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 PDF

Info

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
Application number
CN201911408070.XA
Other languages
English (en)
Other versions
CN111161296B (zh
Inventor
任鹏
徐劲松
高云峰
曹雏清
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.)
Wuhu Hit Robot Technology Research Institute Co Ltd
Original Assignee
Wuhu Hit Robot Technology Research Institute Co Ltd
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 Wuhu Hit Robot Technology Research Institute Co Ltd filed Critical Wuhu Hit Robot Technology Research Institute Co Ltd
Priority to CN201911408070.XA priority Critical patent/CN111161296B/zh
Publication of CN111161296A publication Critical patent/CN111161296A/zh
Application granted granted Critical
Publication of CN111161296B publication Critical patent/CN111161296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开了一种基于离散小波变换的多尺度边缘检测方法，方法具体如下：S1、针对非极大值抑制图像连续进行两次离散小波变换；S2将信息量最大的未标记的弱边缘点作为当前轮廓跟踪起点
Figure DDA0002349214810000011
并将轮廓跟踪起点
Figure DDA0002349214810000012
进行标记；S3、在第l层图像查找邻域存在强边缘点的弱边缘点
Figure DDA0002349214810000013
若存在弱边缘点
Figure DDA0002349214810000014
与轮廓跟踪起点
Figure DDA0002349214810000015
在第l层图像中不相邻，但在第l+1层图像中相邻，且邻域内均存在强边缘点，则判定弱边缘点
Figure DDA0002349214810000016
与轮廓跟踪起点
Figure DDA0002349214810000017
之间存在一条边缘，并执行步骤S2。提供了精确度更高的轮廓跟踪方式，减少伪边缘的同时，能检测出传统的滞后边界跟踪算法漏检的真实边缘。

Description

基于离散小波变换的多尺度边缘检测方法
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；
S2将信息量最大的未标记的弱边缘点作为当前轮廓跟踪起点
Figure BDA0002349214790000021
并将轮廓跟踪起点
Figure BDA0002349214790000022
进行标记；
S3、在第l层图像查找邻域存在强边缘点的弱边缘点
Figure BDA0002349214790000023
若弱边缘点
Figure BDA0002349214790000024
与轮廓跟踪起点
Figure BDA0002349214790000025
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
Figure BDA0002349214790000026
与轮廓跟踪起点
Figure BDA0002349214790000027
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：
Figure BDA0002349214790000031
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；
S2、将信息量最大的未标记的弱边缘点
Figure BDA0002349214790000041
作为轮廓跟踪起点，并将轮廓跟踪起点
Figure BDA0002349214790000042
进行标记；
S3、在第l层图像查找邻域存在强边缘点的弱边缘点
Figure BDA0002349214790000043
若弱边缘点
Figure BDA0002349214790000044
与轮廓跟踪起点
Figure BDA0002349214790000045
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
Figure BDA0002349214790000046
与轮廓跟踪起点
Figure BDA0002349214790000047
之间存在一条边缘，并执行步骤S2，若当前的轮廓跟踪起点
Figure BDA0002349214790000048
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；
在本发明实施例中，弱边缘点
Figure BDA0002349214790000049
与弱边缘点
Figure BDA00023492147900000410
之间是否存在边缘的判定公式如下：
Figure BDA00023492147900000411
其中，
Figure BDA00023492147900000412
是衡量弱边缘点
Figure BDA00023492147900000413
与
Figure BDA00023492147900000414
之间是否存在边缘的标识符，当弱边缘点
Figure BDA00023492147900000415
与
Figure BDA00023492147900000416
之间存在真实边缘时，其取值为1，否则取值为0，
Figure BDA00023492147900000417
衡量弱边缘点
Figure BDA00023492147900000418
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
Figure BDA00023492147900000419
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
Figure BDA00023492147900000420
在第l层图像的邻域内不存在强边缘点，
Figure BDA00023492147900000421
衡量弱边缘点
Figure BDA00023492147900000422
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
Figure BDA00023492147900000423
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
Figure BDA00023492147900000424
在第l层图像的邻域内不存在强边缘点，
Figure BDA00023492147900000425
衡量弱边缘点
Figure BDA00023492147900000426
与
Figure BDA00023492147900000427
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
Figure BDA0002349214790000051
与
Figure BDA0002349214790000052
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
Figure BDA0002349214790000053
与
Figure BDA0002349214790000054
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
Figure BDA0002349214790000055
的邻域是指以弱边缘点
Figure BDA0002349214790000056
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：
Figure BDA0002349214790000057
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)

1.一种基于离散小波变换的多尺度边缘检测方法，其特征在于，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，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；
S2将信息量最大的未标记的弱边缘点作为当前轮廓跟踪起点
Figure FDA0002349214780000011
并将轮廓跟踪起点
Figure FDA0002349214780000012
进行标记；
S3、在第l层图像查找邻域存在强边缘点的弱边缘点
Figure FDA0002349214780000013
若弱边缘点
Figure FDA0002349214780000014
与轮廓跟踪起点
Figure FDA0002349214780000015
在第l层图像中不相邻，但在第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
Figure FDA0002349214780000016
与轮廓跟踪起点
Figure FDA0002349214780000017
之间存在一条边缘，并执行步骤S2。
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。
4.如权利要求3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，图像局部熵采用公式(1)进行计算，其计算公式(1)具体如下：
Figure FDA0002349214780000021
其中，f(i,j)为特征二元组出现的频数，i表示像素的灰度值，j表示邻域灰度均值，N为图像的尺度，n为局部图像的长与宽。
CN201911408070.XA 2019-12-31 2019-12-31 基于离散小波变换的多尺度边缘检测方法 Active CN111161296B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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