CN113222864B - 基于限幅滤波的图像边缘去噪方法及装置、设备 - Google Patents
基于限幅滤波的图像边缘去噪方法及装置、设备 Download PDFInfo
- Publication number
- CN113222864B CN113222864B CN202110644007.7A CN202110644007A CN113222864B CN 113222864 B CN113222864 B CN 113222864B CN 202110644007 A CN202110644007 A CN 202110644007A CN 113222864 B CN113222864 B CN 113222864B
- Authority
- CN
- China
- Prior art keywords
- edge
- edge point
- image
- sliding
- sliding mold
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000001914 filtration Methods 0.000 title claims abstract description 73
- 230000000670 limiting effect Effects 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 8
- 238000003708 edge detection Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000869 mutational effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于限幅滤波的图像边缘去噪方法及装置、设备、存储介质,通过根据滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测,在滑动检测过程中,若滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值,基于滑动模子中第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合,获得边缘预测模型,根据边缘预测模型计算滑动模子中第二个边缘点的预测值,当滑动模子中第二个边缘点与其预测值的第二绝对增量达到指定阈值时,将滑动模子中第二个边缘点作为噪声剔除,能够考虑图像中边缘突变的结构特征,避免错误过滤,进而提高噪声滤除能力。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于限幅滤波的图像边缘去噪方法及装置、设备、存储介质。
背景技术
机器视觉是指使用机器代替人眼来识别目标,完成所需的测量和判断,是集成了图像感知、图像处理和控制理论等技术的学科,是现代智能制造的重要基础。其中,图像处理是指利用计算机对图像进行复原、校正、增强、统计分析、分类和识别等加工,以达到所需结果的技术和过程。而边缘检测是图像处理的重要内容之一,用于识别和提取目标。所谓边缘,是空间域上一组相连的像素,位于灰度不连续的两个区域的边界上。如果目标的边缘检测不准确或者误差较大,就会直接影响目标轮廓的准确提取和目标特征的准确分析。因此,图像的边缘检测技术一直是人们的研究痛点。
边缘检测过程一般是沿着特定的搜索方向,计算该方向上图像的灰度变化,提取不连续的灰度特征,以此定位边缘点。由于受到成像器件性能、场景光照条件和图像处理参数等影响,图像边界处像素的灰度变化并不都是理想的阶跃式跳变,边缘检测结果中可能存在空间域上的奇异点,即不在目标边界上的离散点。如果将一组边缘检测结果看成空间域里采集的信号,那么边缘奇异点如同信号里的噪声,应当滤除。因此,在图像处理时剔除边缘奇异点进行去噪是十分必要的。
现有技术中通常采用几种常见的低通滤波方法进行噪声滤除,如基于多样本统计规律的低通滤波法、基于连续样本数字滤波的滑动平均法、阻抗模拟法或者限幅滤波法。其中,基于多样本统计规律的低通滤波法需要的样本量大,处理过程内存占用多,计算耗时,而且每组样本的边缘检测点数量可能不一致(某些搜索方向检测失败),程序设计比较复杂;而基于连续样本数字滤波的滑动平均法和阻抗模拟法使用的公式含有卷积效应,所有边缘检测点都得到了平滑修正,在有效抑制边缘“跳变”的同时也改变了边缘检测的准确性,导致信号失真;传统限幅滤波法则没有此类问题,限幅滤波法是指将两次相邻的采样相减,求出其增量,然后将增量的绝对值与允许的最大差值(阈值)比较,小于等于阈值为有效采样,超过阈值则剔除该样本,它能够剔除超限的边缘奇异点而不改动限幅以下的边缘部分,较好地保护了原始信号。
