[发明专利]一种图像边缘识别方法及小模数齿轮模数检测方法

权利要求书

1.一种图像边缘识别方法，其特征在于，包括以下步骤：

S1、采集并获取待处理图像，对获取的图像进行去噪处理；

S2、利用改进canny算子对S1中去噪处理后的图像进行边缘提取，所述改进canny算子通过计算图像各像素八个方向上的梯度，获得图像的边缘图像；

S3、利用形态学方法对S2中得到的边缘图像进行处理，滤除S2中边缘图像中的小面积噪声，将边缘图像进行连接，形成闭环，对边缘图像进行增强处理。

2.根据权利要求1所述的图像边缘识别方法，其特征在于，所述步骤S1中利用全变分去噪模拟模型对S1中获取的图像进行去噪处理。

3.根据权利要求2所述的图像边缘识别方法，其特征在于，所述步骤S1中，

采用的全变分去噪模拟模型为：

其中，E表示能量泛函，I为采集的图像，u为去噪处理后的图像，λ为正则化参数，λ取值范围为[0，1]；

为彩色全变分项，用来抑制噪声；

为正则项，用来保护边缘；

通过求解能量泛函最小值得到去噪处理后的图像u。

4.根据权利要求1所述的图像边缘识别方法，其特征在于，所述步骤S2包括：

S21、确定权值；选取计算图像各像素的八个方向分别为：0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°；所述八个方向的计算模板分别为：

不同方向上的权值w(m,n)的计算公式如下：

其中，方向为22.5°、45°、112.5°、135°时：

方向为0°、67.5°、90°、157.5°时：

式中，d(m,n)为坐标为的(m,n)模板元素到坐标为(i,j)的中心点的欧氏距离；

S22、获取梯度图像；分别用所述八个方向梯度值f_(i)(x，y)，其中i为1-8的自然数，计算中心点的梯度值为：

式中，F(x,y)表示梯度图像；

S23、获取图像的边缘图像；假定p_r(r_q)为梯度图像中灰度值为r_q像素值出现的概率，即：

式中，n为梯度图像的像素总数；n_q为灰度值为r_q的像素数目；L为梯度图像中所有可能的灰度级数；

设定阈值k将图像分成两类，其中C₀表示一组灰度级为{0，1，2，k-1}的像素，C₁表示一组灰度级为{k,k+1,k+2,L-1}的像素；

表示阈值为k时的类间方差，则最佳阈值可以通过求的最大值得到，即：

式中，

分别为C₀、C₁类像素出现的概率与均值；

为图像的均值；

根据通过设定的阈值k，在梯度图像中得到边缘二值化图像，即为图像的边缘图像。

5.根据权利要求1所述的图像边缘识别方法，其特征在于，所述步骤S3包括：

S31、利用形态学方法对边缘图像进行处理；

对边缘图像各连通区域进行标记，相邻的灰度值为1的各像素点组成标记区域，并统计每一标记区域像素点数目作为该区域面积；

设定阈值Z对标记区域过滤，滤去面积小于Z的连通域；

对边缘图像进行形态学开运算：C＝HoQ，其中，H为边缘图像，o表示形态学开运算，Q为半径为r的结构元素，r＝[0,+∞]；

S32、利用近邻域搜索算法对S31中处理后的边缘图像进行区域连通；

以每一个像素点为中心，考察其邻域八个方向上像素点的灰度值情况，如果在其邻域中存在灰度值不为零的像素点，则认为两像素点为一对不连续边缘点，将两者连接，依次迭代考察每个像素点，即得到增强处理后的边缘图像。