CN106600615A - 一种图像边缘检测算法评价***及方法 - Google Patents
一种图像边缘检测算法评价***及方法 Download PDFInfo
- Publication number
- CN106600615A CN106600615A CN201611044020.4A CN201611044020A CN106600615A CN 106600615 A CN106600615 A CN 106600615A CN 201611044020 A CN201611044020 A CN 201611044020A CN 106600615 A CN106600615 A CN 106600615A
- Authority
- CN
- China
- Prior art keywords
- matrix
- edge
- standard
- image
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种图像边缘检测算法评价***及方法,所述评价***包括:标准边缘矩阵构造模块,获取标准参考图像并调整尺寸,读取经尺寸调整后的标准参考图像的像素矩阵,构造标准边缘矩阵;图像融合模块,将经尺寸调整后的标准参考图像融合入待测图像中,获得融合图像;边缘检测模块,以待评价算法对所述融合图像进行边缘检测,提取融合区域,获得参考图像矩阵;比对模块,将所述标准边缘矩阵和参考图像矩阵进行比对,获得待评价算法的评价结果。与现有技术相比,本发明具有应用简单方便、计算时间短等优点。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像边缘检测算法评价***及方法,用于解决图像边缘检测算法和参数选择的优劣性判据问题。
背景技术
边缘是图像中灰度发生空间突变的像素的集合,具有图像重要的信息特征。边缘检测是图像处理技术中重要的预处理方法,对后续的图像增强、图像配准、模式识别等工作具有重要意义。传统边缘检测方法是基于一阶导数的极值,如Sobel算子、Roberts算子、Canny算子等,或是基于二阶导数过零点,如Laplacian算子等。近些年出现许多基于新兴技术的算法,如基于小波变换、模糊数学、遗传算法、曲面拟合等。
随着计算机视觉和数字图像处理技术的发展,关于图像的边缘特征提取研究的算法层出不穷。但由于不同算法基于的理论不同,加上图像边缘的复杂性和多样性,目前关于边缘检测算法的性能评价方法研究甚少。Canny准则指出,最优边缘检测的三个主要评价标准是:低错误率、高定位性和最小响应。目前算法参数值选择的评价大多是基于人肉眼主观认识判断,缺乏权威性判据;或是基于图像先验知识,通过统计学方法表示出复杂的数学公式,反复训练使权值达到最优,不适用于复杂图像且时间成本过高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种应用简单方便、计算时间短的图像边缘检测算法评价***及方法。
本发明的目的可以通过以下技术方案来实现:
一种图像边缘检测算法评价***,包括:
标准边缘矩阵构造模块,获取标准参考图像并调整尺寸,读取经尺寸调整后的标准参考图像的像素矩阵,构造标准边缘矩阵;
图像融合模块,将经尺寸调整后的标准参考图像融合入待测图像中,获得融合图像;
边缘检测模块,以待评价算法对所述融合图像进行边缘检测,提取融合区域,获得参考图像矩阵;
比对模块,将所述标准边缘矩阵和参考图像矩阵进行比对,获得待评价算法的评价结果。
所述标准边缘矩阵构造模块包括:
像素矩阵读取单元,用于读取像素矩阵;
灰度值重置单元,用于从所述像素矩阵中获得灰度值突变的像素,将其灰度值重置为255,其余灰度值重置为0,获得标准边缘矩阵。
所述比对模块包括:
误差计算单元,用于计算所述标准边缘矩阵与参考图像矩阵的均方根误差;
缺失像素计算单元,用于计算所述参考图像矩阵相比标准边缘矩阵缺失255像素点的缺失个数;
评价单元,用于根据所述均方根误差和缺失个数获得待评价算法的评价结果,均方根误差越小,待评价算法对待测图像的适用性越好,缺失个数越小,待评价算法对待测图像的适用性越好。
一种图像边缘检测算法评价方法,包括:
获取标准参考图像并调整尺寸,读取经尺寸调整后的标准参考图像的像素矩阵,构造标准边缘矩阵;
将经尺寸调整后的标准参考图像融合入待测图像中,获得融合图像;
以待评价算法对所述融合图像进行边缘检测,提取融合区域,获得参考图像矩阵;
将所述标准边缘矩阵和参考图像矩阵进行比对,获得待评价算法的评价结果。
所述标准边缘矩阵通过以下步骤获取:
读取像素矩阵;
从所述像素矩阵中获得灰度值突变的像素,将其灰度值重置为255,其余灰度值重置为0,获得标准边缘矩阵。
所述将所述标准边缘矩阵和参考图像矩阵进行比对具体包括:
计算所述标准边缘矩阵与参考图像矩阵的均方根误差;
计算所述参考图像矩阵相比标准边缘矩阵缺失255像素点的缺失个数;
根据所述均方根误差和缺失个数获得待评价算法的评价结果,均方根误差越小,待评价算法对待测图像的适用性越好,缺失个数越小,待评价算法对待测图像的适用性越好。
与现有技术相比,本发明具有以下优点:
(1)本发明采用标准边缘矩阵和参考图像矩阵比对的方法对算法或参数选择对待测图像的适用性进行评价,可避免一般评价方法中无统一性权威判据、计算复杂度高和适用性差的情况,简单方便且计算时间短。
(2)应用范围广,可应用于图像分割、模式识别、计算机视觉、机器学习等领域。
附图说明
图1为本发明的流程图;
图2a为本发明实施例中采用的标准参考图像;
图2b为本发明实施例中采用的标准参考图像尺寸调整为64*64的图像;
图3为本发明实施例中采用的待测图像,即Lenna灰度图;
图4为本发明实施例中的融合图像;
图5a-5j为本发明实施例中不同滞后性阈值参数下的Canny边缘检测图像;
图6为本发明实施例中综合比较分析的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种图像边缘检测算法评价方法,包括:
步骤1,获取标准参考图像并调整尺寸,读取经尺寸调整后的标准参考图像的像素矩阵,从所述像素矩阵中获得灰度值突变的像素,将其灰度值重置为255,其余灰度值重置为0,获得标准边缘矩阵。本实施例中,标准参考图像选择灰度渐变、边缘明显且曲线丰富的图像,如图2a所示,将图像载入MATLAB,读取其像素矩阵。本实施例中,用OPENCV中的resize命令将标准参考图像等比例缩小到64*64,如图2b所示。
步骤2,将经尺寸调整后的标准参考图像融合入待测图像中,获得融合图像。
本实施例采用的待测图像为Lenna标准512*512灰度图,如图3所示。选取其中灰度均匀无明显边缘的区域作为ROI区域,这样对融合后边缘检测的影响较小。定位左上起始点为待测图像矩阵第5行80列处,利用OPENCV基本Mat数据类型在此处创建64*64大小的ROI区域。然后将64*64的标准参考图像利用OPENCV的copyTo命令复制到此区域,即完成与待测图像的融合,融合后图像如图4所示。
步骤3,以待评价算法对所述融合图像进行边缘检测,提取其定位的ROI区域图像,获得参考图像矩阵。
本实施例中,以Canny边缘检测为例,选取高低阈值比为3:1,固定孔径值为3,选用3*3内核进行降噪,对融合后的图像在OPENCV中运行Canny算子。固定阈值比,第一个滞后性阈值分别取0,10,20,...100,对应得到的一系列边缘检测后的图像,分别为图5a,5b,5c,...5j。将上述图像分别载入到MATLAB,提取检测后图像中参考图像矩阵,即为检测后图像矩阵中(6:69,81:144)部分。将以上提取出的数据分别保存。
步骤4,将所述标准边缘矩阵和参考图像矩阵进行比对,获得待评价算法的评价结果,如图6所示,具体包括:
计算所述标准边缘矩阵与参考图像矩阵的均方根误差;
计算所述参考图像矩阵相比标准边缘矩阵缺失255像素点的缺失个数;
根据所述均方根误差和缺失个数获得待评价算法的评价结果,均方根误差越小,待评价算法对待测图像的适用性越好,缺失个数越小,待评价算法对待测图像的适用性越好。误差小且缺失个数较少的为最优阈值参数选择,从而得出待测图像最佳的阈值参数选择。此步骤可以进一步细化,阈值选取间隔更小时,得出的参数选择更优。
上述方法可以用于评价一种算法不同参数选取时对待测图像的适用性,也可以对不同算法作用于同一图像进行对比分析,按照以上步骤,选出最适于待测图像的算法。
Claims (6)
1.一种图像边缘检测算法评价***,其特征在于,包括:
标准边缘矩阵构造模块,获取标准参考图像并调整尺寸,读取经尺寸调整后的标准参考图像的像素矩阵,构造标准边缘矩阵;
图像融合模块,将经尺寸调整后的标准参考图像融合入待测图像中,获得融合图像;
边缘检测模块,以待评价算法对所述融合图像进行边缘检测,提取融合区域,获得参考图像矩阵;
比对模块,将所述标准边缘矩阵和参考图像矩阵进行比对,获得待评价算法的评价结果。
2.根据权利要求1所述的图像边缘检测算法评价***,其特征在于,所述标准边缘矩阵构造模块包括:
像素矩阵读取单元,用于读取像素矩阵;
灰度值重置单元,用于从所述像素矩阵中获得灰度值突变的像素,将其灰度值重置为255,其余灰度值重置为0,获得标准边缘矩阵。
