CN102081792A

CN102081792A - 基于小波变换的多尺度红枣图像裂纹边缘检测方法

Info

Publication number: CN102081792A
Application number: CN2010106233308A
Authority: CN
Inventors: 杨福增; 陈丽萍; 杨亮亮; 王峥; 刘珊; 刘世; 王元杰; 刘志杰
Original assignee: Northwest A&F University
Current assignee: Northwest A&F University
Priority date: 2010-12-30
Filing date: 2010-12-30
Publication date: 2011-06-01

Abstract

本发明提供了一种基于小波变换的多尺度红枣图像裂纹边缘检测方法，涉及农业工程领域。该方法对需检测的红枣图像进行多尺度小波变换，求出梯度值M，并对其进行归一化处理；确定边缘点对应的高、低阈值，用高、低阈值分别对局部极大值点分割，得到强、弱边缘点；用“一强八弱”法处理边缘点，得到初步检测结果；用腐蚀运算得到细化边缘链图像；设置边缘链长度阈值去掉小于此值的点状伪边缘，设置边缘链宽度阈值去掉大于此值的褶皱边缘。本发明采用多尺度边缘检测和数学形态学相结合的方法检测红枣裂纹，可得到更连续、光滑、单像素宽、视觉效果良好的边缘链图像，能有效检测红枣图像裂纹而略去皱褶。该方法也适用于其它类型农业图像的边缘检测。

Description

基于小波变换的多尺度红枣图像裂纹边缘检测方法

技术领域

本发明涉及农业工程领域中的一种基于小波变换的多尺度红枣图像裂纹边缘检测方法，具体涉及满足在按外观品质对红枣自动分级***中的要求，能够通过设定边缘链长度、宽度阈值，有效地检测出红枣图像裂纹而略去皱褶的检测算法。

背景技术

红枣图像裂纹的检测是实现红枣自动分级中最基础、最重要、最难的工作之一，其检测技术主要涉及到红枣图像的边缘检测等内容。边缘是图像局部强度变化最显著的部分，反映了图像最基本的特征。然而Sobel、Roberts、Prewitt和Laplacian等这些在农业工程界常用的经典边缘检测算子，并不能够很好地对红枣图像的裂纹作边缘检测。

在图像处理中，由于小波变换能够通过逐步改变尺度参数，对信号的局部结构进行分析，具有检测局域突变的能力，是边缘检测的良好工具。小波变换采用多尺度边缘检测方法，即：使用大尺度的滤波器对图像滤波，很好地抑制噪声，保留可靠的边缘点；使用小尺度的滤波器对图像滤波，补足大尺度滤波所造成的边缘损失，同时提高边缘检测的定位精度。在不同尺度的边缘图像间使用边缘匹配或边缘连接技术，由大尺度向小尺度进行边缘聚焦，可以获得清晰的边缘。

在基于外观品质的红枣自动分级***中，需要根据表面质量进行分级，有无裂纹是一个重要的表面质量指标，有裂纹即被评为低一级的产品。现有的检测方法存在把裂纹和褶皱同时检测出来的问题，而褶皱并不影响红枣的品质，显然这种检测结果不能用来评价红枣的品质。所以需要一种能有效地检测出红枣图像裂纹而略去皱褶，能够获得连续、光滑单像素宽的边缘链图像的边缘检测方法。

发明内容

针对上述现有技术中存在的问题与缺陷，本发明的目的在于提供一种基于小波变换的多尺度红枣图像裂纹边缘检测方法，该方法是一种能够有效地检测出红枣图像裂纹而略去皱褶，并获得连续、光滑、单像素宽的边缘链图像的边缘检测方法。

在图像的边缘提取中，高斯函数的一阶导数是一种常见的且较有效的小波函数，该函数比较简单且很适合于人类的视觉***；采用多尺度边缘检测方法，使用大尺度的滤波器对图像滤波，很好地抑制噪声，保留可靠的边缘点；使用小尺度的滤波器对图像滤波，补足大尺度滤波所造成的边缘损失，同时提高边缘检测的定位精度。

