CN110728692A - 一种基于Scharr算子改进的图像边缘检测方法 - Google Patents
一种基于Scharr算子改进的图像边缘检测方法 Download PDFInfo
- Publication number
- CN110728692A CN110728692A CN201911036811.6A CN201911036811A CN110728692A CN 110728692 A CN110728692 A CN 110728692A CN 201911036811 A CN201911036811 A CN 201911036811A CN 110728692 A CN110728692 A CN 110728692A
- Authority
- CN
- China
- Prior art keywords
- image
- edge detection
- edge
- calculating
- pixels
- 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.)
- Pending
Links
- 238000003708 edge detection Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006872 improvement Effects 0.000 title claims description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 12
- 239000006002 Pepper Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000892681 Erigenia bulbosa Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于Scharr算子的含噪图像边缘检测方法:步骤1,输入含噪图像;步骤2,改进中值滤波取值方法,得到降噪后的图像;步骤3,对图像进行均衡化,得到梯度增强的图像;步骤4,改进Scharr边缘检测算子,得到45°方向模板和135°方向模板的改进后的边缘检测算子;步骤5,确定边缘点,得到初步的边缘图像;步骤6,融合边缘图像,得到融合后的图像;步骤7,输出最终边缘检测的图像。本发明通过改进Scharr算子,将传统Scharr算子的2方向模板扩展到4方向,通过图像直方图均衡化增强图像梯度,通过图像降噪增强图像的抗噪能力以及边缘检测能力,通过图像二值化找到合适的阈值,来进一步提高图像的边缘检测效果。
Description
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Scharr算子改进的图像边缘检测方法。
背景技术
边缘检测是图像处理和机器视觉中最基础的一项技术,广泛应用于图像分割、图像识别以及图像分析等方面。随着科技的发展,人工智能的兴起,边缘检测更是被运用于人脸检测、车牌识别、医疗辅助等技术当中,可以说边缘检测技术和我们的生活也是息息相关的,在图像领域中起着至关重要的作用。
边缘检测技术一直以来备受人们的关注,不少有志之士更是投入了大量的时间去研究,提出不少边缘检测的算法,如Sobel算子、Robert算子、Prewitt算子、LoG算子以及Canny算子。其中Sobel算子是边缘检测最常用的算子之一,算法原理简单,速度快。但是对一些纹理比较复杂的图像,检测效果不是很理想,而且在边缘定位、检测精度不高,导致在含有噪声的图片的检测结果上很不理想,甚至出现误检、漏检的现象。Robert算子采用对角线作差的方式,所以计算量更小,计算速度更快,检测出来的边缘更加细化。但是Robert算子对于边缘的定位不准,检测的准确率不高。LoG算子首先会使用高斯滤波对图像进行降噪,增加图像的抗噪能力,相比一阶微分算子关注周围像素点的灰度值,强调灰度区域的缓慢变化,LoG算子更关注图像灰度的突变,通过二阶导数的0交叉点确定图像的边缘。Canny算子首先对图像使用高斯滤波,对图像进行降噪,然后采用一阶偏导数对图像的水平、垂直以及对角线四个方向进行卷积操作,得到图像的亮度梯度图和梯度方向,而且Canny算子会对图像非最大信号进行抑制,最后通过两个阈值将图像的边缘连接起来,虽然检测效果非常好,但是执行速度慢也是一大问题。
发明内容
本发明要解决的问题是针对现有技术的不足,提出一种抗噪能力更强、检测效果更好的图像边缘检测方法。
为解决上述技术问题,本发明通过以下技术方案实现,一种基于Scharr算子改进的图像边缘检测方法,包括以下步骤:
步骤1,输入含噪图像;
步骤2,改进中值滤波取值方法,得到降噪后的图像;
步骤3,对图像进行均衡化,得到梯度增强的图像;
步骤4,改进Scharr边缘检测算子,得到45°方向模板和135°方向模板的改进后的边缘检测算子;
步骤5,确定边缘点,得到初步的边缘图像;
步骤6,融合边缘图像,得到融合后的图像;
步骤7,输出最终边缘检测的图像;
进一步的,所述步骤2的具体步骤如下:
选定滤波模板大小,可以是3*3、5*5等,但是需要为奇数模板。本发明采用默认为3*3的模板Mids,这样可以最大限度的保持图像原有的灰度值;