3.根据权利要求1所述的图像边缘检测算法评价***,其特征在于,所述比对模块包括:
误差计算单元,用于计算所述标准边缘矩阵与参考图像矩阵的均方根误差;
缺失像素计算单元,用于计算所述参考图像矩阵相比标准边缘矩阵缺失255像素点的缺失个数;
评价单元,用于根据所述均方根误差和缺失个数获得待评价算法的评价结果,均方根误差越小,待评价算法对待测图像的适用性越好,缺失个数越小,待评价算法对待测图像的适用性越好。
4.一种图像边缘检测算法评价方法,其特征在于,包括:
获取标准参考图像并调整尺寸,读取经尺寸调整后的标准参考图像的像素矩阵;
将经尺寸调整后的标准参考图像融合入待测图像中,获得融合图像;
以待评价算法对所述融合图像进行边缘检测,提取融合区域,获得参考图像矩阵;
将所述标准边缘矩阵和参考图像矩阵进行比对,获得待评价算法的评价结果。
5.根据权利要求4所述的图像边缘检测算法评价方法,其特征在于,所述标准边缘矩阵通过以下步骤获取:
读取像素矩阵;
从所述像素矩阵中获得灰度值突变的像素,将其灰度值重置为255,其余灰度值重置为0,获得标准边缘矩阵。
6.根据权利要求4所述的图像边缘检测算法评价方法,其特征在于,所述将所述标准边缘矩阵和参考图像矩阵进行比对具体包括:
计算所述标准边缘矩阵与参考图像矩阵的均方根误差;
计算所述参考图像矩阵相比标准边缘矩阵缺失255像素点的缺失个数;
根据所述均方根误差和缺失个数获得待评价算法的评价结果,均方根误差越小,待评价算法对待测图像的适用性越好,缺失个数越小,待评价算法对待测图像的适用性越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611044020.4A CN106600615B (zh) | 2016-11-24 | 2016-11-24 | 一种图像边缘检测算法评价***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611044020.4A CN106600615B (zh) | 2016-11-24 | 2016-11-24 | 一种图像边缘检测算法评价***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600615A true CN106600615A (zh) | 2017-04-26 |
CN106600615B CN106600615B (zh) | 2019-07-12 |
Family
ID=58592965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611044020.4A Active CN106600615B (zh) | 2016-11-24 | 2016-11-24 | 一种图像边缘检测算法评价***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600615B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153067A (zh) * | 2017-05-30 | 2017-09-12 | 镇江苏仪德科技有限公司 | 一种基于matlab的零件表面缺陷检测方法 |
CN107341824A (zh) * | 2017-06-12 | 2017-11-10 | 西安电子科技大学 | 一种图像配准的综合评价指标生成方法 |
CN107424164A (zh) * | 2017-07-19 | 2017-12-01 | 中国计量大学 | 一种图像边缘检测精度评价方法 |
CN109872296A (zh) * | 2019-01-04 | 2019-06-11 | 中山大学 | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914829A (zh) * | 2014-01-22 | 2014-07-09 | 西安电子科技大学 | 一种含噪图像边缘检测方法 |
CN104143185A (zh) * | 2014-06-25 | 2014-11-12 | 东软集团股份有限公司 | 一种污点区域检测方法 |
CN104978469A (zh) * | 2015-08-05 | 2015-10-14 | 安徽贵谷电子商务有限公司 | 一种基于边缘矩阵的服装面料快速填充方法 |
-
2016
