[发明专利]基于一致性的边缘检测方法

摘要

本发明公开了一种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；步骤二计算图像灰度梯度方向和；步骤三依据梯度方向和提取边缘集；步骤四进行边缘细化。本发明引入了灰度梯度方向和这一指标，利用边缘附近灰度梯度方向上的相关性分析边缘出现的合理性，提供了一种新的成像噪声判定方法，能够有效区分真实边缘、噪声引起的灰度梯度变化，该指标可以与其他方法相结合改善边缘提取效果。

主权项

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Gy(i,j)、Gx(i,j)：Gy(i,j)＝I(i+1,j)‑I(i,j)Gx(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：Ph_0＝{(i,j)||Gx(i,j)|＞threshold_x}Pv_0＝{(i,j)||Gy(i,j)|＞threshold_y}P0＝Ph_0∪Pv_0其中：Ph_0表示水平方向初始边缘集，Pv_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Pno_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Gyx_diag、Gxy_diag、Gnyx_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：Gxy_diag(i,j)＝sgn(I(i+1,j+1)‑I(i,j))Gyx_diag(i,j)＝sgn(I(i+1,j‑1)‑I(i,j))Gnyx_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Gxy_diag(i,j)、Gyx_diag(i,j)、Gnyx_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Ph，应将水平方向的梯度方向和Dirh(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Pv，将竖直方向的梯度方向和Dirv(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Pdiagnal，将水平方向的梯度方向和Dirh(i,j)与竖直方向的梯度方向和Dirv(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Gxy_dir(i,j)、Gyx_dir(i,j)、Gnyx_dir(i,j)：其中，Gxy_dir(i,j)，Gyx_dir(i,j)，Gnyx_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Dirh(i,j)，Dirv(i,j)：Dirh(i,j)＝|Gxy_dir(i,j)+Gyx_dir(i,j)|Dirv(i,j)＝|Gxy_dir(i,j)+Gnyx_dir(i,j)|其中，Dirh(i,j)，Dirv(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Th_F(i,j)、竖直基础阈值Tv_F(i,j)；设定水平低阈值Th_F_low(i,j)、竖直低阈值Tv_F_low(i,j)、水平高阈值Th_F_high(i,j)、竖直高阈值Tv_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：Th_F(i,j)＝Th_F_low(i,j),(i,j)∈Ph_lowTv_F(i,j)＝Tv_F_low(i,j),(i,j)∈Pv_low其中：Pv_low＝{(i,j)||(i,j)‑(i+m,j)|＜D,(i+m,j)∈Pno_edge_boundary,m∈[‑D,D]}Ph_low＝{(i,j)||(i,j)‑(i,j+m)|＜D,(i,j+m)∈Pno_edge_boundary,m∈[‑D,D]}(3)获取梯度和阈值权重；水平方向权重weighth(i,j)为：weighth(i,j)＝1,Dirh(i,j)＞mh竖直方向权重weightv(i,j)为：weightv(i,j)＝1,Dirv(i,j)＞mv其中：mh为Dirh(i,j)的最优值10、mv为Dirv(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Th_high(i,j)、竖直边缘梯度和的高阈值Tv_high(i,j)具体为：Th_high(i,j)＝weighth(i,j)×Th_F_high(i,j)Tv_high(i,j)＝weightv(i,j)×Tv_F_high(i,j)水平边缘梯度和的低阈值Th_low(i,j)、竖直边缘梯度和的低阈值Tv_low(i,j)具体为：Th_low(i,j)＝weighth(i,j)×Th_F_low(i,j)Tv_low(i,j)＝weightv(i,j)×Tv_F_low(i,j)其中，Th_F_high(i,j)为水平高阈值，Tv_F_high(i,j)为竖直高阈值；Th_F_low(i,j)为水平低阈值，Tv_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Pedge_v确定方法：edgev_low＝{(i,j)|[Gsum_x(i,j)＞Tv_F_low(i,j)],(i,j)∈Pv_low}Pedge_v＝edgev_low∪edgev_high其中，edgev_low为采用低阈值获得的水平边缘子集，edgev_high为采用高阈值获得的水平边缘子集；竖直方向边缘点集Pedge_h确定方法为：edgeh_low＝{(i,j)|[Gsum_y(i,j)＞Th_F_low(i,j)],(i,j)∈Ph_low}Pedge_h＝edgeh_low∪edgeh_high其中，edgeh_low为采用低阈值获得的竖直边缘子集，edgeh_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Gy_L_mean(i,j)、Gx_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Pedge_h_thinning与竖直方向细化后边缘集合Pedge_v_thinning的确定方法为：Pedge_h_thinning＝{(i,j)||Gy(i,j)|＞Gy_L_mean(i,j)×1.2,(i,j)∈Pedge_h}Pedge_v_thinning＝{(i,j)||Gx(i,j)|＞Gx_L_mean(i,j)×1.2,(i,j)∈Pedge_v}图像综合细化后边缘集合Pedge_thinning为：Pedge_thinning＝Pedge_h_thinning∪Pedge_v_thinning。