然而,传统限幅滤波法仅仅采用相邻两点间的绝对增量进行判断,如果限幅阈值设定过大,一些低于阈值的噪声将无法滤除;可如果限幅阈值设定太小,突变结构的边缘又将被视为噪声而错误过滤,导致噪声滤除能力较差。
发明内容
本发明的目的在于提供一种基于限幅滤波的图像边缘去噪方法及装置、设备、存储介质,能够考虑图像中边缘突变的结构特征,避免错误过滤,进而提高噪声滤除能力。
本发明实施例第一方面公开一种基于限幅滤波的图像边缘去噪方法,包括:
根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测;其中,所述N为不小于5的奇数,所述边缘点集包括多个按位置顺序排列的边缘点的位置信息;
在滑动检测过程中,若所述滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值,基于所述滑动模子中所述第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合,获得边缘预测模型;
根据所述边缘预测模型计算所述滑动模子中第二个边缘点的预测值;
当所述滑动模子中第二个边缘点与所述预测值的第二绝对增量达到所述指定阈值时,将所述滑动模子中第二个边缘点作为噪声剔除。
在其中一个实施例中,所述方法还包括:
当所述滑动模子中第二个边缘点与所述预测值的第二绝对增量未达到所述指定阈值,且所述滑动模子中第一个边缘点为所述边缘点集的第一个边缘点时,将所述滑动模子中第一个边缘点作为噪声剔除。
在其中一个实施例中,所述根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测之前,所述方法还包括:
按照边缘检测方向对待去噪图像进行边缘检测,获得所述待去噪图像的各个边缘点的坐标信息;其中,所述坐标信息包括横坐标和纵坐标,所述边缘检测方向为横轴方向或纵轴方向;
根据各个边缘点的坐标信息,组成待去噪图像的边缘点集。
在其中一个实施例中,所述方法还包括:
当所述待去噪图像的边缘检测方向为横轴方向时,将所述滑动模子中第一个边缘点与第二个边缘点的横坐标之间的差值绝对值作为所述第一绝对增量,将所述滑动模子中第二个边缘点的横坐标与所述预测值的差值绝对值作为所述第二绝对增量;
当所述待去噪图像的边缘检测方向为纵轴方向时,将所述滑动模子中第一个边缘点与第二个边缘点的纵坐标之间的差值绝对值作为所述第一绝对增量,将所述滑动模子中第二个边缘点的纵坐标与所述预测值的差值绝对值作为所述第二绝对增量。
本发明实施例第二方面公开一种基于限幅滤波的图像边缘去噪装置,包括:
滑动单元,用于根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测;其中,所述N为不小于5的奇数,所述边缘点集包括多个按位置顺序排列的边缘点的位置信息;
拟合单元,用于在所述滑动单元进行滑动检测的过程中,若所述滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值,基于所述滑动模子中所述第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合,获得边缘预测模型;
预测单元,用于根据所述边缘预测模型计算所述滑动模子中第二个边缘点的预测值;
第一去噪单元,用于在所述滑动模子中第二个边缘点与其所述预测值的第二绝对增量达到所述指定阈值时,将所述滑动模子中第二个边缘点作为噪声剔除。
在其中一个实施例中,所述基于限幅滤波的图像边缘去噪装置还包括:
第二去噪单元,用于在所述滑动模子中第二个边缘点与其所述预测值的第二绝对增量未达到所述指定阈值,且所述滑动模子中第一个边缘点为所述边缘点集的第一个边缘点时,将所述滑动模子中第一个边缘点作为噪声剔除。
在其中一个实施例中,所述基于限幅滤波的图像边缘去噪装置还包括:
边缘检测单元,用于在所述滑动单元根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长对待去噪图像的边缘点集进行滑动检测之前,按照边缘检测方向对待去噪图像进行边缘检测,获得所述待去噪图像的各个边缘点的坐标信息;其中,所述坐标信息包括横坐标和纵坐标,所述边缘检测方向为横轴方向或纵轴方向;
集合单元,用于根据各个边缘点的坐标信息,组成待去噪图像的边缘点集。
在其中一个实施例中,所述基于限幅滤波的图像边缘去噪装置还包括:
获取单元,用于在所述待去噪图像的边缘检测方向为横轴方向时,将所述滑动模子中第一个边缘点与第二个边缘点的横坐标之间的差值绝对值作为所述第一绝对增量,将所述滑动模子中第二个边缘点的横坐标与所述预测值的差值绝对值作为所述第二绝对增量;以及,在所述待去噪图像的边缘检测方向为纵轴方向时,将所述滑动模子中第一个边缘点与第二个边缘点的纵坐标之间的差值绝对值作为所述第一绝对增量,将所述滑动模子中第二个边缘点的纵坐标与所述预测值的差值绝对值作为所述第二绝对增量。
