[发明专利]一种多尺度自动各向异性的形态学方向导数边缘检测方法

说明书

本发明公开了一种多尺度自动各向异性的形态学方向导数边缘检测方法的方法。首先多尺度自动的各向异性形态学方向导数被用来获取图像中像素周围的局部灰度变化值；其次一种基于多尺度自动各向异性形态学方向导数融合的边缘强度映射被提出了；接着嵌入新的边缘强度映射和使用空间及方向匹配滤波器提取的边缘方向映射到标准且常规的Canny检测器中，以获取边缘轮廓；最后用准确度和召回率曲线和品质因数指标在数据集上对检测器进行评价，本发明方法获得好的噪声鲁棒性，同时得到高的边缘分辨率，有着高准确率，低误检率，多种噪声稳定性性能等优点，以及准确度。除此之外，本发明的检测器，不仅从一定程度上抑制了边缘伸长，还合适不同的数据集。

技术领域

本发明属于图像处理技术领域，涉及一种多尺度自动各向异性的形态学方向导数边缘检测方法。

背景技术

人类视觉系统的认知过程通常分为两步：第一步，分离出图像的边缘和背景；第二步，在上一步的基础上辨认出图像的轮廓，进而感知到图像的细节。计算机视觉就是依靠计算机模拟来达到人类视觉效果，从而实现对客观世界的三维场景进行人类视觉化分析。

图像边缘提取的简化任务是利用计算机视觉处理技术从众多不相关变量信息中提取出不变量的过程。为了达到简化的目的，必须抛弃一些冗余且不必要的信息。图像边缘就具有这样一个不变性质。虽然光线的变化(即亮度)无形地改变了一个区域的外观，但是图像的最基本的特性——边缘，不会更改。边缘的存在十分广泛，目标与背景之间，物体与物体之间，基元与基元之间都有边缘的“身影”。边缘不仅可以传递图像的大部分信息，还能完美地勾勒出物体的基本轮廓，所以边缘检测是计算机视觉中一个基础的操作环节，同时，边缘检测是图像处理中，图像分割、图像修复和角点检测的重要组成部分，还是机器视觉领域的经典研究课题之一。

边缘检测的发展史已长达半个多世纪。自1959年边缘检测一词被提出以来，有不少的方法及改进方法出现，这些方法大致可以分为：基于一阶微分的边缘检测算子、基于二阶微分的边缘检测算子和现代的边缘检测方法。一阶微分算子的代表有Roberts算子、Sobel算子和Canny算子等等。Roberts算子是利用相邻像素点的灰度差来得到的像素新灰度值的算子，从图像处理的实际效果来看，该算子边缘定位准确，但对噪声比较敏感。Sobel算子是离散性差分算子，利用该算子可对图像中像素的灰度值进行加权，降低边缘的模糊程度。该算子检测边缘方法简单且计算速度快，同时所得的边缘光滑还连续，但是Sobel算子并没有将图像的主体与背景区分开来。由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓达不到好的效果。Canny最优算子，利用水平、垂直和对角线四个方向分别计算梯度幅值，并采取非极大值抑制和双阈值选取操作方法，提取出了精确的边缘位置，但是在噪声抑制方面，Canny算子给出的结果不是很理想。Laplacian算子和LOG(高斯-拉普拉斯)算子属于二阶微分边缘检测算子。Laplacian算子是一种利用二次微分正、负峰之间的过零点来确定边缘的各向同性算子，该算子对孤立点和端点较为敏感，特别适用于调整图像的明暗程度，与此同时，该算子也会增强图像的噪声，所以该算子只适用于无噪声图像。LOG算子，是一种改进的Canny算子，该算子通过平滑滤波再求导的方法来减少高频分量中的噪声影响同时得到边缘响应。在一定程度上，LOG算子能对噪声起到抑制，得到性能好的边缘检测结果。小波变换的方法和深度学习的方法是现代边缘检测方法的代表作。小波变换的边缘检测方法是通过改变尺度参数，表现出不同边缘和噪声的小波幅值变化特性，将计算机视觉中的多尺度分析带进小波函数的构造和信号小波分解及重构当中来，达到对边缘进行局部结构分析的目的。该方法的优点是可以检测出低信噪比的边缘像素，但是对于分辨率较高的图片和过于庞大的数据，计算容易冗余。深度学习是随计算机和网络的快速发展兴起的一种运算速度快，训练量大的方法。其主要特点是可以通过深度学习模型训练所采用的边缘检测方法，得到最优化后的相关参数，使得检测结果的性能获得全方面的提升。但是深度学习的方法表现出数据的高依赖性，且此方法训练周期长，计算量大，实际应用场景目前不被看好。