CN103679738A - 基于颜色半径邻近域像素分类的图像边缘检测方法 - Google Patents

Abstract

本发明涉及一种图像边缘检测方法，尤其是一种基于颜色半径邻近域像素分类的图像边缘检测方法，属于图像处理的技术领域。按照本发明提供的技术方案，一种基于颜色半径邻近域像素分类的彩色图像边缘检测方法，所述彩色图像边缘检测方法包括如下步骤：a、使用高斯滤波器对彩色图像进行平滑处理；b、对上述平滑处理后的彩色图像，利用邻近域像素分类方法对彩色图像进行边缘处理，以得到彩色图像的边缘像素分类；c、对上述彩色图像的边缘进行细化，以获得稳定的彩色图像的边缘。本发明操作方便，提高对彩色图像边缘检测的速度，边缘检测精度高，适应性强，稳定可靠。

Description

基于颜色半径邻近域像素分类的图像边缘检测方法

技术领域

本发明涉及一种图像边缘检测方法，尤其是一种基于颜色半径邻近域像素分类的图像边缘检测方法，属于图像处理的技术领域。

背景技术

边缘检测是图像处理中的一项重要研究课题，在计算机视觉和模式识别领域有广泛的应用。一般来讲，传统的边缘检测方法包含三个基本步骤，首先是图像预处理或者是图像滤波，然后是图像差分和梯度计算，最后进行边缘提取。使用梯度算子作为边缘性进行度量的方法已经有了比较成熟的发展。这些边缘检测方法主要可以分为三类：

1）、使用差分近似图像函数导数算子，如Roberts算子，Laplace算子，Prewitt算子，Sobel算子，Kirsch算子等。

2）、基于图像函数二阶导数过零点的算子、如Marr-Hildreth算子，Canny算子，LoG(Laplacian of Gaussian)算子等。

3）、试图将图像函数与边缘的参数模型相匹配的算子，Haralick和Shapiro做过相关的研究。

最近的相关研究有使用Hopfield神经网络进行边缘检测的方法，王刚等提出了一种基于亚像素多重分形测度的边缘检测方法。但上述这些方法都是针对灰度图像进行边缘检测。

目前，对于彩色图像进行边缘检测主要有两种思路。一种是把彩色图像转换成灰度图像，然后使用灰度图像边缘检测器对这幅图像进行处理。这种由彩色空间到灰度空间的转换是一种多对一的映射，也就是从高维空间到低维空间的转换，所检测出的边缘准确率会降低，同时，彩色图像中较明显的边界在灰度空间中可能会丢失。另一种思路是对彩色图像的每一个颜色分量进行边缘检测，最后对各检测结果进行边缘融合。这种处理方式所得到的边缘仍然不够准确，且容易忽略对颜色分量间信息的处理。因此，寻找一种可以充分利用彩色图像信息的彩色图像边缘检测方法十分有意义。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于颜色半径邻近域像素分类的彩色图像边缘检测方法，其操作方便，提高对彩色图像边缘检测的速度，边缘检测精度高，适应性强，稳定可靠。

按照本发明提供的技术方案，一种基于颜色半径邻近域像素分类的彩色图像边缘检测方法，所述彩色图像边缘检测方法包括如下步骤：

a、使用高斯滤波器对彩色图像进行平滑处理；

b、对上述平滑处理后的彩色图像，利用邻近域像素分类方法对彩色图像进行边缘处理，以得到彩色图像的边缘像素分类；

c、对上述彩色图像的边缘进行细化，以获得稳定的彩色图像的边缘。

所述步骤a中，使用高斯滤波器对彩色图像进行平滑时，选取邻域大小为3×3，标准偏差为0.45。

所述步骤b中，利用邻近域像素分类方法对彩色图像进行边缘处理包括如下步骤：

b1、在彩色图像上选取一个邻域，所述邻域的大小为nb_height*nb_width，颜色半径为color_radius，区分噪声类像素和边缘类像素的阈值为noise_edge_t；在所述邻域内，邻域像素集合为