- 2016-11-24 CN CN201611044020.4A patent/CN106600615B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914829A (zh) * | 2014-01-22 | 2014-07-09 | 西安电子科技大学 | 一种含噪图像边缘检测方法 |
CN104143185A (zh) * | 2014-06-25 | 2014-11-12 | 东软集团股份有限公司 | 一种污点区域检测方法 |
CN104978469A (zh) * | 2015-08-05 | 2015-10-14 | 安徽贵谷电子商务有限公司 | 一种基于边缘矩阵的服装面料快速填充方法 |
Non-Patent Citations (1)
Title |
---|
邓动伟 等: ""基于改进canny算子的图像边缘检测"", 《电脑与信息技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153067A (zh) * | 2017-05-30 | 2017-09-12 | 镇江苏仪德科技有限公司 | 一种基于matlab的零件表面缺陷检测方法 |
CN107341824A (zh) * | 2017-06-12 | 2017-11-10 | 西安电子科技大学 | 一种图像配准的综合评价指标生成方法 |
CN107341824B (zh) * | 2017-06-12 | 2020-07-28 | 西安电子科技大学 | 一种图像配准的综合评价指标生成方法 |
CN107424164A (zh) * | 2017-07-19 | 2017-12-01 | 中国计量大学 | 一种图像边缘检测精度评价方法 |
CN107424164B (zh) * | 2017-07-19 | 2019-09-27 | 中国计量大学 | 一种图像边缘检测精度评价方法 |
CN109872296A (zh) * | 2019-01-04 | 2019-06-11 | 中山大学 | 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106600615B (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及*** | |
CN106651899B (zh) | 基于Adaboost的眼底图像微动脉瘤检测*** | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
US7970212B2 (en) | Method for automatic detection and classification of objects and patterns in low resolution environments | |
CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN101615292B (zh) | 基于灰度信息的人眼精确定位方法 | |
CN104134200B (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
CN101729911B (zh) | 一种基于视觉感知的多视点图像颜色校正方法 | |
CN107240096A (zh) | 一种红外与可见光图像融合质量评价方法 | |
CN107341790B (zh) | 一种环境洁净度检测的图像处理方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN107657606A (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
CN106600615B (zh) | 一种图像边缘检测算法评价***及方法 | |
CN107256547A (zh) | 一种基于显著性检测的表面裂纹识别方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
KR20120019425A (ko) | 화상 처리 장치 및 방법, 및 프로그램 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN105427275A (zh) | 大田环境麦穗计数方法及装置 | |
CN108550145A (zh) | 一种sar图像质量评估方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |