專利名稱：基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法，可用于圖像處理、計(jì)算機(jī)視覺、智能交通和工業(yè)自動(dòng)化檢測(cè)。
背景技術(shù)：
快速而準(zhǔn)確地檢測(cè)圖像邊緣在計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域，特別是工業(yè)制造，生物醫(yī)學(xué)，自動(dòng)化檢驗(yàn)和裝配等方面有著廣泛的應(yīng)用前景。目前在數(shù)字圖像處理中廣泛運(yùn)用的邊緣檢測(cè)方法有Robert算子邊緣檢測(cè)、Sobel算子邊緣檢測(cè)、Laplacian算子邊緣檢測(cè)以及Canny邊緣檢測(cè)，這幾種邊緣檢測(cè)方法的共同特點(diǎn)是使用數(shù)字圖像的一階或二階導(dǎo)數(shù)來檢測(cè)圖像的邊緣。對(duì)數(shù)字圖像而言，為了求取其一階或二階導(dǎo)數(shù)，就必須使用梯度算子模板，上述各種方式的差異就是采用了不同的梯度算子模板。
由于數(shù)字圖像中待檢測(cè)物體的邊緣可能處于各種方向，而梯度算子模板所能表示的方向是有限的，因此這些算法存在有向性，即不能對(duì)圖像中待檢測(cè)物體的不規(guī)則邊緣進(jìn)行有效的識(shí)別與檢測(cè)，而且如果為了使算法能夠檢測(cè)更多方向上的邊緣而增加梯度算子模板的數(shù)量，則必然會(huì)增加算法實(shí)現(xiàn)的復(fù)雜度以及在計(jì)算機(jī)上運(yùn)行算法所需的時(shí)間。
經(jīng)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，M.Y.Siyal等在2004年IEEE Region 10會(huì)議上(Volume A，21-24 Nov.2004 Page(s)447-450 Vol.1)發(fā)表了“A novelimage processing based approach for real-time road traffic applications”(一種新的基于圖像處理的方法用于實(shí)時(shí)道路交通領(lǐng)域)，該文中提出了形態(tài)學(xué)邊緣檢測(cè)的方式，具體方法為通過對(duì)灰度圖像進(jìn)行形態(tài)學(xué)處理來獲得圖像邊緣信息，此方法可以檢測(cè)各個(gè)方向的邊緣，增強(qiáng)了邊緣強(qiáng)度，同時(shí)降低了邊緣檢測(cè)的運(yùn)算量，其不足在于此方法在處理時(shí)會(huì)將圖像背景的灰度值增大從而影響后續(xù)的二值圖像處理，而且也沒有指出如何選擇合適的閾值來二值化圖像，因此造成目前在很多情況下都是根據(jù)經(jīng)驗(yàn)選擇一個(gè)閾值來分割圖像，因此具有很強(qiáng)的主觀性，而且降低了算法的廣泛適用性。盡管也有人提出使用最小平均分割誤差的方法來估計(jì)閾值，但此種方法需要使用概率密度函數(shù)以及進(jìn)行復(fù)雜的數(shù)學(xué)計(jì)算，因而不能滿足實(shí)際工業(yè)應(yīng)用場(chǎng)合中實(shí)時(shí)性和快速性的要求。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)現(xiàn)有邊緣檢測(cè)技術(shù)的不足和缺點(diǎn)，提出一種新的邊緣檢測(cè)方法——基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法，此方法通過形態(tài)學(xué)操作將邊緣信息的強(qiáng)度增加一倍，能夠有效地檢測(cè)圖像中物體各種可能方向上的邊緣，而且利用信息熵求取直方圖中最大信息量的方式得到最佳閾值來二值分割圖像，同時(shí)大幅降低了邊緣檢測(cè)的處理時(shí)間。
本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括以下步驟步驟一，將待檢測(cè)灰度圖像通過中值濾波去除噪聲影響；步驟二，對(duì)濾波后的圖像進(jìn)行形態(tài)學(xué)處理，即對(duì)灰度圖像分別進(jìn)行膨脹和腐蝕操作，然后將膨脹和腐蝕后所得到的兩幅圖像相減，得到邊緣信息增強(qiáng)的圖像；步驟三，求取相減后所得圖像的直方圖，利用信息熵原理，沿直方圖的橫軸對(duì)設(shè)定區(qū)域內(nèi)的灰度值求取其所表示的信息量，并找出最大的信息量所對(duì)應(yīng)的灰度值得到二值分割圖像的最佳閾值；步驟四，利用最佳閾值分割圖像，而后進(jìn)行細(xì)化操作，得到數(shù)字圖像中物體的邊緣。
所述的步驟一，是本發(fā)明的圖像預(yù)處理，很多情況下灰度圖像中都存在噪聲，因此先對(duì)其進(jìn)行中值濾波處理以去掉噪聲，同時(shí)也可保存圖像中的邊緣信息。另外為了降低處理時(shí)間，本發(fā)明采用可分離的二維中值濾波來處理圖像。
所述的步驟二，具體為首先選取一個(gè)結(jié)構(gòu)元素，即一個(gè)3×3的子圖像模板，模板中每個(gè)位置取相同的灰度值，然后利用這個(gè)模板從左到右，從上到下遍歷圖像中每一個(gè)像素并進(jìn)行形態(tài)學(xué)操作。具體來說，對(duì)于圖像中坐標(biāo)是(x，y)的像素，在膨脹處理時(shí)需要對(duì)模板范圍內(nèi)每一個(gè)像素加上結(jié)構(gòu)元素中對(duì)應(yīng)像素的灰度值，然后尋找模板內(nèi)的最大灰度值并作為像素(x，y)的灰度值；在腐蝕處理時(shí)則是對(duì)模板范圍內(nèi)每一個(gè)像素減去結(jié)構(gòu)元素中對(duì)應(yīng)像素的灰度值，然后尋找模板內(nèi)的最小灰度值并作為像素(x，y)的灰度值。這樣經(jīng)過膨脹和腐蝕操作后，就從原圖像得到兩幅不同的圖像，然后將這兩幅圖像對(duì)應(yīng)位置的像素相減即得到邊緣信息已增強(qiáng)的圖像。
所述的步驟三，具體為對(duì)邊緣信息已增強(qiáng)的圖像求取它的直方圖，然后在直方圖的橫軸上，對(duì)位于2倍結(jié)構(gòu)元素灰度值和最大灰度值255之間的每一個(gè)坐標(biāo)位置，利用信息熵原理計(jì)算每一個(gè)灰度值所表示的信息量，最后選擇其中最大的信息量所對(duì)應(yīng)的灰度值作為二值分割圖像的最佳閾值。
所述的步驟四，具體為利用獲得的最佳閾值分割邊緣信息已增強(qiáng)的圖像，即圖像中灰度值大于或等于閾值的像素的灰度值將置為最大值255，而灰度值小于閾值的像素的灰度值將置為最小值0。最后在進(jìn)行基于模板的細(xì)化操作，將圖像邊緣寬度細(xì)化，得到最終的邊緣檢測(cè)結(jié)果。
本發(fā)明的方法簡(jiǎn)單有效，它的關(guān)鍵在于對(duì)待檢測(cè)圖像進(jìn)行形態(tài)學(xué)處理，以及后采用最大信息熵方法來求取最佳閾值分割圖像。利用本發(fā)明進(jìn)行邊緣檢測(cè)，不僅對(duì)邊緣的方向性不敏感，而且還將邊緣信息的強(qiáng)度增加了一倍，同時(shí)二值化圖像所用的閾值是根據(jù)圖像本身特性計(jì)算得出而非經(jīng)驗(yàn)估計(jì)，因而減少了計(jì)算時(shí)間，同時(shí)提高了檢測(cè)精度。通過在灰度圖像中實(shí)驗(yàn)應(yīng)用及與其它方法的比較，說明了本發(fā)明可以在較短的時(shí)間內(nèi)成功檢測(cè)出圖像中的邊緣，其檢測(cè)效果優(yōu)于傳統(tǒng)方法，漏檢率也大大降低。


圖1為進(jìn)行邊緣檢測(cè)的原始灰度圖像。
圖2為本發(fā)明在進(jìn)行膨脹操作后的圖像圖3為本發(fā)明在進(jìn)行腐蝕操作后的圖像圖4為膨脹和腐蝕操作后圖像相減所得的圖像圖5為本發(fā)明在進(jìn)行圖像細(xì)化操作時(shí)定義的連通像素?cái)?shù)。
圖6為本發(fā)明在進(jìn)行圖像細(xì)化操作時(shí)定義的模板。
圖7為本發(fā)明邊緣檢測(cè)的結(jié)果圖。
具體實(shí)施例方式
為了更好地講解本發(fā)明的技術(shù)方案，以下結(jié)合附圖和實(shí)例作進(jìn)一步的詳細(xì)描述。
1.圖像預(yù)處理。為了保存圖像中的邊緣信息，使用中值濾波來去除圖像中的噪聲。同時(shí)為了降低處理時(shí)間，采用可分離的二維中值濾波來進(jìn)行操作，其具體步驟如下(1)確定一個(gè)一維中值濾波模板大小，如1×3(2)沿著水平方向?qū)D像中的每一行進(jìn)行中值濾波，即對(duì)濾波模板內(nèi)的像素按灰度值大小進(jìn)行排序，選擇位于中間的灰度值作為結(jié)果(3)沿著垂直方向?qū)D像中的每一列進(jìn)行中值濾波，方法同上2.對(duì)預(yù)處理后的圖像采用形態(tài)學(xué)處理操作——膨脹和腐蝕，并將結(jié)果相減。首先選擇結(jié)構(gòu)元素——3×3的子圖像模板，且結(jié)構(gòu)元素中各個(gè)位置的灰度值相同，記為b(x，y)。
用結(jié)構(gòu)元素b(x，y)對(duì)圖像I進(jìn)行灰度膨脹表示為Ib，定義為(Ib)(s，t)＝max{I(s-x，t-y)+b(x，y)|(s-x)，(t-y)∈DI；(x，y)∈Db}用結(jié)構(gòu)元素b(x，y)對(duì)圖像I進(jìn)行灰度腐蝕表示為Ib，定義為(Ib)(s，t)＝min{I(s+x，t+y)-b(x，y)|(s+x)，(t+y)∈Dl；(x，y)∈Db}其中Dl和Db分別是圖像I和結(jié)構(gòu)元素b(x，y)的定義域。
在圖像分別按上式進(jìn)行了膨脹和腐蝕操作之后，就將兩幅圖像相減，得到邊緣信息增強(qiáng)的圖像，如圖4所示。
3.求取圖像的直方圖，計(jì)算最大信息熵獲得最佳閾值。在獲得邊緣信息增強(qiáng)的圖像后，遍歷圖像中的各個(gè)像素得到直方圖。在經(jīng)過膨脹和腐蝕操作之后，此圖像的背景灰度值為2倍的結(jié)構(gòu)元素灰度值，因此在以此值為下限，以最大灰度值255為上限的范圍內(nèi)，依次求取每個(gè)灰度值Gn的信息熵。具體方法是(1)統(tǒng)計(jì)所有灰度值小于當(dāng)前所計(jì)算灰度值Gn的像素個(gè)數(shù)，記為NL(2)統(tǒng)計(jì)所有灰度值大于當(dāng)前所計(jì)算灰度值Gn的像素個(gè)數(shù)，記為NU(3)求取圖像中的像素總數(shù)，并計(jì)算上述兩種灰度分布出現(xiàn)的概率，即PL＝NL/NT；PU＝NU/NT(4)利用信息熵原理計(jì)算此灰度值Gn所表示的信息量In
In＝-(PL×log2PL+PU×log2PU)(5)對(duì)所有位于計(jì)算區(qū)間內(nèi)的灰度值按照(1)至(4)的步驟計(jì)算其信息量，然后在這些信息量中求取最大值(6)根據(jù)最大信息量獲得二值分割圖像的最佳閾值4.二值分割圖像并進(jìn)行細(xì)化操作得到邊緣圖像。根據(jù)上一步獲得的最佳閾值將圖像分割，即圖像中灰度值大于或等于閾值的像素的灰度值將置為最大值255，而灰度值小于閾值的像素的灰度值將置為最小值0，最后進(jìn)行基于模板的細(xì)化操作，細(xì)化需要用到像素連通數(shù)這個(gè)定義一個(gè)像素的連通數(shù)定義為順時(shí)針訪問它的8鄰域時(shí)數(shù)值的改變數(shù)(從1到0)，參見圖5，模板參見圖6，其細(xì)化步驟如下(1)在原圖像中找到匹配模板M1的像素(2)如果中心像素不是一個(gè)終點(diǎn)，并且具有連通數(shù)為1，則標(biāo)記此像素點(diǎn)以備后用(3)重復(fù)(1)，(2)步驟使所有像素點(diǎn)都進(jìn)行M1模板匹配(4)重復(fù)(1)，(2)，(3)步驟使其對(duì)M2，M3，M4模板均采取相同處理方法(5)如果任何像素點(diǎn)被標(biāo)記為后用，則改變其像素值為0(6)如果在(5)步中有任何像素值發(fā)生過改變，則從第一步開始重復(fù)整個(gè)過程，反之則結(jié)束。
在細(xì)化操作之后，就完成了邊緣檢測(cè)處理，得到了圖像中像素灰度有階躍變化的那些像素的集合，這些像素的集合就是所感興趣的邊緣，其具有最大灰度值255，而圖像中的背景則具有最小的灰度值0。最終所檢測(cè)出的圖像邊緣結(jié)果如圖7所示。
權(quán)利要求
1.一種基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法，其特征在于包括以下步驟步驟一，將待檢測(cè)灰度圖像通過中值濾波去除噪聲；步驟二，對(duì)濾波后的圖像進(jìn)行形態(tài)學(xué)處理，首先對(duì)灰度圖像分別進(jìn)行膨脹和腐蝕操作，然后將膨脹和腐蝕后所得到的兩幅圖像相減，得到邊緣信息增強(qiáng)的圖像；步驟三，求取相減后所得圖像的直方圖，利用信息熵原理，沿直方圖的橫軸對(duì)設(shè)定區(qū)域內(nèi)的灰度值求取其所表示的信息量，并找出最大的信息量所對(duì)應(yīng)的灰度值得到二值分割圖像的最佳閾值；步驟四，利用最佳閾值分割圖像，而后進(jìn)行細(xì)化操作，得到數(shù)字圖像中物體的邊緣。
2.根據(jù)權(quán)利要求1所述的基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法，其特征是，所述的步驟一，將待檢測(cè)灰度圖像通過中值濾波去除噪聲，同時(shí)保存圖像中的邊緣信息，采用可分離的二維中值濾波來處理圖像。
3.根據(jù)權(quán)利要求1所述的基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法，其特征是，所述的步驟二，具體為首先選取一個(gè)結(jié)構(gòu)元素，即一個(gè)3x3的子圖像模板，模板中每個(gè)位置取相同的灰度值，然后利用這個(gè)模板從左到右，從上到下遍歷圖像中每一個(gè)像素并進(jìn)行形態(tài)學(xué)操作，對(duì)于圖像中坐標(biāo)是(x，y)的像素，在膨脹處理時(shí)需要對(duì)模板范圍內(nèi)每一個(gè)像素加上結(jié)構(gòu)元素中對(duì)應(yīng)像素的灰度值，然后尋找模板內(nèi)的最大灰度值并作為像素(x，y)的灰度值；在腐蝕處理時(shí)則是對(duì)模板范圍內(nèi)每一個(gè)像素減去結(jié)構(gòu)元素中對(duì)應(yīng)像素的灰度值，然后尋找模板內(nèi)的最小灰度值并作為像素(x，y)的灰度值，這樣經(jīng)過膨脹和腐蝕操作后，就從原圖像得到兩幅不同的圖像，然后將這兩幅圖像對(duì)應(yīng)位置的像素相減得到邊緣信息已增強(qiáng)的圖像。
4.根據(jù)權(quán)利要求1所述的基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法，其特征是，所述的步驟三，具體為對(duì)邊緣信息已增強(qiáng)的圖像求取它的直方圖，然后在直方圖的橫軸上，對(duì)位于2倍結(jié)構(gòu)元素灰度值和最大灰度值255之間的每一個(gè)坐標(biāo)位置，利用信息熵原理計(jì)算每一個(gè)灰度值所表示的信息量，最后選擇其中最大的信息量所對(duì)應(yīng)的灰度值作為二值分割圖像的最佳閾值。
5.根據(jù)權(quán)利要求1所述的基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法，其特征是，所述的步驟四，具體為利用獲得的最佳閾值分割邊緣信息已增強(qiáng)的圖像，圖像中灰度值大于或等于閾值的像素的灰度值將置為最大值255，而灰度值小于閾值的像素的灰度值將置為最小值0，最后在進(jìn)行基于模板的細(xì)化操作，將圖像邊緣寬度細(xì)化，得到最終的邊緣檢測(cè)結(jié)果。
全文摘要
一種圖像處理技術(shù)領(lǐng)域的基于形態(tài)學(xué)和信息熵的自適應(yīng)邊緣檢測(cè)方法，具體為將待檢測(cè)灰度圖像通過中值濾波去除噪聲影響；對(duì)濾波后的圖像進(jìn)行形態(tài)學(xué)處理，即對(duì)灰度圖像分別進(jìn)行膨脹和腐蝕操作，然后將膨脹和腐蝕后所得到的兩幅圖像相減，得到邊緣信息增強(qiáng)的圖像；求取相減后所得圖像的直方圖，利用信息熵原理，沿直方圖的橫軸對(duì)一定區(qū)域內(nèi)的灰度值求取其所表示的信息量，并找出最大的信息量所對(duì)應(yīng)的灰度值得到二值分割圖像的最佳閾值；利用最佳閾值分割圖像，而后進(jìn)行細(xì)化操作，得到數(shù)字圖像中物體的邊緣。本發(fā)明因?yàn)槭鞘褂眯螒B(tài)學(xué)方法處理圖像，因而既可以增強(qiáng)邊緣信息的強(qiáng)度，又對(duì)邊緣的方向不敏感，從而有利于快速而準(zhǔn)確地檢測(cè)邊緣。
文檔編號(hào)G06T5/00GK1885317SQ20061002864
公開日2006年12月27日 申請(qǐng)日期2006年7月6日 優(yōu)先權(quán)日2006年7月6日
發(fā)明者王偉, 劉允才 申請(qǐng)人:上海交通大學(xué)