[发明专利]基于限幅滤波的图像边缘去噪方法及装置、设备

说明书

本发明公开了一种基于限幅滤波的图像边缘去噪方法及装置、设备、存储介质，通过根据滑动模子以一个边缘点的滑动步长，对待去噪图像的边缘点集进行滑动检测，在滑动检测过程中，若滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值，基于滑动模子中第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合，获得边缘预测模型，根据边缘预测模型计算滑动模子中第二个边缘点的预测值，当滑动模子中第二个边缘点与其预测值的第二绝对增量达到指定阈值时，将滑动模子中第二个边缘点作为噪声剔除，能够考虑图像中边缘突变的结构特征，避免错误过滤，进而提高噪声滤除能力。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于限幅滤波的图像边缘去噪方法及装置、设备、存储介质。

背景技术

机器视觉是指使用机器代替人眼来识别目标，完成所需的测量和判断，是集成了图像感知、图像处理和控制理论等技术的学科，是现代智能制造的重要基础。其中，图像处理是指利用计算机对图像进行复原、校正、增强、统计分析、分类和识别等加工，以达到所需结果的技术和过程。而边缘检测是图像处理的重要内容之一，用于识别和提取目标。所谓边缘，是空间域上一组相连的像素，位于灰度不连续的两个区域的边界上。如果目标的边缘检测不准确或者误差较大，就会直接影响目标轮廓的准确提取和目标特征的准确分析。因此，图像的边缘检测技术一直是人们的研究痛点。

边缘检测过程一般是沿着特定的搜索方向，计算该方向上图像的灰度变化，提取不连续的灰度特征，以此定位边缘点。由于受到成像器件性能、场景光照条件和图像处理参数等影响，图像边界处像素的灰度变化并不都是理想的阶跃式跳变，边缘检测结果中可能存在空间域上的奇异点，即不在目标边界上的离散点。如果将一组边缘检测结果看成空间域里采集的信号，那么边缘奇异点如同信号里的噪声，应当滤除。因此，在图像处理时剔除边缘奇异点进行去噪是十分必要的。

现有技术中通常采用几种常见的低通滤波方法进行噪声滤除，如基于多样本统计规律的低通滤波法、基于连续样本数字滤波的滑动平均法、阻抗模拟法或者限幅滤波法。其中，基于多样本统计规律的低通滤波法需要的样本量大，处理过程内存占用多，计算耗时，而且每组样本的边缘检测点数量可能不一致(某些搜索方向检测失败)，程序设计比较复杂；而基于连续样本数字滤波的滑动平均法和阻抗模拟法使用的公式含有卷积效应，所有边缘检测点都得到了平滑修正，在有效抑制边缘“跳变”的同时也改变了边缘检测的准确性，导致信号失真；传统限幅滤波法则没有此类问题，限幅滤波法是指将两次相邻的采样相减，求出其增量，然后将增量的绝对值与允许的最大差值(阈值)比较，小于等于阈值为有效采样，超过阈值则剔除该样本，它能够剔除超限的边缘奇异点而不改动限幅以下的边缘部分，较好地保护了原始信号。

然而，传统限幅滤波法仅仅采用相邻两点间的绝对增量进行判断，如果限幅阈值设定过大，一些低于阈值的噪声将无法滤除；可如果限幅阈值设定太小，突变结构的边缘又将被视为噪声而错误过滤，导致噪声滤除能力较差。

发明内容

本发明的目的在于提供一种基于限幅滤波的图像边缘去噪方法及装置、设备、存储介质，能够考虑图像中边缘突变的结构特征，避免错误过滤，进而提高噪声滤除能力。

本发明实施例第一方面公开一种基于限幅滤波的图像边缘去噪方法，包括：

根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长，对待去噪图像的边缘点集进行滑动检测；其中，所述N为不小于5的奇数，所述边缘点集包括多个按位置顺序排列的边缘点的位置信息；

在滑动检测过程中，若所述滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值，基于所述滑动模子中所述第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合，获得边缘预测模型；

根据所述边缘预测模型计算所述滑动模子中第二个边缘点的预测值；

当所述滑动模子中第二个边缘点与所述预测值的第二绝对增量达到所述指定阈值时，将所述滑动模子中第二个边缘点作为噪声剔除。