[发明专利]滑窗N‑Smoothlets图像边缘检测方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种滑窗N-Smoothlets图像边缘检测方法。

背景技术

图像边缘指图像中的像素值发生阶跃的地方，属于高频信息。而人类视觉系统决定了人眼对图像中的高频信息特别敏感，因此，图像边缘检测一直是图像处理中的关键问题之一，在图像分割、目标识别等领域应用十分广泛。

图像边缘检测算法主要可分为两大类：一是传统的基于微分算子的边缘检测算法；二是近年来兴起的新型边缘检测算法，主要包括基于多尺度分析思想的边缘检测、基于数学形态学的边缘检测以及基于分形理论的边缘检测算法等。经典的微分算子边缘检测算法虽然实现简单、运算复杂度低，但是却不能很好地抑制图像中的噪声，图像边缘提取与抗噪性始终是一对难以调和的矛盾。为解决边缘检测精度与抗噪性之间的矛盾，1983年，多尺度分析的思想出现，对于大的尺度算子边缘检测的精度差，但是抗噪性能好，小尺度的边缘检测算子对边缘的定位精度高但对噪声敏感，多尺度分析的思想解决了边缘检测精度与抗噪性之间的平衡问题，其中的的小波边缘检测方法取得了很多研究成果并得到了广泛的应用。

传统二维小波是由一维小波扩展而来，只具有有限个方向，因此不能对图像得到最稀疏的表示。基于多尺度几何分析Wedgelet的边缘检测算法弥补了这方面的不足，并且由于其是用线段而不是点来表示边缘，抗噪性能更好。但是基于Wedgelet的边缘检测算法虽然在将滑窗的尺寸size、偏移量shift等参数减小的情况下可以提高对灰度图像中复杂边缘和弱小边缘检测的精度滑窗，但该方法不能准确处理存在渐变的边缘图像块。

发明内容

本发明的目的是为了解决现有的边缘检测算法的准确性和弱小边缘检测能力，提出了滑窗N-Smoothlets图像边缘检测方法。

为了解决以上问题，本发明采用的技术方案如下：一种滑窗N-Smoothlets图像边缘检测方法，

包括如下步骤：

S1输入待处理的原图像F；

S2设置图像边缘检测算法中涉及到的参数，包括N-Smoothlets变换中滑窗的尺寸size、滑窗每一次的偏移量shift、判断边缘是否保留阈值T₁、T₂；

S3设置好N-Smoothlets滑窗尺寸size后，假设size大小为n×n像素；首先将N-Smoothlets滑窗置于原图像的左上角，对待处理图像中与滑窗重叠部分的区域执行一个图像宏块内的N-Smoothlets变换；然后将N-Smoothlets滑窗从图像左上角按照先列后行或先行后列的顺序每次移动shift个像素并在滑窗内作N-Smoothlets变换，其中N-Smoothlets基本变换块大小设置为与滑窗大小一致，即在每一个滑窗对应的图像宏块内只用一个N-Smoothlets对其进行描述，直至滑窗遍历完整幅图像后结束，得到对原始图像进行滑窗N-Smoothlets变换后的图像信息；

S4根据块类型不同分别判别：

S41宏块类型为A，即退化块

若变换后的图像块为退化块，则认为该块中不存在边缘信息；

S42宏块类型为W，即Wedgelet块

若变换后的图像块为Wedgelet块，则提取出该Wedgelet块对应的基准线作为图像块内的边缘；此时，只需要边缘判决条件一对其进行是否作为边缘信息保留的判定；具体判定条件如下：

条件一：根据每条过渡带两侧的灰度值m_a、m_b的差值与设定的阈值T₁进行比较，作为判断是否保留该过渡带并进行边缘提取的第一个条件；条件一是判断两个区域灰度的对比情况；

当过渡带两侧的灰度值差值的绝对值|m_a-m_b|足够大时，可认为此时过渡带两侧灰度值变化十分明显，更容易被判定为边缘；当过渡带两侧的灰度值差值的绝对值|m_a-m_b|比较小时，可认为此时过渡带两侧灰度值变化较小，不容易被判定为边缘；

S43宏块类型为S，即为N-Smoothlets块，包括宏块内存在1、2、3条过渡带的情况，N代表过渡带最大数量；

若变换后的图像块为N-Smoothlets块，即包括宏块内存在1、2、3条过渡带的情况，则依次对N-Smoothlets的N条过渡带两侧的灰度值求差值|m_a-m_b|；