CN111161296A - 基于离散小波变换的多尺度边缘检测方法 - Google Patents
基于离散小波变换的多尺度边缘检测方法 Download PDFInfo
- Publication number
- CN111161296A CN111161296A CN201911408070.XA CN201911408070A CN111161296A CN 111161296 A CN111161296 A CN 111161296A CN 201911408070 A CN201911408070 A CN 201911408070A CN 111161296 A CN111161296 A CN 111161296A
- Authority
- CN
- China
- Prior art keywords
- image
- weak
- edge
- weak edge
- point
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明属于图像边缘检测技术领域,更具体地,本发明涉及一种基于离散小波变换的多尺度边缘检测方法。
背景技术
边缘检测是图象分析识别前必不可少的环节,是当代图像处理技术研究和应用的重要领域之一。边缘检测被广泛应用于产品外观检测,零件缺陷检测,人脸识别,指纹识别等技术领域。传统的边缘检测算子有很多,可分为一阶微分算子和二阶微分算子。其中Canny边缘检测算法是公认的最佳边缘检测算子。Sobel算子虽然边缘检测效率比Canny高,但对边缘的定位不够准确,对细纹理处理较差。因此在对边缘检测质量要求较高的情况下,Canny边缘检测算法应用最为广泛。Canny算法的优点在于不容易受噪声干扰,使用两种不同的阈值分别检测强边缘和弱边缘,并且当弱边缘和强边缘相连时,才将弱边缘包含在输出图像中。
传统的Canny算法总共分为四个步骤:1.图像高斯滤波进行降噪处理;2.用一阶偏导的有限差分计算梯度的幅值和方向;3.对梯度幅值进行非极大值抑制,形成非极大值抑制图像;4.用双阈值算法检测和轮廓跟踪。为了进一步提升Canny边缘检测算法的精度,国内外学者做出了大量的研究。边缘检测算法的优化核心是检测到更多的真实边缘和减少检测到的伪边缘。然而传统的轮廓跟踪算法在进行边界跟踪时会漏检掉一部分低梯度幅值的真实边缘并且受噪声影响轮廓跟踪的效果也不甚理想。
发明内容
本发明提供一种基于离散小波变换的多尺度边缘检测方法,旨在提高图像边缘检测的检测精度。
本发明是这样实现的,一种基于离散小波变换的多尺度边缘检测方法,所述方法具体包括如下步骤:
S1、针对非极大值抑制图像连续进行两次离散小波变换,假定非极大值抑制图像的原图像在第l层,连续两次离散小波变换变换后得到的两个更高层次的图像,分别为第l+1层图像和l+2层图像;
S3、在第l层图像查找邻域存在强边缘点的弱边缘点若弱边缘点与轮廓跟踪起点在第l层图像中不相邻,在第l+1层图像中相邻,且在l+1层的邻域中均存在强边缘点,则判定弱边缘点与轮廓跟踪起点之间存在一条边缘,并执行步骤S2。
进一步的,基于弱边缘点邻域内的强边缘点数量及局部区域的图像局部熵来判断弱边缘点信息的信息量。
进一步的,最大信息量的弱边缘点获取方法具体包括如下步骤:
S21、计算图像中各弱边缘点邻域内的强边缘点数,标记强边缘点数量最多的弱边缘点数,若被标记的弱边缘点数量n大于1,则执行步骤S22,若被标记的弱边缘点数量n等于1,则所述弱边缘点判定为信息量最大的弱边缘点;
S22、以被标记的弱边缘点为中心,计算n*n所在局部区域的图像局部熵,将图像局部熵最大的弱边缘点判定为信息量最大的弱边缘点;
进一步的,图像局部熵采用公式(1)进行计算,其计算公式(1)具体如下:
其中,f(i,j)为特征二元组出现的频数,N为图像的尺度,n为局部图像的长与宽。
本发明提供的基于离散小波变换的多尺度边缘检测方法具有如下有益效果:1)跟踪起点选择算法:确保了将图像信号中最重要的信号作为优先轮廓跟踪的对象,一定程度上避免了边缘信号中夹杂的高频噪声对轮廓跟踪产生的影响,减少了边缘检测结果中的伪边缘,提升了轮廓跟踪算法的轮廓跟踪效果;2)多尺度轮廓跟踪算法:通过小波变换的方式,建立低层边缘点与高层边缘点间的对应关系,通过这种对应关系在低层次轮廓跟踪的同时寻找符合边缘连接条件的漏检边缘,检测到了更多的低梯度幅值的图像细节,确保算法更有效地提取出更多真实的边缘点,找出了更多的闭合真实边缘,能较清晰地提取出图像的边缘。
附图说明
图1为本发明实施例提供的基于离散小波变换的多尺度边缘检测方法流程图;
图2为本发明实施例提供的离散小波变换的示意图。
具体实施方式
下面对照附图,通过对实施例的描述,对本发明的具体实施方式作进一步详细的说明,以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
图1为本发明实施例提供的基于离散小波变换的多尺度边缘检测方法流程图,该方法具体包括如下步骤:
S1、针对非极大值抑制图像连续进行两次离散小波变换,假定非极大值抑制图像的原图像在第l层,连续两次离散小波变换变换后得到的两个更高层次的图像,分别为第l+1层图像和l+2层图像,如图2所示;
S3、在第l层图像查找邻域存在强边缘点的弱边缘点若弱边缘点与轮廓跟踪起点在第l层图像中不相邻,在第l+1层图像中相邻,且在l+1层的邻域中均存在强边缘点,则判定弱边缘点与轮廓跟踪起点之间存在一条边缘,并执行步骤S2,若当前的轮廓跟踪起点与所有弱边缘点之间均不存在边缘,则执行步骤S2,直至所有的弱边缘点均被标记;
其中,是衡量弱边缘点与之间是否存在边缘的标识符,当弱边缘点与之间存在真实边缘时,其取值为1,否则取值为0,衡量弱边缘点在第l层图像的邻域内是否存在强边缘点的标识符,当其值为1时,代表弱边缘点在第l层图像的邻域内存在强边缘点的标识符,当取值为0时,代表弱边缘点在第l层图像的邻域内不存在强边缘点,衡量弱边缘点在第l层图像的邻域内是否存在强边缘点的标识符,当其值为1时,代表弱边缘点在第l层图像的邻域内存在强边缘点的标识符,当取值为0时,代表弱边缘点在第l层图像的邻域内不存在强边缘点,衡量弱边缘点与在第l+1层图像是否相邻,且邻域是否都存在强边缘点,其取值为1时,表示弱边缘点与在第l+1层图像中相邻,且邻域都存在强边缘点,其取值为零时,表示弱边缘点与在第l+1层图像中不相邻,或者是弱边缘点周边不存在强边缘点。
在本发明实施例中,弱边缘点的邻域是指以弱边缘点为中心,8个相邻像素点所在的区域即为邻域,在本发明实施例中,在非极大值抑制图像中,强边缘点是梯度值基于高门限HT生成的边缘像素点,弱边缘点是基于低门限LT生成的边缘像素点,一般来说,LT=0.4HT。
在本发明实施例中,基于弱边缘点邻域内的强边缘点数量来判断弱边缘点信息的信息量,邻域内强边缘点数量越多的弱边缘点信息量越大,在邻域内的强边缘点数量相同时,基于局部区域的图像局部熵来判断弱边缘点的信息量,图像局部熵越大的弱边缘点的信息量越大,其实现方法具体包括如下步骤:
S21、计算图像中各弱边缘点邻域内的强边缘点数,标记强边缘点数量最多的弱边缘点数,若被标记的弱边缘点数量n大于1,则执行步骤S22,若被标记的弱边缘点数量n等于1,则所述弱边缘点判定为信息量最大的弱边缘点;
S22、以被标记的弱边缘点为中心,计算n*n所在局部区域的图像局部熵,将图像局部熵最大的弱边缘点判定为信息量最大的弱边缘点;
在本发明实施例中,图像局部熵采用公式(1)进行计算,其计算公式(1)具体如下:
其中,f(i,j)为特征二元组出现的频数,选择图像的邻域灰度均值作为灰度分布的空间特征量,与图像的像素灰度组成特征二元组,记为(i,j),其中i表示像素的灰度值(0≤i≤255),j表示邻域灰度均值(0≤j≤255),N为图像的尺度,n为局部图像的长与宽。
本发明提供的基于离散小波变换的多尺度边缘检测方法具有如下有益效果:1)将图像信号中最重要(信息量最大)的信号作为优先轮廓跟踪的对象,一定程度上避免了边缘信号中夹杂的高频噪声对轮廓跟踪产生的影响,减少了边缘检测结果中的伪边缘,提升了轮廓跟踪算法的轮廓跟踪效果;2)通过小波变换的方式,建立低层边缘点与高层边缘点间的对应关系,通过这种对应关系在低层次轮廓跟踪的同时寻找符合边缘连接条件的漏检边缘,检测到了更多的低梯度幅值的图像细节,确保算法更有效地提取出更多真实的边缘点,找出了更多的闭合真实边缘,能较清晰地提取出图像的边缘。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (4)
2.如权利要求1所述基于离散小波变换的多尺度边缘检测方法,其特征在于,基于弱边缘点邻域内的强边缘点数量及局部区域的图像局部熵来判断弱边缘点信息的信息量。
3.如权利要求2所述基于离散小波变换的多尺度边缘检测方法,其特征在于,最大信息量的弱边缘点获取方法具体包括如下步骤:
S21、计算图像中各弱边缘点邻域内的强边缘点数,标记强边缘点数量最多的弱边缘点数,若被标记的弱边缘点数量n大于1,则执行步骤S22,若被标记的弱边缘点数量n等于1,则所述弱边缘点判定为信息量最大的弱边缘点;
S22、以被标记的弱边缘点为中心,计算n*n所在局部区域的图像局部熵,将图像局部熵最大的弱边缘点判定为信息量最大的弱边缘点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911408070.XA CN111161296B (zh) | 2019-12-31 | 2019-12-31 | 基于离散小波变换的多尺度边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911408070.XA CN111161296B (zh) | 2019-12-31 | 2019-12-31 | 基于离散小波变换的多尺度边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161296A true CN111161296A (zh) | 2020-05-15 |
CN111161296B CN111161296B (zh) | 2023-04-25 |
Family
ID=70559745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911408070.XA Active CN111161296B (zh) | 2019-12-31 | 2019-12-31 | 基于离散小波变换的多尺度边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161296B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094999A (zh) * | 2023-10-19 | 2023-11-21 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040008904A1 (en) * | 2003-07-10 | 2004-01-15 | Samsung Electronics Co., Ltd. | Method and apparatus for noise reduction using discrete wavelet transform |
CN102081792A (zh) * | 2010-12-30 | 2011-06-01 | 西北农林科技大学 | 基于小波变换的多尺度红枣图像裂纹边缘检测方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
CN103440644A (zh) * | 2013-08-08 | 2013-12-11 | 中山大学 | 一种基于最小描述长度的多尺度图像弱边缘检测方法 |
