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 PDF

Info

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
Application number
CN201911036811.6A
Other languages
English (en)
Inventor
王敏
洪涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
China University of Metrology
Original Assignee
China University of Metrology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Metrology filed Critical China University of Metrology
Priority to CN201911036811.6A priority Critical patent/CN110728692A/zh
Publication of CN110728692A publication Critical patent/CN110728692A/zh
Pending legal-status Critical Current

Links

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

一种基于Scharr算子改进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)
Figure BDA0002251733280000012
得到的新的灰度值adj作为图像对应像素点的灰度值；
Figure BDA0002251733280000021
Figure BDA0002251733280000022
Figure BDA0002251733280000023
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；
Figure BDA0002251733280000024
求出图像各个灰度值的累积分布，总值为1；
Figure BDA0002251733280000025
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；
Figure BDA0002251733280000026
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；
Figure BDA0002251733280000029
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；
Figure BDA0002251733280000032
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；
Figure BDA0002251733280000033
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；
Figure BDA0002251733280000034
G＝|Gx|+|Gy|
带入图像整体计算；
Figure BDA0002251733280000035
获取图像f梯度fG；
改进后的方向模板；
Figure BDA0002251733280000036
Figure BDA0002251733280000041
Figure BDA0002251733280000042
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；
Figure BDA0002251733280000044
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；
Figure BDA0002251733280000045
Figure BDA0002251733280000046
计算前景像素平均值；
Figure BDA0002251733280000047
计算背景像素平均值；
Figure BDA0002251733280000048
计算前景像素方差；
Figure BDA0002251733280000049
计算背景像素方差；
Figure BDA00022517332800000410
使用上述结果类内方差；
Figure BDA00022517332800000411
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；
Figure BDA00022517332800000413
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；
Figure BDA00022517332800000414
再将fw和作差，去除杂点后得到最终边缘检测图像fe；
Figure BDA00022517332800000416
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)
Figure BDA0002251733280000051
Figure BDA0002251733280000052
得到的新的灰度值adj作为图像对应像素点的灰度值；
Figure BDA0002251733280000054
Figure BDA0002251733280000061
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；
Figure BDA0002251733280000062
求出图像各个灰度值的累积分布，总值为1；
Figure BDA0002251733280000063
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；
Figure BDA0002251733280000064
对ri进行求导；
Figure BDA0002251733280000065
变换函数T(ri)进行改写；
Figure BDA0002251733280000066
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；
Figure BDA0002251733280000067
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；
Figure BDA0002251733280000068
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；
Figure BDA0002251733280000071
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；
Figure BDA0002251733280000073
G＝|Gx|+|Gy|
带入图像整体计算；
Figure BDA0002251733280000074
获取图像f梯度fG；
改进后的方向模板；
Figure BDA0002251733280000075
Figure BDA0002251733280000076
Figure BDA0002251733280000078
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；
Figure BDA0002251733280000082
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；
Figure BDA0002251733280000084
计算前景像素平均值；
Figure BDA0002251733280000085
计算背景像素平均值；
Figure BDA0002251733280000086
计算前景像素方差；
Figure BDA0002251733280000087
计算背景像素方差；
Figure BDA0002251733280000088
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；
Figure BDA00022517332800000811
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；
Figure BDA00022517332800000812
再将fw和作差，去除杂点后得到最终边缘检测图像fe；
Figure BDA00022517332800000814
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。
2.如权利要求1所述的，其特征在于，所述步骤2的具体步骤如下：
选定滤波模板大小，本发明采用默认为3*3的模板Mids；
选定完模板之后，进行卷积操作，卷积操作只对图像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)
Figure FDA0002251733270000011
Figure FDA0002251733270000012
Figure FDA0002251733270000013
得到的新的灰度值adj作为图像对应像素点的灰度值。
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；
Figure FDA0002251733270000014
求出图像各个灰度值的累积分布，总值为1；
Figure FDA0002251733270000015
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；
Figure FDA0002251733270000021
对ri进行求导；
Figure FDA0002251733270000022
变换函数T(ri)进行改写；
Figure FDA0002251733270000023
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；
Figure FDA0002251733270000024
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；
Figure FDA0002251733270000025
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；
Figure FDA0002251733270000026
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；
Figure FDA0002251733270000027
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；
Figure FDA0002251733270000031
G＝|Gx|+|Gy|
带入图像整体计算；
Figure FDA0002251733270000032
获取图像f梯度fG；
Figure FDA0002251733270000033
改进后的方向模板。
5.如权利要求1所述的，其特征在于，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 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
Nf为总像素个数
计算背景像素比重Wf；
P(ri)＝ni 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
Figure FDA0002251733270000036
Figure FDA0002251733270000037
计算前景像素平均值；
Figure FDA0002251733270000038
计算背景像素平均值；
Figure FDA0002251733270000039
计算前景像素方差；
计算背景像素方差；
Figure FDA00022517332700000311
使用上述结果类内方差；
Figure FDA00022517332700000312
带入图像中计算所得的内方差
Figure FDA00022517332700000313
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；
Figure FDA00022517332700000314
得到初步的边缘图像fw。
6.如权利要求1所述的，其特征在于，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；
Figure FDA0002251733270000041
再将fw和
Figure FDA0002251733270000042
作差，去除杂点后得到最终边缘检测图像fe；
Figure FDA0002251733270000043
CN201911036811.6A 2019-10-29 2019-10-29 一种基于Scharr算子改进的图像边缘检测方法 Pending CN110728692A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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