所述方法具体包括红枣图像的一般边缘检测和特殊边缘检测两个阶段：

第一阶段进行一般边缘检测，用小波多尺度变换对红枣图像先X方向和后Y方向滤波，分别得到WT_x和WT_y；对WT_x和WT_y分别平方后求和、开方得到梯度值M；将M归一化，并沿上、右上、右、右下、下、左下、左、左上8个方向找局部最大值点，并记下局部最大值点的位置及方向；利用概率密度法计算初始阈值t₀；用大小不等的两个阈值t₁和t₂，取t₁＝λ₁×t₀，t₂＝λ₂×t₀，(λ₁＜＝1，λ₂＞＝1)；先用低阈值t₁对各方向局部极大值点分割，得到各方向上的弱边缘点；把各方向上的弱边缘点累加得到总的弱边缘点；从各分方向上的弱边缘点中用高阈值t₂分割得到强边缘点，并记下所在位置；依据数学形态学中八邻域连通方法，采用“一强八弱”法，即在总的弱边缘点中，把强边缘点及其周围的8个弱边缘点连接起来，得到最后的检测结果；最后利用数学形态学中的腐蚀运算，对检测所得到的边缘加以细化，就可得到单像素宽的边缘；可改变初始阈值t₀，或改变λ₁以及λ₂，重复以上第一阶段步骤直到获得满意的红枣边缘图像。

为提高检测方法的有效性，选取具有代表性的一小段裂纹和一小段皱褶的红枣图像，通过第一阶段的边缘检测方法提取它们的边缘，对边缘特征分析可见，两者的边缘都有各自的特点。裂纹边缘的特点：(1)边缘旁有“点状”的伪边缘，这是由红枣本身的表面不光滑造成的，并不属于噪声；(2)边缘细化前后无变化，因为裂纹的宽度很小。皱褶边缘的特点是：(1)边缘旁有“平行的线状”伪边缘，因为皱褶的一旁或两旁其灰度值也会发生变化；(2)边缘细化后明显变细，因为皱褶的宽度比裂纹的大。

第二阶段进行特殊边缘检测，对于同时含有裂纹和皱褶的红枣图像作特殊边缘检测时，先通过第一阶段一般边缘检测的方法得到边缘图像；再根据裂纹和皱褶边缘图像的特点在第一阶段之后增加下述步骤作为算法的改进：(1)设置边缘链长度阈值，去掉长度小于此阈值的“点状”伪边缘；(2)设置边缘链宽度阈值，把宽度大于此阈值的皱褶边缘去掉。

本发明的应用过程中，阈值的确定，还可以采用局部自适应方法，因为一幅红枣图像中每个局部的灰度值往往不完全相等，利用小波变换得到的归一化后的梯度值M往往具有较强的局部性，尤其是对于在田间实地拍摄的农业图像，这就要求相应的阈值也应该具有局部自适应性。

本发明与现有的边缘检测方法相比，其优点在于：本检测方法设计了两个阶段，第一个阶段为先得到红枣边缘图像，如果不满足要求，即进入第二阶段，否则不进行第二阶段的检测；这样能够根据实际情况选择是否进行第二阶段，增强了检测结果的有效性，也增强了检测***中边缘检测方法的柔性。

附图说明

图1是本发明的红枣裂纹边缘检测流程图；

图2是检测时用到的原始红枣灰度图像；

图3a是按常规边缘检测方法用Sobel算子检测的结果图；

图3b是按常规边缘检测方法用Roberts算子检测的结果图；

图3c是按常规边缘检测方法用Prewitt算子检测的结果图；

图3d是按常规边缘检测方法用log算子检测的结果图；

图4是本发明第一阶段的检测结果图；

图5a裂纹小段的八连通边缘图；

图5b裂纹小段的细化边缘图；

图6a皱褶小段的八连通边缘图；

图6b皱褶小段的细化边缘图；

图7是本发明第二阶段的检测结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以含有裂纹的红枣图像为例，结合附图进一步详细阐述具体的红枣裂纹检测步骤。

红枣图像是通过对实物扫描获取的，扫描仪为清华紫光2100K，扫描分辨率为600dpi，图2是得到的红枣灰度图像，图中200所指为裂纹边缘，图中201所指为褶皱边缘，该图像将用于本发明方法的检测过程中。

图1是本发明的红枣裂纹边缘检测流程图。参看图1，在第一阶段100进行初步边缘检测，具体实现过程如下：

步骤101：运用小波多尺度变换对图像先X方向和后Y方向滤波，分别得到WT_x和WT_y；

步骤102：对WT_x和WT_y分别平方后求和再开方得到梯度大小M，并将梯度值M归一化，否则为确定阈值带来不便；

步骤103：沿上、右上、右、右下、下、左下、左、左上8个方向找局部最大值点，并记下局部最大值点的位置及方向；

步骤104：利用概率密度法计算初始阈值t₀，考虑到各个实际边缘点所对应的局部极大值肯定不相等，但它们都是边缘点的相应值，所以我们可以采用大小不等的两个阈值t₁和t₂，这里不妨取t₁＝λ×t₀，t₂＝λ×t₀，(λ₁＜＝1，λ₂＞＝1)；

步骤105：先用低阈值t₁对步骤103所得结果的各方向局部极大值点分割，得到各方向上的弱边缘点；

步骤106：把各方向上的弱边缘点累加得到总的弱边缘点；

步骤107：从各分方向上的弱边缘点中用高阈值t₂分割得到强边缘点，并记下所在位置；

步骤108：依据数学形态学中八邻域连通方法，结合本边缘检测步骤的特点，采用“一强八弱”法，即在总的弱边缘点中，把强边缘点及其周围的8个弱边缘点连接起来，得到初步的边缘检测结果；

步骤109：利用数学形态学中的腐蚀运算，对步骤108检测得到的边缘加以细化，就可得到单像素宽的边缘；

步骤1010：如果对边缘图像清晰程度不满意，可以通过改变初始阈值t₀或改变λ₁以及λ₂来改变高低阈值，重复步骤105到步骤109，直到获得清晰的边缘图像。

通过多尺度小波变换得到初步的边缘检测结果图4，图3a、图3b、图3c和图3d是分别用常规算法的Sobel、Roberts、Prewitt和log算子得到的检测结果，将这些边缘检测结果相比可见，利用小波多尺度变换能更好地检测边缘，但对于红枣裂纹的检测存在致命的问题——由图4可见把裂纹400和皱褶401同时检测出来，会引起红枣品质的误评价。还须进一步把皱褶去掉，只检测出裂纹。

为达到这一目的，分别选取具有代表性的带有一小段裂纹和一小段皱褶的红枣图像，分别利用第一阶段小波边缘检测法提取它们的边缘，图5a是裂纹小段的八连通边缘图，图5b是裂纹小段的细化边缘图，图6a皱褶小段的八连通边缘图，图6b是皱褶小段的细化边缘图，从图5b、图6b中可以看到，裂纹和皱褶的边缘分别有如下的特点：

裂纹边缘的特点：(1)边缘旁有“点状”的伪边缘，这是由红枣本身的表面不光滑造成的，并不属于噪声；(2)边缘细化前后无变化，因为裂纹的宽度很小。

皱褶边缘的特点：(1)边缘旁有“平行的线状”伪边缘，因为皱褶的一旁或两旁其灰度值也会发生变化；(2)边缘细化后明显变细，因为皱褶的宽度比裂纹的大。

根据裂纹和皱褶的特点，参看图1如果需要检测出裂纹和皱褶这种特殊边缘，则进入检测的第二阶段110进行特殊边缘的检测，否则结束检测。

第二阶段110进行特殊边缘的检测，需在第一阶段100的步骤1010之后增加下面三个步骤：

步骤112：设置边缘链长度阈值，去掉长度小于此阈值的“点状”伪边缘；

步骤113：设置边缘链宽度阈值，把宽度大于此阈值的皱褶边缘去掉；

步骤114：得到最后的去掉皱褶的裂纹边缘检测结果。

图7是利用改进后的算法经过了两个检测阶段后检测的结果，可看出得到了更好的裂纹检测结果，清晰地检测出了裂纹700，并去掉了许多褶皱701，同时也去掉了许多“点状”伪边缘点702。

上面所述的仅是体现本发明的一种实施例。显然本发明的具体实现形式并不限于上述实施例。图像处理、模式识别等领域的技术人员，在不偏离权利要求限定的本发明技术精神和范围的情况下，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，以及将本发明应用于其他图像处理领域，如焊缝、田间路径的检测和识别等，均应包含在本发明的保护范围之内。

Claims

1.一种基于小波变换的多尺度红枣图像裂纹边缘检测方法，其中执行一个预先通过摄像机或扫描仪的图像采集过程，获取待处理的红枣图像，通过处理这一图像来检测红枣裂纹，进而可通过检测结果对红枣按照是否有裂纹进行分级，所述检测方法具体包括对红枣图像的一般边缘检测和特殊边缘检测两个阶段。

2.权利要求1中所述的一般边缘检测包括：

(a)用高斯一阶微分滤波器对滤波后的红枣图像先X方向和后Y方向滤波，分别得到WT_x和WT_y；对WT_x和WT_y分别平方后求和再开方得到梯度值M；

(b)将M归一化，否则为确定阈值带来不便；

(c)沿上、右上、右、右下、下、左下、左、左上8个方向找局部最大值点，并记下局部最大值点的位置及方向；

(d)利用概率密度法计算初始阈值t₀；

(e)考虑到各个实际边缘点所对应的局部极大值不相等，但它们都是边缘点的相应值，所以可以取大小不等的两个阈值t₁和t₂，不妨取t₁＝λ₁×t₀，t₂＝λ₂×t₀，(λ₁＜＝1，λ₂＞＝1)；

(f)先用低阈值t₁对步骤(c)所得结果的各方向局部极大值点分割，得到各方向上的弱边缘点；

(g)把各方向上的弱边缘点累加得到总的弱边缘点；

(h)从各分方向上的弱边缘点中用高阈值t₂分割得到强边缘点，并记下所在位置；

(i)依据数学形态学中八邻域连通方法，采用“一强八弱”法，即在总的弱边缘点中，把强边缘点及其周围的8个弱边缘点连接起来，得到边缘检测结果；

(j)利用数学形态学中的腐蚀运算，对步骤(i)所得到的边缘加以细化，就可得到单像素宽的边缘；

(k)如果对检测的红枣边缘图像不满意，可通过改变初始阈值t₀，或改变λ₁以及λ₂，改变高、低阈值t₁和t₂，重复步骤(f)～(j)，直到获得清晰的红枣边缘图像。

3.为提高权利要求2中所述的边缘检测方法的有效性，分别选取有代表性的一小段裂纹和一小段皱褶红枣图像，分别利用权利要求2中所述的边缘检测方法提取它们的边缘，对边缘分析，可得两者的边缘有如下特点：

(a)红枣图像裂纹边缘的特点是：(1)边缘旁有“点状”的伪边缘，这是由红枣本身表面不光滑造成的，并不属于噪声；(2)边缘细化前后无变化，因为裂纹的宽度很小；

(b)红枣图像皱褶边缘的特点是：(1)边缘旁有“平行的线状”伪边缘，因为皱褶的一旁或两旁其灰度值也会发生变化；(2)边缘细化后明显变细，因为皱褶的宽度比裂纹的大。

4.检测红枣图像裂纹和皱褶的边缘时可利用权利要求2中所述的边缘检测方法，先得到边缘图像，根据权利要求3中对裂纹和皱褶特点的分析，在权利要求2的步骤(k)之后增加权力要求1中所述的第二阶段步骤，即特殊边缘检测：

(a)设置边缘链长度阈值，去掉长度小于此阈值的“点状”伪边缘；

(b)设置边缘链宽度阈值，把宽度大于此阈值的皱褶边缘去掉。

经过第二阶段改进后的算法，可得到更好的红枣裂纹检测结果，能够有效地检测出红枣裂纹而略去皱褶。