Set＝{L_i},i＝1,2,…,n

其中，Set为邻域像素集合，L_i为邻域内的像素，n＝nb_height*nb-width；邻域中心为：

$\stackrel{\‾}{L}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{L}_i;$

邻域半径为：

$R=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|\right|L_i-\stackrel{\‾}{L}\left|\right|;$

b2、初始化邻域内各像素的分类标记，使得邻域内各像素的分类标记状态均为未分类，令遍历参数loc的初始值为1，遍历标记mark初始值为0；

b3、遍历邻域元素集合Set中的各像素；若loc＜n+1，同时，像素L_loc没有被分类时，以像素L_loc为参考点进行分类，并转到b4；若像素L_loc已被分类，则对遍历标记mark进行累加1，直至mark＝n停止对所述选取邻域像素集合Set的遍历，并跳转到步骤b7；若L₁～L_n都已被遍历，即loc＞n时，跳转到步骤b5；

b4、以像素L_loc为参考点进行分类，遍历Set中各像素，若有像素L_k尚未被分类，k取1～n，计算像素L_loc与像素L_k的欧式距离，若|L_locL_k|≤color_radius，那么像素L_k属于像素L_loc的类，像素L_loc的类中像素个数加1，最后得到以像素L_loc为参考点的分类S_loc中像素的个数，记为|S_loc|，对遍历参数loc累加1，转到步骤b3；

b5、完成一次分类遍历之后，得到一组数据{|S_i|},i＝1,2,…,m，m为一次遍历中参考点的个数，取max{|S_i|}所对应的类S_max为该次遍历所划分出的类，若|S_max|≤noise_edge_t，那么标记该类中像素为噪声，否则把该类中的像素标记为已分类，之后转到b6；

b6、初始化遍历参数loc，令遍历参数loc＝1，转到步骤b3继续遍历，直到所有的像素都被标记为已分类；

b7、对邻域元素集合Set分类后，记分类结果为：

Clf_Result＝{S₁,S₂,...,S_q}

若|Clf_Result|＝1，即q＝1，那么该类为1个区域，不包含边缘像素，跳转到步骤b9；否则，若q≥2，则进行如下处理：

分别计算各个分类S_v,v＝1,2,…,q的类中心C_v，若记S_v＝{L₁,L₂,…,L_p}，那么：

$C_v=\frac{1}{p}\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{L}_j$

计算各个类中心C_v到邻域中心

的距离D_v：

$D_v=\left|\right|C_v-\stackrel{\‾}{L}\left|\right|$

计算距离D_j和邻域半径R的差的绝对值：

d_v＝|D_v-R|

因此，得到一组距离数据：

d＝{d₁,d₂,...,d_q}

若d_j＝max{d}，那么第j个分类S_j中的元素包含了边缘像素；

b8、对包含了边缘像素的类S_j＝{L_j1,L_j2,…,L_jh}中的像素进行筛选；取分类S_w＝{L_w1,L_w2,…,L_wk}，满足d_w＝min{d}，边缘像素L_jx,x＝1,2,…,h需要满足下面两个条件：

i、L_jx∈S_j，且L_jx的8邻域内有像素L_wy∈S_W,y＝1,2,…k；

ii、边缘像素L_jx在某一方向上有边缘像素，记为像素L1、像素L2，在与该方向垂直的方向上有跳变像素，记为像素N1、像素N2，则有

||L-L1||≤color_radius；

||L-L2||≤color_radius；

||L-N1||＞color_radius；

||L-N2||＞color_radius；

对包含了边缘像素的类S_j经过筛选后得到边缘像素类S_edge＝{L_e1,L_e2,…,L_et}，所述边缘像素类S_edge为类S_j的子集；

b9、在彩色图像上选取下一邻域，并重复上述步骤，直至将整个彩色图像全部被选取检测，根据边缘像素类S_edge完成对彩色图像的边缘检测。

本发明的优点：从彩色图像所处的颜色空间着手，直接使用彩色信息，在小邻域内进行图像像素分类，根据边缘像素的分类特点，直接划分出边缘像素类。最后使用边缘像素约束条件对边缘像素进行筛选并得到理想的图像边缘。该种彩色图像边缘检测方法计算复杂度低，可以达到精确、快速的要求，并且有较强的鲁棒性。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

