[发明专利]基于邻域离散度的图像边缘检测方法

说明书

本发明公开了一种基于邻域离散度的图像边缘检测方法，步骤包括：1)将原始的彩色图像转换为单通道的八位灰度图像；2)求该八位灰度图像的离散度系数矩阵M；3)对离散度系数矩阵M执行水平方向细化操作，得到矩阵M_h；4)对离散度系数矩阵M执行垂直方向细化操作，得到矩阵M_v；5)合并矩阵M_h与矩阵M_v，将该两个矩阵中所有为1的点合并，得到粗略的细化边缘矩阵O；6)将细化边缘矩阵O依照方向梯度对图像轮廓进行精确处理以及冗余信息滤除，获取得到轮廓矩阵，最终通过轮廓矩阵转换得到二值边缘图像。本发明的方法简单易行，保证了轮廓的精确性。

技术领域

本发明属于图像边缘检测技术领域，实现无阈值、各向同性的且保障图像中物体轮廓的连续性的边缘检测，具体涉及一种基于邻域离散度的图像边缘检测方法。

背景技术

图像分割目的在于将图像中的物体与背景区域分开，分割技术可以总结为三个步骤，分别是滤波、增强、边缘检测。目前已经存在几种成熟的常用算子如Sobel、Prewitt、Roberts、Laplace、Canny等，这些算子均属于基于邻域的方法。其中，Sobel、Prewitt、Roberts算子皆属于一阶线性离散差分算子，前两个在检测图像边缘时均需要分别计算X方向与Y方向的亮度差分值，且Prewitt在水平及垂直方向检测边缘精度最高，Roberts则需要计算对角线方向的亮度差分值。Laplace算子属于二阶差分算子，该算子通过正峰值与负峰值之间的零点检测可能的边缘。Laplace算子解决了Sobel、Prewitt算子等在检测边缘时的非各向同性问题，但是会引起双边效用且需要多次遍历系数寻找转折点，因此该算子很少直接应用与边缘检测。非线性算子Canny目前公认为最优的检测算子之一，其基于高斯核与上述几个检测算子相比较其表现良好但是计算复杂且耗时。上述几种算子在检测边缘时均需要提供合适的阈值才能够表现出良好的检测效果。许多参数选择算法均依赖与设置的初始值，初始值直接决定其后期的处理效果。在许多数字图像中，我们很难提供一个统一的阈值来处理所有的图像，而在边缘检测时不合适的阈值往往会引起边缘的不连续性及缺失，由于数字图像的复杂性，阈值问题一直都是个难以解决的问题。至于基于模糊推理的边缘检测算法，该算法考虑了各种可能存在的边缘结构并对每一种可能进行处理，使得该算法推理过程过于复杂且耗时。

发明内容

本发明的目的是提供一种基于邻域离散度的图像边缘检测方法，解决了现有技术中Sobel、Canny、Roberts及Prewitt算子在计算时的非各向同性及双边效应问题。

本发明所采用的技术方案是，一种基于邻域离散度的图像边缘检测方法，按照以下步骤实施：

步骤1)将原始的彩色图像转换为单通道的八位灰度图像，该八位灰度图像的灰度级在0-255之间；

步骤2)求该八位灰度图像的离散度系数矩阵M，该离散度系数矩阵M的维度大小与原始图像的大小一致，

设置针对灰度图像的采样模板，z_i为采样模板内各个像点的灰度值，使用该采样模板从图像的第一行第一列开始逐列逐行移动，分别计算每一个像点的平均偏差并将其保存在离散度系数矩阵M中的对应位置，计算方式参考式(1)和式(2)：

在式(1)、式(2)中，n为采样模板中的像点个数且1≤i≤n；u为模板内的灰度平均值，round函数是进行四舍五入的取整运算，theta为采样模板的平均偏差；

步骤3)对离散度系数矩阵M执行水平方向细化操作，进行水平方向细化操作时，分别从行的两头开始向中间聚拢只保留局部最大值，细化结果保存在矩阵M_h中，该矩阵M_h的维度与离散度系数矩阵M一致；对离散度系数矩阵M进行行扫描，遇到行内局部最大值时则令该点相对应在矩阵M_h的点值为1，其他值均置0；