[发明专利]基于一致性的边缘检测方法

权利要求书

1.基于一致性的边缘检测方法，包括以下几个步骤：

步骤一：利用图像灰度的梯度幅值筛选出初始边缘集；

(1)获取水平、竖直方向图像灰度梯度；

获取待处理图像的灰度值矩阵[I(i,j)]_M×N，其中I(i,j)是坐标(i,j)处像素的灰度值，i为行，j为列，计算每个元素的水平、竖直方向梯度G_y(i,j)、G_x(i,j)：

G_y(i,j)＝I(i+1,j)-I(i,j)

G_x(i,j)＝I(i,j+1)-I(i,j)

(2)确定初始边缘点集合；

设定水平方向最小梯度阈值threshold_y，设定竖直方向最小梯度阈值threshold_x，获得初始边缘集P₀：

P_{h_0}＝{(i,j)||G_x(i,j)|＞threshold_x}

P_{v_0}＝{(i,j)||G_y(i,j)|＞threshold_y}

P₀＝P_{h_0}∪P_{v_0}

其中：P_{h_0}表示水平方向初始边缘集，P_{v_0}表示竖直方向初始边缘集；

(3)判定无边缘区域；

沿水平、竖直方向分别检测连续非边缘点，若连续非边缘点个数超过阈值，则被检测区域为无边缘区域，并对每个无边缘区域的起止点进行记录，存储在无边缘区域边界点集P_{no_edge_boundary}中；

步骤二：计算图像灰度梯度方向和；

(1)斜向梯度方向计算；

以图像中各点(i,j)为中心，分别计算左下、右下、右上3个设定倾斜方向的梯度，对梯 度值进行符号函数操作，分别记为G_{yx_diag}、G_{xy_diag}、G_{nyx_diag}，结果+1代表沿着设定的方向，-1代表逆设定方向，0则表示没有梯度变化，其计算公式如下：

G_{xy_diag}(i,j)＝sgn(I(i+1,j+1)-I(i,j))

G_{yx_diag}(i,j)＝sgn(I(i+1,j-1)-I(i,j))

G_{nyx_diag}(i,j)＝sgn(I(i-1,j+1)-I(i,j))

(2)梯度方向和异常修正；

判断梯度方向特征值G_{xy_diag}(i,j)、G_{yx_diag}(i,j)、G_{nyx_diag}(i,j)是否出现异常：将点(i,j)的3×3邻域内的梯度方向特征值与异常模板进行匹配，若与水平异常模板匹配成功，则出现水平异常P_h，应将水平方向的梯度方向和Dir_h(i,j)置为最优值10；若与竖直异常模板匹配成功，则出现竖直异常P_v，将竖直方向的梯度方向和Dir_v(i,j)置为最优值10；若与倾斜异常模板匹配成功，则出现倾斜异常P_diagnal，将水平方向的梯度方向和Dir_h(i,j)与竖直方向的梯度方向和Dir_v(i,j)均置为最优值10；否则无异常，转入步骤(3)：

(3)计算单斜向小区域灰度梯度方向和，合成水平、竖直灰度梯度方向和；

在点(i,j)的3×3邻域内，将梯度方向求和得到左下、右下、右上3个设定倾斜方向的梯度方向和G_{xy_dir}(i,j)、G_{yx_dir}(i,j)、G_{nyx_dir}(i,j)：

其中，G_{xy_dir}(i,j)，G_{yx_dir}(i,j)，G_{nyx_dir}(i,j)的值域均为[-9，9]；

利用3个倾斜方向的灰度梯度方向合成沿水平、竖直方向的灰度梯度方向和Dir_h(i,j)，Dir_v(i,j)：

Dir_h(i,j)＝|G_{xy_dir}(i,j)+G_{yx_dir}(i,j)|

Dir_v(i,j)＝|G_{xy_dir}(i,j)+G_{nyx_dir}(i,j)|

其中，Dir_h(i,j)，Dir_v(i,j)的值域为[0，18]；

步骤三：依据梯度方向和提取边缘集；

(1)计算相邻9点梯度和；

以给定点为中心，计算3×3区域内沿水平、竖直方向梯度幅值和：

竖直方向梯度和：

水平方向梯度和：

(2)获取水平基础阈值T_{h_F}(i,j)、竖直基础阈值T_{v_F}(i,j)；

设定水平低阈值T_{h_F_low}(i,j)、竖直低阈值T_{v_F_low}(i,j)、水平高阈值T_{h_F_high}(i,j)、竖直高阈值T_{v_F_high}(i,j)，在点距离无边缘区域边界小于D时，采用低基础阈值，其他情况使用高基础阈值：

T_{h_F}(i,j)＝T_{h_F_low}(i,j),(i,j)∈P_{h_low}

T_{v_F}(i,j)＝T_{v_F_low}(i,j),(i,j)∈P_{v_low}

其中：

P_{v_low}＝{(i,j)||(i,j)-(i+m,j)|＜D,(i+m,j)∈P_{no_edge_boundary},m∈[-D,D]}

P_{h_low}＝{(i,j)||(i,j)-(i,j+m)|＜D,(i,j+m)∈P_{no_edge_boundary},m∈[-D,D]}

(3)获取梯度和阈值权重；

水平方向权重weight_h(i,j)为：

weight_h(i,j)＝1,Dir_h(i,j)＞m_h

竖直方向权重weight_v(i,j)为：

weight_v(i,j)＝1,Dir_v(i,j)＞m_v

其中：m_h为Dir_h(i,j)的最优值10、m_v为Dir_v(i,j)的最优值10，σ为方差；

(4)获取边缘梯度和阈值；

水平边缘梯度和的高阈值T_h__high(i,j)、竖直边缘梯度和的高阈值T_v__high(i,j)具体为：

T_{h_high}(i,j)＝weight_h(i,j)×T_{h_F_high}(i,j)

T_{v_high}(i,j)＝weight_v(i,j)×T_{v_F_high}(i,j)

水平边缘梯度和的低阈值T_{h_low}(i,j)、竖直边缘梯度和的低阈值T_{v_low}(i,j)具体为：

T_{h_low}(i,j)＝weight_h(i,j)×T_{h_F_low}(i,j)

T_{v_low}(i,j)＝weight_v(i,j)×T_{v_F_low}(i,j)

其中，T_{h_F_high}(i,j)为水平高阈值，T_{v_F_high}(i,j)为竖直高阈值；T_{h_F_low}(i,j)为水平低阈值，T_{v_F_low}(i,j)为竖直低阈值；

(5)确定边缘点集

水平方向边缘点集P_{edge_v}确定方法：

edge_{v_low}＝{(i,j)|[G_{sum_x}(i,j)＞T_{v_F_low}(i,j)],(i,j)∈P_{v_low}}

P_{edge_v}＝edge_{v_low}∪edge_{v_high}

其中，edge_{v_low}为采用低阈值获得的水平边缘子集，edge_{v_high}为采用高阈值获得的水平边缘子集；

竖直方向边缘点集P_{edge_h}确定方法为：

edge_{h_low}＝{(i,j)|[G_{sum_y}(i,j)＞T_{h_F_low}(i,j)],(i,j)∈P_{h_low}}

P_{edge_h}＝edge_{h_low}∪edge_{h_high}

其中，edge_{h_low}为采用低阈值获得的竖直边缘子集，edge_{h_high}为采用高阈值获得的竖直边缘子集；

步骤四：进行边缘细化；

水平、竖直方向邻域梯度绝对值G_{y_L_mean}(i,j)、G_{x_L_mean}(i,j)为：

其中，L为细化考察窗口长度；

水平方向细化后边缘集合P_{edge_h_thinning}与竖直方向细化后边缘集合P_{edge_v_thinning}的确定方法为：

P_{edge_h_thinning}＝{(i,j)||G_y(i,j)|＞G_{y_L_mean}(i,j)×1.2,(i,j)∈P_{edge_h}}

P_{edge_v_thinning}＝{(i,j)||G_x(i,j)|＞G_{x_L_mean}(i,j)×1.2,(i,j)∈P_{edge_v}}

图像综合细化后边缘集合P_{edge_thinning}为：

P_{edge_thinning}＝P_{edge_h_thinning}∪P_{edge_v_thinning}。