为了能够有效地检测彩色图像的边缘，本发明彩色图像边缘检测方法包括如下步骤：

a、使用高斯滤波器对彩色图像进行平滑处理；

本发明实施例中，通过高斯滤波器对彩色图像进行平滑处理，以初步去除彩色图像的噪声，使用高斯滤波器对彩色图像进行平滑时，选取邻域大小为3×3，标准偏差为0.45。

b、对上述平滑处理后的彩色图像，利用邻近域像素分类方法对彩色图像进行边缘处理，以得到彩色图像的边缘像素分类；

对于dim维颜色空间（如RGB彩色图像dim=3），定义颜色半径Color_Radius，若在该颜色空间中以点C(C₁,C₂,...,C_dim)为参考点定义颜色，那么对于任意属于“颜色C”的点P(P₁,P₂,...,P_dim)，满足||C-P||≤color_radius(||C-P||为两点间的欧式距离)，这样性质的点P的集合构成了“颜色C”。其中：

$\left|\right|C-P\left|\right|=\sqrt{\underset{i=1}{\overset{\dim }{\mathrm{\Σ}}}{(C_i-P_i)}^2}$

对于一个nb_height*nb_width的邻域，若某个像素是边缘像素，那么它对该邻域的“聚敛度贡献”最小，也就是使用颜色半径Color_Radius对该邻域内的像素进行颜色分类，边缘像素属于某个分类，该分类的中心到邻域中心的距离和邻域半径的差值的绝对值最大。

因此，利用邻近域像素分类方法对彩色图像进行边缘处理包括如下步骤：

b1、在彩色图像上选取一个邻域，所述邻域的大小为nb_height*nb_width，颜色半径为color_radius，区分噪声类像素和边缘类像素的阈值为noise_edge_t；在所述邻域内，邻域像素集合为

Set＝{L_i},i＝1,2,…,n

其中，Set为邻域像素集合，L_i为邻域内的像素，n＝nb_height*nb_width；邻域中心为：

$\stackrel{\‾}{L}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{L}_i;$

邻域半径为：

$R=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|\right|L_i-\stackrel{\‾}{L}\left|\right|;$

本发明实施例中，颜色半径color_radius、区分噪声类像素和边缘类像素的阈值noise_edge_t的大小可以根据需要以及具体的彩色图像大小进行选定，一般地，颜色半径color_radius可选定为20，区分噪声类像素和边缘类像素的阈值noise_edge_t可选定为1或2。

b2、初始化邻域内各像素的分类标记，使得邻域内各像素的分类标记状态均为未分类，令遍历参数loc的初始值为1，遍历标记mark初始值为0；

b3、遍历邻域元素集合Set中的各像素；若loc＜n+1，同时，像素L_loc没有被分类时，以像素L_loc为参考点进行分类，并转到b4；若像素L_loc已被分类，则对遍历标记mark进行累加1，直至mark＝n停止对所述选取邻域像素集合Set的遍历，并跳转到步骤b7；若L₁～L_n都已被遍历，即loc＞n时，跳转到步骤b5；

b4、以像素L_loc为参考点进行分类，遍历Set中各像素，若有像素L_k尚未被分类，k取1～n，计算像素L_loc与像素L_k的欧式距离，若||L_loc-L_k||≤color_radius，那么像素L_k属于像素L_loc的类，像素L_loc的类中像素个数加1，最后得到以像素L_loc为参考点的分类S_loc中像素的个数，记为|S_loc|，对遍历参数loc累加1，转到步骤b3；

b5、完成一次分类遍历之后，得到一组数据{|S_i|},i＝1,2,…,m，m为一次遍历中参考点的个数，取max{|S_i|}所对应的类S_max为该次遍历所划分出的类，若|S_max|≤noise_edge_t，那么标记该类中像素为噪声，否则把该类中的像素标记为已分类，之后转到b6；本步骤中，当|S_max|≤noise_edge_t，那么类S_max中的像素标记为噪声，否则，将类S_max中的像素标记为已分类。

b6、初始化遍历参数loc，令遍历参数loc＝1，转到步骤b3继续遍历，直到所有的像素都被标记为已分类；通过步骤b6，能够确定选定的邻域中所有的像素均能够被标记分类，以便于后续的分类处理以及筛选的操作。

