一種霧霾天氣交通圖像邊緣檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種霧霾天氣交通圖像邊緣檢測方法
【背景技術(shù)】
[0002] 隨著數(shù)字圖像采集技術(shù)和處理技術(shù)的飛速發(fā)展，圖像已成為人們獲取信息的重要 信息，而圖像的邊緣信息包含了圖像中的大量信息，例如相機的人臉捕捉等都是基于對圖 像邊緣的檢測的研究。圖像邊緣的檢測是機器視覺和圖像處理的重要部分。
[0003] 霧霾天氣導(dǎo)致能見度降低，給人們的日常生活和出行帶來很大影響，也給交通事 故的發(fā)生留下了隱患。而且霧霾天氣所導(dǎo)致的圖像降質(zhì)，圖像離焦模糊對原有的圖像邊緣 檢測算法提出了更高的要求。而利用圖像邊緣檢測算法對霧霾天氣下獲得的降質(zhì)的交通圖 像進行處理，能夠獲得大量的有用信息。因此，對霧霾天氣下交通圖像邊緣檢測是十分有意 義的。
[0004] 傳統(tǒng)的圖像邊緣檢測都是根據(jù)已有的邊緣檢測算子如Robert邊緣檢測算子、 Sobel邊緣檢測算子、Prewitt邊緣檢測算子、Laplace邊緣檢測算子等。這些邊緣檢測算 子圖像紋理簡單，干擾噪聲比較小的理想情況下能夠?qū)崿F(xiàn)對大多數(shù)圖像的邊緣提取，但是 在實際中對于霧霾天氣下獲得降質(zhì)圖像，傳統(tǒng)的邊緣檢測算子由于檢測方向有限、受噪聲 影響較大等嚴重缺陷，出現(xiàn)邊緣檢測不準(zhǔn)確難以滿足對霧霾天氣下交通圖像邊緣檢測的要 求。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種霧霾天氣交通圖像邊緣檢測方法，以克服上述現(xiàn)有技 術(shù)存在的缺陷，本發(fā)明采用八方向圖像邊緣檢測算子，能夠檢測多個方向的圖像邊緣，改善 了傳統(tǒng)邊緣檢測算子只對水平和垂直方向敏感，其他方向不敏感的不足，提高了新邊緣檢 測算子的性能，使其獲得的圖像邊緣定位比較準(zhǔn)確，具有良好的檢測精度。
[0006] 為達到上述目的，本發(fā)明采用如下技術(shù)方案：
[0007] -種霧霾天氣交通圖像邊緣檢測方法，包括以下步驟：
[0008] 步驟1 :獲取霧霾天氣下交通圖像；
[0009] 步驟2 :對步驟1中獲得的交通圖像進行高斯濾波處理；
[0010] 步驟3 :采用八方向邊緣檢測算子對步驟2中經(jīng)過高斯濾波處理的交通圖像進行 邊緣檢測，獲得圖像的粗邊緣；
[0011] 步驟4 :采用邊緣細化算子對經(jīng)過步驟3處理后的交通圖像進行邊緣檢測，得到圖 像的細邊緣。
[0012] 進一步地，步驟2中采用零均值離散高斯函數(shù)進行高斯濾波處理，公式如下：
[0013]
[0014] 式中，c是規(guī)范化系數(shù)，（i, j)為步驟1中獲得的交通圖像的坐標(biāo)，〇為函數(shù)的寬 度參數(shù)，g(i，j)表示步驟1獲得的交通圖像中要處理的像素點。
[0015] 進一步地，步驟3中所述的八方向邊緣檢測算子的八個方向定義如下：建立一個 極坐標(biāo)系，定義極軸方向為〇方向，逆時針旋轉(zhuǎn)45度定義為1方向，逆時針旋轉(zhuǎn)90度定義 為2方向，逆時針旋轉(zhuǎn)135度定義為3方向，逆時針旋轉(zhuǎn)180度定義為4方向，逆時針旋轉(zhuǎn) 225度定義為5方向，逆時針旋轉(zhuǎn)270度定義為6方向，逆時針旋轉(zhuǎn)315度定義為7方向； 每個方向的邊緣算子如下表所示：
[0016]
[0017] 進一步地，步驟3中獲得圖像的粗邊緣的方法為：分別用八個方向的邊緣檢測算 子的3*3卷積模版與以圖像中要處理的像素點為中心的3*3圖像區(qū)域做卷積，得到該像素 點在八個方向的偏導(dǎo)數(shù)，取其中的最大值作為該點的新的灰度值，以模版的方向作為該點 的邊緣方向，從而獲得圖像的粗邊緣。
[0018] 進一步地，步驟4中所述的邊緣細化算子為5*5的邊緣細化算子，形式如下：
[0019]
[0020] 進一步地，步驟4中獲得圖像的細邊緣的方法為：在步驟3處理后的圖像中選取 5*5的區(qū)域與5*5的邊緣細化算子進行卷積運算，求取圖像粗邊緣的二階導(dǎo)數(shù)，以卷積得到 的值作為細化后的圖像上該點的灰度值，從而獲得圖像的細邊緣。
[0021] 進一步地，所述方法還包括步驟5 :將步驟4中得到細化的圖像邊緣進行二值化， 得到最終圖像邊緣。
[0022] 進一步地，步驟5中進行二值化的方法為：
[0023] 步驟5. 1 :設(shè)置一個閾值T，定義T的值為
，其中T_，T_ 分別為步驟4處理后的圖像中灰度最大值和最小值；
[0024] 步驟5. 2 :對步驟4處理后的圖像中灰度值〉T的像素點求出灰度平均值T1，圖像 中灰度值〈Τ的像素點求出灰度平均值T 2，定義參數(shù)T_，T_= I T1-(T1-T2)A I ;
[0025] 步驟5. 3 :將1~_和T進行比較，若I T-T _ I < 1，則當(dāng)前T _即為最佳閾值，否則 取τ = Τ_，并重復(fù)步驟5. 2及步驟5. 3直至取到最佳閾值為止。
[0026] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：
[0027] 在對霧霾天氣下交通圖像進行邊緣提取時，傳統(tǒng)的邊緣檢測算子很難獲得完整的 圖像邊緣，本發(fā)明中提出的霧霾天氣下交通圖像邊緣檢測算法在能夠獲得較為完整的圖像 邊緣的前提下，還能夠?qū)Λ@得的圖像邊緣進行細化處理，使獲得的圖像邊緣更加精準(zhǔn)，得到 的圖像邊緣質(zhì)量優(yōu)于傳統(tǒng)的邊緣檢測算子獲得的圖像邊緣。根據(jù)本發(fā)明方法提取到的圖像 邊緣，對比現(xiàn)有算子獲得的圖像邊緣，在獲得比較明亮的圖像邊緣的同時，圖像的邊緣比較 細，邊緣定位比較準(zhǔn)確，假邊緣比較少，效果優(yōu)于傳統(tǒng)的邊緣檢測算子獲得的圖像邊緣。
【附圖說明】
[0028] 圖1是本發(fā)明的流程示意圖；
[0029] 圖2是本發(fā)明與其它邊緣檢測算子對霧霾天氣下交通圖像邊緣檢測效果對比，其 中，（a)為原始霧霾天氣下交通圖像，（b)經(jīng)典Robert算子提取的圖像邊緣，（c)經(jīng)典Sobel 算子提取的圖像邊緣，（d)經(jīng)典Laplace算子提取到的，（e)本發(fā)明提出的新算子提取到的 圖像邊緣，（f)對新算子提取到的圖像邊緣二值化后得到的圖像。
【具體實施方式】
[0030] 下面結(jié)合附圖對本發(fā)明作進一步詳細描述：
[0031] 參見圖1和圖2,本發(fā)明提供一種霧霾天氣交通圖像邊緣檢測方法，對經(jīng)過高斯濾 波預(yù)處理過的圖像采用兩組新的算子和圖像依次進行卷積運算，實現(xiàn)準(zhǔn)確、快速的檢測圖 像的邊緣。具體思路是，針對傳統(tǒng)的Sobel算子只對水平和垂直方向敏感的不足，提出一個 新的八個方向的邊緣檢測算子，作為第一組新算子。針對傳統(tǒng)的Laplace邊緣檢測算子對 受噪聲影響較大的不足提出一種既能獲得較細的圖像邊緣又能有較好的抗噪性能的算子 作為第二組新算子。在整個過程中，使用兩組新的算子依次進行卷積運算最后選取合適的 閾值將邊緣細化后的圖像二值化，獲得霧霾天氣下交通圖像的邊緣。
[0032] 具體步驟如下：
[0033] 步驟1、獲得霧霾天氣下交通圖像：利用圖像采集設(shè)備，獲得要處理的霧霾天氣下 的交通圖像，并將獲得降質(zhì)圖像轉(zhuǎn)為灰度圖，等待下一步處理。
[0034] 步驟2、對步驟1中獲得的含大量噪聲的灰度圖進行高斯濾波操作，降低圖像中的 干擾噪聲。
[0035] 高斯濾波是根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器。對于去除服從正 態(tài)分布的噪聲有很好的效果。對于二維的圖像，我們選擇零均值離散高斯函數(shù)做平滑濾波，
[0036] 函數(shù)表達式如下：
[0037]
[0038] 其中c是規(guī)范化系數(shù)，i, j為當(dāng)前圖像的坐標(biāo)，σ為函數(shù)的寬度參數(shù)，控制了函數(shù) 的徑向作用范圍，g為獲得的霧霾天氣下交通圖像，i和j分別表示圖像的橫豎坐標(biāo)，那么我 們就可以用g(i，j)表示圖像中要處理的像素點。在這里我們設(shè)置濾波模版大小為3*3,減 少圖像中包含的噪聲信息，對圖像進行預(yù)處理。
[0039] 步驟3、使用"八方向邊緣檢測算子"，對經(jīng)過濾波預(yù)處理過的圖像進行邊緣檢測， 即用圖像中的像素與八個模版中的各個系數(shù)分別相乘，獲得八個方向上的梯度值，并取梯 度最大值作為該點的灰度值。
[0040] 傳統(tǒng)的邊緣檢測算子一般只能只對圖像的兩個方向進檢測檢測。例如Sobel邊緣 檢測算子，該算子以像素點f( X，y)周圍3*3的區(qū)域為模版，計算X，y方向上的偏導(dǎo)數(shù)，即：
[0041] Δ xf = f (χ-l, y-1) +2f (x, y-1) +f (x+1, y~l)-
[0042] f (x_l, y_l) _2f (x, y+1) -f (x+1, y+1)
[0043] Δ yf = f (x+1, y+1) +2f (x+1, y) +f (x+1, y~l)-
[0044] f (x_l, y_l)