选定完模板之后,我们进行卷积操作,不过卷积操作只是对图像f的灰度值进行排序,选取排序在中间的三个灰度值进行加权平均;
Vecb[3]=mid(z1,z2,z3,z4,z5,z6,z7,z8,z9)
得到的新的灰度值adj作为图像对应像素点的灰度值;
进一步的,所述步骤3的具体步骤如下:
图像f的灰度级范围为[0,255],其直方图是一个离散的函数;
P(ri)=ni
其中ri为第i个灰度级,i∈[0,255];ni为图像第i个灰度级的像素的总个数;
求出图像f的直方图,将数据存储在256维的向量当中,我们记为P;
求出图像f总共像素个数Nf。计算每个灰度值在图像中所占的比重;
求出图像各个灰度值的累积分布,总值为1;
归一化后,图像的任意灰度级均分布在[0,1],任意选取一个原图像的灰度级ri进行转换,均衡化后的灰度级为si;
si=T(ri)ri∈[0,1],si∈[0,1]
带入到图像计算;
P(i)=255×Pp(i)i∈[0,255]
在ri∈[0,1]内,T(ri)为单值单调增加;
从si到ri反变化;
ri=T-1(si)si∈[0,1]
ri的概率密度为P(ri),si的概率密度则可由P(r)求出;
对ri进行求导;
变换函数T(ri)进行改写;
进一步的,所述步骤4的具体步骤如下:
对图像f进行水平方向边缘检测,得到边缘检测图像f0;
以卷积核中心点为(x,y);
G0={(-3)f(x-1,y-1)+0f(x,y-1)+3f(x+1,y-1)+(-10)f(x-1,y)+0f(x,y)+10f(x+1,y)+(-3)f(x-1,y+1)+0f(x,y+1)+3f(x+1,y+1)}
G0={3f(x+1,y-1)+10f(x+1,y)+3f(x+1,y+1)}-{3f(x-1,y-1)+10f(x-1,y)+3f(x-1,y+1)}
带入图像中计算;
G0=|{3z3+10z6+3z9}-{3z1+10z4+3z7}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f90;
以卷积核中心点为(x,y);
G90={(-3)f(x-1,y-1)+(-10)f(x,y-1)+(-3)f(x+1,y-1)+0f(x-1,y)+0f(x,y)+0f(x+1,y)+3f(x-1,y+1)+10f(x,y+1)+3f(x+1,y+1)}
G90={3f(x-1,y+1)+10f(x,y+1)+3f(x+1,y+1)}-{3f(x-1,y-1)+10f(x,y-1)+3f(x+1,y-1)}
带入图像中计算;
G90=|{3z7+10z8+3z9}-{3z1+10z2+3z3}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f45;
以卷积核中心点为(x,y);
G45={(-10)f(x-1,y-1)+(-3)f(x,y-1)+0f(x+1,y-1)+(-3)f(x-1,y)+0f(x,y)+3f(x+1,y)+0f(x-1,y+1)+3f(x,y+1)+10f(x+1,y+1)}
G45={3f(x+1,y)+10f(x+1,y+1)+3f(x,y+1)}-{3f(x-1,y)+10f(x-1,y-1)+3f(x,y-1)}
带入图像中计算;
G45=|{3z6+3z8+10z9}-{10z1+3z2+3z4}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f135;
以卷积核中心点为(x,y);
G135={0f(x-1,y-1)+(-3)f(x,y-1)+(-10)f(x+1,y-1)+3f(x-1,y)+0f(x,y)+(-3)f(x+1,y)+10f(x-1,y+1)+3f(x,y+1)+0f(x+1,y+1)}
G135={3f(x-1,y)+10f(x-1,y+1)+3f(x,y+1)}-{3f(x,y-1)+10f(x+1,y-1)+3f(x+1,y)}
带入图像中计算;
G135=|{3z4+10z7+3z8}-{3z2+10z3+3z6}|
简化整体计算;
G=|Gx|+|Gy|
带入图像整体计算;
获取图像f梯度fG;
改进后的方向模板;
进一步的,所述步骤5的具体步骤如下:
图像f归一化后,计算前景像素比重Wb;
P(ri)=ni
其中ri为第i个灰度级,i∈[0,255],ni为图像第i个灰度级的像素的总个数;
其中Nf为总像素个数;
计算背景像素比重Wf;
P(ri)=ni
其中ri为第i个灰度级,i∈[l,t]t≤255,ni为图像第i个灰度级的像素的总个数;
计算前景像素平均值;
计算背景像素平均值;
计算前景像素方差;
计算背景像素方差;
使用上述结果类内方差;
带入图像中计算所得的内方差作为图像的最佳阈值TH,并将所得到的图像边缘与最佳阈值相比,确定边缘点;
得到初步的边缘图像fw
进一步的,所述步骤6的具体步骤如下:
对图像不进行均衡化,重复所述步骤3、4,得到边缘图像fb,将fw与fb作差,去除边缘无关点;
再将fw和作差,去除杂点后得到最终边缘检测图像fe;
与现有技术相比,本发明具有以下优点:
第一,本发明通过卷积,对图像模板像素进行排序,通过取值最接近原图灰度值的三个中间值进行加权平均,具有一定的抗噪能力同时,对于连续跳跃的像素点有很好的过渡作用,最大程度上维持了图像的像素值。
第二,本发明通过图像均衡化,加强了图像的梯度,提高图像边缘检测完整性和准确率的同时,提高了对于图像弱边缘的检测效果。
第三,本发明将传统Scharr算子的2方向模板拓展到4方向模板,提高了图像斜方向的检测效果以及边缘检测的完整度。
第四,本发明通过与未均衡化的图像边缘作差的方法,去除均衡化后产生的杂点,细化了图像边缘,最大限度保留了有用的边缘信息。
附图说明
图1为本发明的流程图。
图2位对于图像进行均衡化的仿真图。(a)为原始图像直方图;(b)为均衡化后图像直方图。
图3为对于清晰的、无噪声的图像进行边缘检测的仿真图。其中(a)为原始三幅图像;(b)为基于传统Scharr算子得到的边缘检测图像;(c)为基于本发明得到的边缘检测图像。
图4为对于含高斯白噪声图像进行边缘检测的仿真图。其中(a)为原始三幅清晰图像;(b)从左到右分为加入标准差为10、20、30的高斯白噪声图像;(c)为基于传统Scharr算子得到的边缘检测图像;(d)为基于本发明得到的边缘检测图像。
图5为对于含椒盐噪声图像进行边缘检测的仿真图。其中(a)为原始三幅清晰图像;(b)从左到右分别为加入数量比重为10%、30%、50%均匀分布的椒盐噪声图像;(c)为基于传统Scharr算子得到的边缘检测图像;(d)为基于本发明得到的边缘检测图像。
具体实施方式
参照图1,本发明的基于Scharr算子改进的图像边缘检测方法,具体包括如下步骤:
步骤1,输入含噪图像。
在计算机中应用VS2017和OpenCV基础库,读取图片库中的图像。
步骤2,对图像进行降噪。
选定滤波模板大小,可以是3*3、5*5等,但是需要为奇数模板。本发明采用默认为3*3的模板Mids,这样可以最大限度的保持图像原有的灰度值;
选定完模板之后,我们进行卷积操作,不过卷积操作只是对图像f的灰度值进行排序,选取排序在中间的三个灰度值进行加权平均;
Vecb[3]=mid(z1,z2,z3,z4,z5,z6,z7,z8,z9)
得到的新的灰度值adj作为图像对应像素点的灰度值;
步骤3,对图像进行均衡化。
如图二(a)所示。
图像f的灰度级范围为[0,255],其直方图是一个离散的函数;
P(ri)=ni
其中ri为第i个灰度级,i∈[0,255],ni为图像第i个灰度级的像素的总个数;
求出图像f的直方图,将数据存储在256维的向量当中,我们记为P;
求出图像f总共像素个数Nf。计算每个灰度值在图像中所占的比重;
求出图像各个灰度值的累积分布,总值为1;
归一化后,图像的任意灰度级占比均分布在[0,1],任意选取一个原图像的灰度级ri进行转换,均衡化后的灰度级为si;
si=T(ri)ri∈[0,1],si∈[0,1]
带入到图像计算;
P(i)=255×Pp(i)i∈[0,255]
如图二(b)所示。
在ri∈[0,1]内,T(ri)为单值单调增加;
从si到ri反变化;
ri=T-1(si)si∈[0,1]
ri的概率密度为P(ri),si的概率密度则可由P(r)求出;
对ri进行求导;
变换函数T(ri)进行改写;
步骤4,改进传统Scharr算子。
对图像f进行水平方向边缘检测,得到边缘检测图像f0;
以卷积核中心点为(x,y);
G0={(-3)f(x-1,y-1)+0f(x,y-1)+3f(x+1,y-1)+(-10)f(x-1,y)+0f(x,y)+10f(x+1,y)+(-3)f(x-1,y+1)+0f(x,y+1)+3f(x+1,y+1)}
G0={3f(x+1,y-1)+10f(x+1,y)+3f(x+1,y+1)}-{3f(x-1,y-1)+10f(x-1,y)+3f(x-1,y+1)}
带入图像中计算;
G0=|{3z3+10z6+3z9}-{3z1+10z4+3z7}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f90;
以卷积核中心点为(x,y);
G90={(-3)f(x-1,y-1)+(-10)f(x,y-1)+(-3)f(x+1,y-1)+0f(x-1,y)+0f(x,y)+0f(x+1,y)+3f(x-1,y+1)+10f(x,y+1)+3f(x+1,y+1)}
G90={3f(x-1,y+1)+10f(x,y+1)+3f(x+1,y+1)}-{3f(x-1,y-1)+10f(x,y-1)+3f(x+1,y-1)}
带入图像中计算;
G90=|{3z7+10z8+3z9}-{3z1+10z2+3z3}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f45;
以卷积核中心点为(x,y);
G45={(-10)f(x-1,y-1)+(-3)f(x,y-1)+0f(x+1,y-1)+(-3)f(x-1,y)+0f(x,y)+3f(x+1,y)+0f(x-1,y+1)+3f(x,y+1)+10f(x+1,y+1)}
G45={3f(x+1,y)+10f(x+1,y+1)+3f(x,y+1)}-{3f(x-1,y)+10f(x-1,y-1)+3f(x,y-1)}
带入图像中计算;
G45=|{3z6+3z8+10z9}-{10z1+3z2+3z4}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f135;
以卷积核中心点为(x,y);
G135={0f(x-1,y-1)+(-3)f(x,y-1)+(-10)f(x+1,y-1)+3f(x-1,y)+0f(x,y)+(-3)f(x+1,y)+10f(x-1,y+1)+3f(x,y+1)+0f(x+1,y+1)}
G135={3f(x-1,y)+10f(x-1,y+1)+3f(x,y+1)}-{3f(x,y-1)+10f(x+1,y-1)+3f(x+1,y)}
带入图像中计算;
G135=|{3z4+10z7+3z8}-{3z2+10z3+3z6}|
简化整体计算;
G=|Gx|+|Gy|
带入图像整体计算;
获取图像f梯度fG;
改进后的方向模板;
步骤5,确定最佳阈值。
图像f归一化后,计算前景像素比重Wb;
P(ri)=ni
其中ri为第i个灰度级,i∈[0,255],ni为图像第i个灰度级的像素的总个数;
其中Nf为总像素个数;
计算背景像素比重Wf;
P(ri)=ni
其中ri为第i个灰度级,i∈[l,t]t≤255,ni为图像第i个灰度级的像素的总个数;
计算前景像素平均值;
计算背景像素平均值;
计算前景像素方差;
计算背景像素方差;
使用上述结果类内方差;
带入图像中计算所得的内方差作为图像的最佳阈值TH,并将所得到的图像边缘与最佳阈值相比,确定边缘点;
得到初步的边缘图像fw
步骤6,融合边缘检测图像。
对图像不进行均衡化,重复所述步骤3、4,得到边缘图像fb,将fw与fb作差,去除边缘无关点;
再将fw和作差,去除杂点后得到最终边缘检测图像fe;
步骤7,输出最终边缘检测图像。
本发明的效果可以通过以下仿真实验进一步说明。
仿真实验1,该实验对原始清晰图像进行边缘检测的仿真。
仿真条件:在VS2017软件下运行。
参照图3,对Lena原始图像进行仿真实验。从图2(b)中可以看出,基于传统的Scharr算子边缘检测出来的结果图像中对于斜方向的检测能力较弱,容易受到背景因素影响。从图2(c)中可以看出,基于本发明方法得到的结果图像,对于若边缘的检测能力较强,对于背景的区分能力更强,检测出来的结果更完整。
仿真实验2,该实验对本发明中含高斯白噪声的图像进行边缘检测的仿真。
仿真条件:在VS2017软件下运行。
参照图4,对大小分别为512×512像素、292×320像素2640×3840像素,含高斯白噪声标准差分别为10、20、30的三幅图像进行边缘检测的仿真实验。从图4(c)可以看出,传统的Scharr边缘检测算子虽然检测出了图像的边缘,但是同样保留了图像大量的噪声信息,不利于图像后续的处理。从图4(d)可以看出,通过本发明提出的Scharr算子改进的图像边缘检测方法,具有一定的抗噪能力,同时对于图像的边缘检测效果的完整性和清晰度也更好。
仿真实验3,该实验对本发明中含椒盐的图像进行边缘检测的仿真。
仿真条件:在VS2017软件下运行。
参照图5,对大小分别为512×512像素、292×320像素、2640×3840像素,含椒盐噪声数量分别为1000、3000、5000的三幅图像进行边缘检测的仿真实验。从图4(c)可以看出,传统的Scharr边缘检测算子虽然检测出了图像的边缘,几乎椒盐噪声信息都保留了下来,图像很难进行下一步的处理。从图4(d)可以看出,通过本发明提出的Scharr算子改进的图像边缘检测方法,基本上完全处理了椒盐噪声带来的影响,无论是图像边缘信息的完整度还是清晰度都远远高于传统算子。
Claims (6)
1.一种基于Scharr算子改进的图像边缘检测方法,其特征在于包括以下步骤:
步骤1,输入含噪图像;
步骤2,改进中值滤波取值方法,得到降噪后的图像;
步骤3,对图像进行均衡化,得到梯度增强的图像;
步骤4,改进Scharr边缘检测算子,得到45°方向模板和135°方向模板的改进后的边缘检测算子;
步骤5,确定边缘点,得到初步的边缘图像;
步骤6,融合边缘图像,得到融合后的图像;
步骤7,输出最终边缘检测的图像。
3.如权利要求1所述的,其特征在于,所述步骤3的具体步骤如下:
图像f的灰度级范围为[0,255],其直方图是一个离散的函数;
P(ri)=ni ri为第i个灰度级,i∈[0,255]
ni为图像第i个灰度级的像素的总个数
求出图像f的直方图,将数据存储在256维的向量当中,我们记为P;
求出图像f总共像素个数Nf,并计算每个灰度值在图像中所占的比重;
求出图像各个灰度值的累积分布,总值为1;
归一化后,图像的任意灰度级均分布在[0,1],任意选取一个原图像的灰度级ri进行转换,均衡化后的灰度级为si;
si=T(ri) ri∈[0,1],si∈[0,1]
带入到图像计算;
P(i)=255×Pp(i) i∈[0,255]
在ri∈[0,1]内,T(ri)为单值单调增加;
从si到ri反变化;
ri=T-1(si) si∈[0,1]
ri的概率密度为P(ri),si的概率密度则可由P(r)求出;
对ri进行求导;
变换函数T(ri)进行改写;
4.如权利要求1所述的,其特征在于,所述步骤4的具体步骤如下:
对图像f进行水平方向边缘检测,得到边缘检测图像f0;
以卷积核中心点为(x,y);
G0={(-3)f(x-1,y-1)+0f(x,y-1)+3f(x+1,y-1)+(-10)f(x-1,y)+0f(x,y)+10f(x+1,y)+(-3)f(x-1,y+1)+0f(x,y+1)+3f(x+1,y+1)}
G0={3f(x+1,y-1)+10f(x+1,y)+3f(x+1,y+1)}-{3f(x-1,y-1)+10f(x-1,y)+3f(x-1,y+1)}
带入图像中计算;
G0=|{3z3+10z6+3z9}-{3z1+10z4+3z7}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f90;
以卷积核中心点为(x,y);
G90={(-3)f(x-1,y-1)+(-10)f(x,y-1)+(-3)f(x+1,y-1)+0f(x-1,y)+0f(x,y)+0f(x+1,y)+3f(x-1,y+1)+10f(x,y+1)+3f(x+1,y+1)}
G90={3f(x-1,y+1)+10f(x,y+1)+3f(x+1,y+1)}-{3f(x-1,y-1)+10f(x,y-1)+3f(x+1,y-1)}
带入图像中计算;
G90=|{3z7+10z8+3z9}-{3z1+10z2+3z3}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f45;
以卷积核中心点为(x,y);
G45={(-10)f(x-1,y-1)+(-3)f(x,y-1)+0f(x+1,y-1)+(-3)f(x-1,y)+0f(x,y)+3f(x+1,y)+0f(x-1,y+1)+3f(x,y+1)+10f(x+1,y+1)}
G45={3f(x+1,y)+10f(x+1,y+1)+3f(x,y+1)}-{3f(x-1,y)+10f(x-1,y-1)+3f(x,y-1)}
带入图像中计算;
G45=|{3z6+3z8+10z9}-{10z1+3z2+3z4}|
对图像f进行垂直方向边缘检测,得到边缘检测图像f135;
以卷积核中心点为(x,y);
G135={0f(x-1,y-1)+(-3)f(x,y-1)+(-10)f(x+1,y-1)+3f(x-1,y)+0f(x,y)+(-3)f(x+1,y)+10f(x-1,y+1)+3f(x,y+1)+0f(x+1,y+1)}
G135={3f(x-1,y)+10f(x-1,y+1)+3f(x,y+1)}-{3f(x,y-1)+10f(x+1,y-1)+3f(x+1,y)}
带入图像中计算;
G135=|{3z4+10z7+3z8}-{3z2+10z3+3z6}|
简化整体计算;
G=|Gx|+|Gy|
带入图像整体计算;
获取图像f梯度fG;
改进后的方向模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911036811.6A CN110728692A (zh) | 2019-10-29 | 2019-10-29 | 一种基于Scharr算子改进的图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911036811.6A CN110728692A (zh) | 2019-10-29 | 2019-10-29 | 一种基于Scharr算子改进的图像边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110728692A true CN110728692A (zh) | 2020-01-24 |
Family
ID=69222397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911036811.6A Pending CN110728692A (zh) | 2019-10-29 | 2019-10-29 | 一种基于Scharr算子改进的图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728692A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381751A (zh) * | 2020-07-07 | 2021-02-19 | 昆山新精度金属科技有限公司 | 一种基于图像处理算法的在线智能检测***及方法 |
CN112542007A (zh) * | 2020-11-30 | 2021-03-23 | 福州外语外贸学院 | 一种金融取款间危险目标检测方法及*** |
CN113269800A (zh) * | 2021-05-25 | 2021-08-17 | 华能海南发电股份有限公司澄迈光伏电站 | 一种太阳能光伏组件红外图像分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017182378A1 (de) * | 2016-04-18 | 2017-10-26 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und vorrichtung zur kantendetektion |
CN108470343A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 一种改进的图像边缘检测方法 |
-
2019
- 2019-10-29 CN CN201911036811.6A patent/CN110728692A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017182378A1 (de) * | 2016-04-18 | 2017-10-26 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und vorrichtung zur kantendetektion |
CN108470343A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 一种改进的图像边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
李浩谊等: "基于改进的Scharr算法的海上舰船图像边缘检测", 《舰船电子工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381751A (zh) * | 2020-07-07 | 2021-02-19 | 昆山新精度金属科技有限公司 | 一种基于图像处理算法的在线智能检测***及方法 |
CN112542007A (zh) * | 2020-11-30 | 2021-03-23 | 福州外语外贸学院 | 一种金融取款间危险目标检测方法及*** |
CN113269800A (zh) * | 2021-05-25 | 2021-08-17 | 华能海南发电股份有限公司澄迈光伏电站 | 一种太阳能光伏组件红外图像分割方法 |
CN113269800B (zh) * | 2021-05-25 | 2023-05-12 | 华能海南发电股份有限公司澄迈光伏电站 | 一种太阳能光伏组件红外图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Removing rain from single images via a deep detail network | |
CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
CN111488865B (zh) | 图像优化方法、装置、计算机存储介质以及电子设备 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN110728692A (zh) | 一种基于Scharr算子改进的图像边缘检测方法 | |
CN111695421B (zh) | 图像识别方法、装置及电子设备 | |
CN111681198A (zh) | 一种形态学属性滤波多模融合成像方法、***及介质 | |
CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111985427A (zh) | 活体检测方法、设备及可读存储介质 | |
CN115908154A (zh) | 基于图像处理的视频后期颗粒噪声去除方法 | |
CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN113012157A (zh) | 一种设备缺陷视觉检测方法及*** | |
Yuan et al. | A confidence prior for image dehazing | |
Zhu et al. | Fast single image dehazing through edge-guided interpolated filter | |
Panda et al. | Filtering corrupted image and edge detection in restored grayscale image using derivative filters | |
CN108346128B (zh) | 一种美颜磨皮的方法和装置 | |
CN113570725A (zh) | 基于聚类的三维表面重建方法、装置、服务器及存储介质 | |
CN112926695A (zh) | 基于模板匹配的图像识别方法和*** | |
CN117132503A (zh) | 一种图像局部高亮区域修复方法、***、设备及存储介质 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
Ahn et al. | Segmenting a noisy low-depth-of-field image using adaptive second-order statistics | |
CN112070765B (zh) | 一种基于双边滤波结合改进的otsu的布匹检测方法 | |
CN114529828A (zh) | 遥感图像居民地要素提取方法和装置及设备 | |
CN112085683A (zh) | 一种显著性检测中的深度图可信度检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200124 |