b7、对邻域元素集合Set分类后，记分类结果为：

Clf_Result＝{S₁,S₂,...,S_q}

若|Clf_Result|＝1，即q＝1，那么该类为1个区域，不包含边缘像素，跳转到步骤b9；否则，若q≥2，则进行如下处理：

分别计算各个分类S_v,v＝1,2,…,q的类中心C_v，若记S_v＝{L₁,L₂,…,L_p}，此处，类S_v中包含p个像素，p的取值为2到n，那么：

$C_v=\frac{1}{p}\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{L}_j$

计算各个类中心C_v到邻域中心

的距离D_v：

$D_v=\left|\right|C_v-\stackrel{\‾}{L}\left|\right|$

计算距离D_j和邻域半径R的差的绝对值：

d_v＝|D_v-R|

因此，得到一组距离数据：

d＝{d₁,d₂,...,d_q}

若d_j＝max{d}，那么第j个分类S_j中的元素包含了边缘像素；

本发明实施例中，通过对分类结果Clf_Result内的类进行计算，能够得到一组距离数据。

b8、对包含了边缘像素的类S_j＝{L_j1,L_j2,…,L_jh}中的像素进行筛选；取分类S_w＝{L_w1,L_w2,…,L_wk}，满足d_w＝min{d}，边缘像素L_jx,x＝1,2,…,h需要满足下面两个条件：

i、L_jx∈S_j，且L_jx的8邻域内有像素L_wy∈S_W,y＝1,2,…k；

ii、边缘像素L_jx在某一方向上有边缘像素，记为像素L1、像素L2，在与该方向垂直的方向上有跳变像素，记为像素N1、像素N2，则有

||L-L1||≤color_radius；

||L-L2||≤color_radius；

||L-N1||＞color_radius；

||L-N2||＞color_radius；

对包含了边缘像素的类S_j经过筛选后得到边缘像素类S_edge＝{L_e1,L_e2,…,L_et}，所述边缘像素类S_edge为类S_j的子集；

b9、在彩色图像上选取下一邻域，并重复上述步骤，直至将整个彩色图像全部被选取检测，根据边缘像素类S_edge完成对彩色图像的边缘检测。

c、对上述彩色图像的边缘进行细化，以获得稳定的彩色图像的边缘。

本发明实施例中，通过对边缘检测后的彩色图像进行细化，以得到稳定的边缘，其中的细化方法可以参照文献“Lam,L.,Seong-Whan Lee,and Ching Y.Suen,"Thinning Methodologies-A Comprehensive Survey,"IEEE Transactions onPattern Analysis and Machine Intelligence,Vol14,No.9,September1992,page879”中的说明。

本发明基于颜色半径邻近域像素分类的彩色图像边缘检测方法，算法简单，易于实现。且相对Canny边缘检测算子，对添加了椒盐噪声的彩色图像进行边缘检测有优势。

本发明从彩色图像所处的颜色空间着手，直接使用彩色图像信息，在小邻域内进行图像像素分类，根据边缘像素的分类特点，直接划分出边缘像素类。最后使用边缘像素约束条件对边缘像素进行筛选并得到理想的图像边缘。该种彩色图像边缘检测方法计算复杂度低，可以达到精确、快速的要求，并且有较强的鲁棒性。

Claims (3)

1.一种基于颜色半径邻近域像素分类的彩色图像边缘检测方法，其特征是，所述彩色图像边缘检测方法包括如下步骤：

（a）、使用高斯滤波器对彩色图像进行平滑处理；

（b）、对上述平滑处理后的彩色图像，利用邻近域像素分类方法对彩色图像进行边缘处理，以得到彩色图像的边缘像素分类；

（c）、对上述彩色图像的边缘进行细化，以获得稳定的彩色图像的边缘。

2.根据权利要求1所述的基于颜色半径邻近域像素分类的彩色图像边缘检测方法，其特征是，所述步骤（a）中，使用高斯滤波器对彩色图像进行平滑时，选取邻域大小为3×3，标准偏差为0.45。

3.根据权利要求1所述的基于颜色半径邻近域像素分类的彩色图像边缘检测方法，其特征是，所述步骤（b）中，利用邻近域像素分类方法对彩色图像进行边缘处理包括如下步骤：

（b1）、在彩色图像上选取一个邻域，所述邻域的大小为nb_height*nb_width，颜色半径为color_radius，区分噪声类像素和边缘类像素的阈值为noise_edge_t；在所述邻域内，邻域像素集合为

Set＝{L_i},i＝1,2,…,n

其中，Set为邻域像素集合，L_i为邻域内的像素，n＝nb_height*nb_width；邻域中心为：

$\stackrel{\‾}{L}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{L}_i;$

邻域半径为：

$R=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left|\right|L_i-\stackrel{\‾}{L}\left|\right|;$

（b2）、初始化邻域内各像素的分类标记，使得邻域内各像素的分类标记状态均为未分类，令遍历参数loc的初始值为1，遍历标记mark初始值为0；

（b3）、遍历邻域元素集合Set中的各像素；若loc＜n+1，同时，像素L_loc没有被分类时，以像素L_loc为参考点进行分类，并转到（b4）；若像素L_loc已被分类，则对遍历标记mark进行累加1，直至mark＝n停止对所述选取邻域像素集合Set的遍历，并跳转到步骤（b7）；若L₁～L_n都已被遍历，即loc＞n时，跳转到步骤（b5）；

（b4）、以像素L_loc为参考点进行分类，遍历Set中各像素，若有像素L_k尚未被分类，k取1～n，计算像素L_loc与像素L_k的欧式距离，若||L_loc-L_k||≤color_radius，那么像素L_k属于像素L_loc的类，像素L_loc的类中像素个数加1，最后得到以像素L_loc为参考点的分类S_loc中像素的个数，记为|S_loc|，对遍历参数loc累加1，转到步骤（b3）；

（b5）、完成一次分类遍历之后，得到一组数据{|S_i|},i＝1,2,…,m，m为一次遍历中参考点的个数，取max{|S_i|}所对应的类S_max为该次遍历所划分出的类，若|S_max|≤noise_edge_t，那么标记该类中像素为噪声，否则把该类中的像素标记为已分类，之后转到（b6）；

（b6）、初始化遍历参数loc，令遍历参数loc＝1，转到步骤（b3）继续遍历，直到所有的像素都被标记为已分类；

（b7）、对邻域元素集合Set分类后，记分类结果为：

Clf_Result＝{S₁,S₂,...,S_q}

若|Clf_Result|＝1，即q＝1，那么该类为1个区域，不包含边缘像素，跳转到步骤（b9）；否则，若q≥2，则进行如下处理：

分别计算各个分类S_v,v＝1,2,…,q的类中心C_v，若记S_v＝{L₁,L₂,…,L_p}，那么：

$C_v=\frac{1}{p}\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{L}_j$

计算各个类中心C_v到邻域中心

的距离D_v：

$D_v=\left|\right|C_v-\stackrel{\‾}{L}\left|\right|$

计算距离D_j和邻域半径R的差的绝对值：

d_v＝|D_v-R|

因此，得到一组距离数据：

d＝{d₁,d₂,...,d_q}

若d_j＝max{d}，那么第j个分类S_j中的元素包含了边缘像素；

（b8）、对包含了边缘像素的类S_j＝{L_j1,L_j2,…,L_jh}中的像素进行筛选；取分类S_w＝{L_w1,L_w2,…,L_wk}，满足d_w＝min{d}，边缘像素L_jx,x＝1,2,…,h需要满足下面两个条件：

（i）、L_jx∈S_j，且L_jx的8邻域内有像素L_wy∈S_W,y＝1,2,…k；

（ii）、边缘像素L_jx在某一方向上有边缘像素，记为像素L1、像素L2，在与该方向垂直的方向上有跳变像素，记为像素N1、像素N2，则有

||L-L1||≤color_radius；

||L-L2||≤color_radius；

||L-N1||＞color_radius；

||L-N2||＞color_radius；

对包含了边缘像素的类S_j经过筛选后得到边缘像素类S_edge＝{L_e1,L_e2,…,L_et}，所述边缘像素类S_edge为类S_j的子集；

（b9）、在彩色图像上选取下一邻域，并重复上述步骤，直至将整个彩色图像全部被选取检测，根据边缘像素类S_edge完成对彩色图像的边缘检测。