本发明实施例第三方面公开一种电子设备,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行第一方面公开的基于限幅滤波的图像边缘去噪方法。
本发明实施例第四方面公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行第一方面公开的基于限幅滤波的图像边缘去噪方法。
本发明所提供的基于限幅滤波的图像边缘去噪方法及装置、设备、存储介质,根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测,其中,N为不小于5的奇数,边缘点集包括多个按位置顺序排列的边缘点的位置信息,在滑动检测过程中,若滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值,判定滑动模子中第二个边缘点是空间域的奇异点或突变结构的边缘点,进一步基于滑动模子进行结构判断,基于滑动模子中第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合,获得边缘预测模型,然后根据边缘预测模型计算滑动模子中第二个边缘点的预测值,当滑动模子中第二个边缘点与其预测值的第二绝对增量达到指定阈值时,则认为滑动模子中第二个边缘点是奇异点,将滑动模子中第二个边缘点作为噪声剔除;如此,通过对绝对增量大于阈值的疑似奇异点进一步进行边缘预测,并比较疑似奇异点与预测边缘点的绝对增量,可以考虑图像中边缘突变的结构特征,判断是否遇到台阶、凸缘或尖锐的结构,避免错误过滤,进而提高噪声滤除能力。而且,基于限幅滤波对疑似奇异点进行检测,具有快速低通截止的优势。
附图说明
此处的附图,示出了本发明所述技术方案的具体实例,并与具体实施方式构成说明书的一部分,用于解释本发明的技术方案、原理及效果。
除非特别说明或另有定义,不同附图中,相同的附图标记代表相同或相似的技术特征,对于相同或相似的技术特征,也可能会采用不同的附图标记进行表示。
图1是本发明实施例公开的基于限幅滤波的图像边缘去噪方法的流程图;
图2是本发明实施例公开的工具扳手图像的原始边缘图;
图3是通过传统限幅滤波法对图2的原始边缘进行处理的结果;
图4是通过本发明实施例对图2的原始边缘进行处理的结果;
图5是通过传统限幅滤波法对具有突变特征的测试图进行处理的结果;
图6是通过本发明实施例对具有突变特征的测试图进行处理的结果;
图7是本发明实施例公开的基于限幅滤波的图像边缘去噪装置的结构示意图;
图8是本发明实施例公开的一种电子设备的结构示意图。
附图标记说明:
701、滑动单元;702、拟合单元;703、预测单元;704、第一去噪单元;801、存储器;802、处理器。
具体实施方式
为了便于理解本发明,下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义,本文所使用的所有技术和科学术语与所属技术领域的技术人员通常理解的含义相同。在结合本发明的技术方案以现实的场景的情况下,本文所使用的所有技术和科学术语也可以具有与实现本发明的技术方案的目的相对应的含义。本文所使用的“第一、第二…”仅仅是用于对名称的区分,不代表具体的数量或顺序。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
需要说明的是,当元件被认为“固定于”另一个元件,它可以是直接固定在另一个元件上,也可以是存在居中的元件;当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件,也可以是同时存在居中元件;当一个元件被认为是“安装在”另一个元件,它可以是直接安装在另一个元件,也可以是同时存在居中元件。当一个元件被认为是“设在”另一个元件,它可以是直接设在另一个元件,也可以是同时存在居中元件。
除非特别说明或另有定义,本文所使用的“所述”、“该”为相应位置之前所提及或描述的技术特征或技术内容,该技术特征或技术内容与其所提及的技术特征或技术内容可以是相同的,也可以是相似的。
毫无疑义,与本发明的目的相违背,或者明显矛盾的技术内容或技术特征,应被排除在外。
如图1所示,本发明实施例公开一种基于限幅滤波的图像边缘去噪方法,包括:
S1、按照边缘检测方向对待去噪图像进行边缘检测,获得待去噪图像的各个边缘点的坐标信息,根据各个边缘点的坐标信息,组成待去噪图像的边缘点集。
本发明实施例中,边缘点集可以包括检测出的待去噪图像的所有边缘点的位置信息,并且按位置顺序排列,位置信息具体可以是坐标信息,包括横坐标和纵坐标。具体可选地,步骤S1中,可以通过图像边缘检测算子对按照指定的边缘检测方向(包括横轴方向或纵轴方向)对待去噪图像进行边缘检测,获得e+1个边缘点的坐标信息,然后按照位置顺序进行排列,组成待去噪图像的边缘点集如{P0(x0,y0)、P1(x1,y1)、P2(x2,y2)、……、Pi(xi,yi)、……、Pe(xe,ye)}。其中,Pi代表第i个边缘点,Pe代表边缘点集中最后一个边缘点。
