ 林卉，舒寧，趙長(zhǎng)勝. 一種新的基于連通成分的邊緣評(píng)價(jià)方法［J］. 國(guó)土資源遙感， 2003， 15（3）： 37-40.

LIN H， SHU N， ZHAO CH SH. A new edge evaluation method based on connection components［J］.， 2003， 15（3）： 37-40. （in Chinese）

［20］ ARBELáEZ P， MAIRE M， FOWLKES C，. Contour detection and hierarchical image segmentation［J］.， 2011， 33（5）： 898-916.

Adaptive Canny operator edge detection under strong noise

LIU Yuhan，YAN He*，CHEN Zaozao，WANG Xiaotang，HUANG Junbin

（，，401147，），：163

The traditional Canny operator cannot effectively filter out the salt and pepper noise generated during the decoding process and transmission of an image， and cannot retain the edge details. To overcome this， an improved Canny operator image edge detection algorithm for operation under strong noise was proposed. According to the extreme value and gray difference of salt and pepper noise， the pixel points were divided into noise points and suspected noise points. The size and weight of the filter window were adaptively changed according to the pixel points after classification， which could reduce the influence of noise while retaining the image details. Then， the Sobel operators for eight directional templates were introduced to calculate the gradient amplitude to improve the edge positioning effect after filtering. Finally， iterative adaptive threshold algorithm and Otsu algorithm were used to select the best threshold to achieve adaptive threshold setting and improve the edge connection effect. The results of the comparative experiment show that after denoising the noisy image， the structural similarity is 0.949， the peak signal-to-noise ratio is increased by 10.97 dB compared with the traditional algorithm， the average edge evaluation is increased by 27.2%， and the F1 value is increased by 34.6%. The proposed algorithm retains the excellent performance of the Canny operator， can effectively remove salt and pepper noise， and has better edge detail protection capabilities.

computer vision； edge detection； image denoise； Canny operator； adaptive filter； adaptive threshhold

TP394.1；TH691.9

A

10.37188/OPE.20223003.0350

1004-924X（2022）03-0350-13

2021-07-01；

2021-08-31.

國(guó)家重點(diǎn)研發(fā)計(jì)劃“智能機(jī)器人”重點(diǎn)專(zhuān)項(xiàng)項(xiàng)目（No.2018YFB1308602）；國(guó)家自然科學(xué)基金面上項(xiàng)目（No. 61173184）；重慶市自然科學(xué)基金資助項(xiàng)目（No. cstc2018jcyjAX0694）

劉宇涵（1997），男，重慶忠縣人，碩士研究生，2020年于南京工業(yè)大學(xué)獲得學(xué)士學(xué)位，主要從事機(jī)器視覺(jué)及圖像處理的研究。E-mail：zxlyh1997@2020.cqut.edu.cn

閆河（1972），男，陜西勉縣人，博士，教授，碩士生導(dǎo)師，主要從事圖像多尺度幾何分析、目標(biāo)跟蹤、模式識(shí)別等的研究。E-mail：cqyanhe@163.com