CN104424653A (zh) * | 2013-09-06 | 2015-03-18 | 冉骏 | 基于小波变换的图像边缘检测方法 |
-
2019
- 2019-12-31 CN CN201911408070.XA patent/CN111161296B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040008904A1 (en) * | 2003-07-10 | 2004-01-15 | Samsung Electronics Co., Ltd. | Method and apparatus for noise reduction using discrete wavelet transform |
CN102081792A (zh) * | 2010-12-30 | 2011-06-01 | 西北农林科技大学 | 基于小波变换的多尺度红枣图像裂纹边缘检测方法 |
CN102968798A (zh) * | 2012-12-12 | 2013-03-13 | 北京航空航天大学 | 一种基于小波变换和otsu阈值的sar图像海陆分割方法 |
CN103440644A (zh) * | 2013-08-08 | 2013-12-11 | 中山大学 | 一种基于最小描述长度的多尺度图像弱边缘检测方法 |
CN104424653A (zh) * | 2013-09-06 | 2015-03-18 | 冉骏 | 基于小波变换的图像边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
陶玲,王惠南,田芝亮: "磁共振图像的一种多尺度边缘检测算法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094999A (zh) * | 2023-10-19 | 2023-11-21 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
CN117094999B (zh) * | 2023-10-19 | 2023-12-22 | 南京航空航天大学 | 一种跨尺度缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111161296B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223296B (zh) | 一种基于机器视觉的螺纹钢表面缺陷检测方法及*** | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN102509300B (zh) | 一种缺陷检测方法及*** | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
Hussain et al. | A comparative analysis of edge detection techniques used in flame image processing | |
CN105069778A (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
Jia | Fabric defect detection based on open source computer vision library OpenCV | |
CN111161296A (zh) | 基于离散小波变换的多尺度边缘检测方法 | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN117496109A (zh) | 一种图像比对分析方法、装置、电子设备及存储介质 | |
CN111178111A (zh) | 二维码检测方法、电子设备、存储介质及*** | |
Yingyong et al. | Research on algorithm for automatic license plate recognition system | |
Yuhan et al. | Detection of road surface crack based on PYNQ | |
CN110298799B (zh) | 一种pcb图像定位校正方法 | |
Li et al. | Real-time detection method for surface defects of stamping parts based on template matching | |
Khaire et al. | Image edge detection based on soft computing approach | |
CN114266719A (zh) | 一种基于霍夫变换的产品检测方法 | |
Kong et al. | Adaptive image edge detection model using improved Canny algorithm | |
Wang et al. | Fast adaptive threshold for the canny edge detector | |
Niu et al. | Application of CEM algorithm in the field of tunnel crack identification | |
Chen et al. | An efficient and robust corner detection algorithm for furniture boards | |
Sri et al. | Edge detection by using lookup table |
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 |