[发明专利]基于水下图像统计特性的边缘检测方法

摘要

本发明的目的在于提供基于水下图像统计特性的边缘检测方法，包括如下步骤：对水下图像进行统计特性分析，对两幅水下图像进行平滑，计算平滑后的数据阵列的梯度幅值和梯度方向，对梯度幅值进行非极大值抑制，利用Rosin方法获得单峰图像阈值，利用递归跟踪的算法不断的在低阈值图像中搜集边缘，直到将高阈值图像中所有的间隙都连接起来为止。本发明可以针对不同的水下图像自动设置边缘检测的合理阈值，克服了传统方法手动阈值设定不准确的缺点。同时通过合理确定高斯平滑参数及邻域范围捕捉图像边缘信息，能够在去除噪声的同时，更好地检测图像的边缘轮廓。

主权项

1.基于水下图像统计特性的边缘检测方法，其特征是：（1）对水下图像进行统计特性分析即对水下图像中不同像素点的相关系数ρ(τ₁，τ₂)进行估算：ρ(τ1,τ2)=Σn=1N-τ1Σm=1M-τ2(xnm-x‾)(xn+τ1,m+τ2-x‾)Σn=1N-τ1Σm=1M-τ2(xnm-x‾)2]]>式中x_nm是n列m行像点的灰阶，N和M是总的列数和行数，τ₁和τ₂表示的是求相关的水平和垂直间隔，是整个水下图像的平均灰阶：x‾=1MNΣn=1NΣm=1Mxnm;]]>（2）采用二维高斯函数的一阶导数对两幅水下图像进行平滑：水下图像为f(x,y)，用二维高斯函数的一阶导数对图像进行平滑，二维高斯函数为：G(x,y)=12πσ2exp(-x2+y22σ2),]]>其梯度矢量为：▿G=∂G/∂x∂G/∂y,]]>把ΔG的2个滤波卷积模板分解为2个一维的行列滤波器：∂G/∂X=kxexp(-x22σ2)exp(-y22σ2)=h1(x)h2(y)]]>∂G/∂y=kxexp(-y22σ2)exp(-x22σ2)=h1(y)h2(x)]]>其中k为常数，σ为高斯滤波器参数；（3）采用10×10邻域一阶偏导的有限差分来计算平滑后的数据阵列I(x,y)的梯度幅值和方向，x和y方向偏导数的2个阵列P_x[i,j]和P_y[i,j]分别为：P_x[i,j]＝(I[i,j+1]-I[i,j]+I[i+1,j+1]-I[i+1,j])/2P_y[i,j]＝(I[i,j]-I[i+1,j]+I[i,j+1]-I[i+1,j+1])/2计算像素的梯度幅值和方向采用直角坐标到极坐标的坐标转化公式，梯度幅值为：M[i,j]=Px[i,j]2+Py[i,j]2]]>梯度方向为：θ[i,j]＝arctan(P_y[i,j]/P_x[i,j])；（4）对梯度幅值进行非极大值抑制：使用3×3大小且包含8个方向的邻域对梯度幅值阵列M[i,j]的所有像素沿梯度方向进行幅值的插值，对每一个像素点，邻域的中心像素m[i,j]与沿梯度方向的2个梯度幅值的插值结果进行比较，非极大值抑制在像素邻域中心处沿着梯度方向的扇形区域ξ[i,j]进行；如果邻域中心点的幅值m[i,j]不比梯度方向上的2个插值结果大，则将m[i,j]对应的边缘标志位赋值为0；（5）利用Rosin方法获得单峰图像阈值；（6）检测和边缘连接：通过使用高、低2个阈值t_h和t_l划分出边缘图像T_h[i,j]和T_l[i,j]，在经高阈值得到的图像中把边缘连接成轮廓，当达到轮廓端点时，在由低阈值得到的边缘图像的8邻域位置寻找可以连接到轮廓上的边缘，利用递归跟踪的算法不断在低阈值图像中搜集边缘，直到将高阈值图像中所有的间隙都连接起来为止，从而完成边缘检测的全部过程，得到图像的轮廓信息。