S2、构建滑动模子{Pi、Pi+1、Pi+2、Pi+3、Pi+4},令i=0。
需要说明的是,在步骤S1中获得待去噪图像的边缘点集之后,可以根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测。其中,考虑到为了不明显降低计算速度及保证边缘检测的准确性,以至少5个边缘点勾画一段基本结构特征(台阶、凸缘或尖锐等)较为合适,与之对应的最少4个搜索步长(每两个相邻边缘点之间的间距为1个搜索步长)作为基本结构特征的最小搜索宽度,因此N≥5。其次,为了保证取滑动模子的第一个边缘点、中间边缘点和最后一个边缘点进行曲线拟合,N应当为奇数。
本发明实施例以N=5为例,相应地,构建滑动模子为{Pi、Pi+1、Pi+2、Pi+3、Pi+4}。基于此,在滑动检测过程中,若滑动模子中第一个边缘点Pi与第二个边缘点Pi+1的第一绝对增量达到指定阈值δ0,判定滑动模子中第二个边缘点Pi+1是空间域的奇异点或突变结构的边缘点,进一步基于滑动模子进行结构判断,即基于滑动模子中第一个边缘点Pi、中间边缘点Pi+2及最后一个边缘点Pi+4进行二次曲线拟合,获得边缘预测模型,然后根据边缘预测模型计算滑动模子中第二个边缘点Pi+1的预测值P′i+1,若滑动模子中第二个边缘点Pi+1与其预测值P′i+1的第二绝对增量也达到指定阈值δ0,则认为滑动模子中第二个边缘点Pi+1是奇异点,将滑动模子中第二个边缘点Pi+1作为噪声剔除。具体实施方式参照以下步骤S3~S11。
S3、判断滑动模子中第一个边缘点Pi与第二个边缘点Pi+1的第一绝对增量是否达到指定阈值δ0。若是,执行步骤S4;否则,转向步骤S9。
其中,若判断出第一绝对增量未达到指定阈值,则令i=i+1,使滑动模子向前滑动一个滑动步长(一个边缘点),继续判断下一个边缘点。
其中,第一绝对增量指的是第i个边缘点与第i+1个边缘点之间的位置变化量的绝对值。可选地,位置变化量可以是横坐标或者纵坐标的变化量,具体可以根据待去噪图像的边缘检测方向(横轴方向或纵轴方向)而定。
可选地,当待去噪图像的边缘检测方向为横轴方向时,将滑动模子中第一个边缘点与第二个边缘点的横坐标之间的差值绝对值|xi+1-xi|作为第一绝对增量;当待去噪图像的边缘检测方向为纵轴方向时,将滑动模子中第一个边缘点与第二个边缘点的纵坐标之间的差值绝对值|yi+1-yi|作为第一绝对增量。
S4、基于滑动模子中第一个边缘点Pi、中间边缘点Pi+2和最后一个边缘点Pi+4进行二次曲线拟合,获得边缘预测模型。
其中,可以利用二次多项式作为基本特征的预测模型,如以下公式(1)所示,然后基于滑动模子中三个边缘点和曲线拟合法确定模型参数,构建出边缘预测模型。具体地,曲线拟合法可以采用最小二乘法或最小绝对偏差法等经典算法,如当待去噪图像的边缘检测方向为纵轴方向时将三个边缘点的坐标信息代入以下公式(1),获得公式(2)以确定参数a、b、c的值,将参数a、b、c的值代入公式(1)获得边缘预测模型;
y=ax2+bx+c (1)
又如,当待去噪图像的边缘检测方向为横轴方向时,公式(1)和(2)分别改写为如下:
x=ay2+by+c (3)
S5、根据边缘预测模型计算滑动模子中第二个边缘点的预测值。
本发明实施例中,当待去噪图像的边缘检测方向为纵轴方向时,可以将滑动模子中第二个边缘点的横坐标xi+1代入已知参数的上式(1)中,相应地计算出第二个边缘点的预测值P′i+1为预测纵坐标y′i+1;当待去噪图像的边缘检测方向为横轴方向时,可以将滑动模子中第二个边缘点的纵坐标yi+1代入已知参数的上式(3)中,相应地计算出第二个边缘点的预测值P′i+1为预测横坐标x′i+1。
S6、判断第二个边缘点Pi+1与第二个边缘点的预测值P′i+1的第二绝对增量是否达到指定阈值δ0。若否,执行步骤S7;若是,执行步骤S10。
本发明实施例中,当待去噪图像的边缘检测方向为纵轴方向时,相应地,滑动模子的滑动方向为横轴方向,那么将滑动模子中第二个边缘点的纵坐标yi+1与其预测值y′i+1的差值绝对值|yi+1-y′i+1|作为第二绝对增量;当待去噪图像的边缘检测方向为横轴方向时,相应地,滑动模子的滑动方向为纵轴方向,那么将滑动模子中第二个边缘点的横坐标xi+1与其预测值x′i+1的差值绝对值|xi+1-x′i+1|作为第二绝对增量。
若判断出第二绝对增量达到指定阈值,则确认第二个边缘点Pi+1为空间域的奇异点,应剔除,即执行步骤S10;否则,则认为是边缘点,应保留,并执行步骤S7,在完成对Pi+1的判断和处理后,滑动模子继续往下滑动。
S7、判断i是否等于0。若是,执行步骤S8之后转向步骤S11;否则,执行步骤S9之后转向步骤S11。
S8、将滑动模子中第一个边缘点作为噪声剔除。
其中,步骤S7用于判断i的当前值是否属于边界情况。当判断出i=0时,说明当前滑动模子中第一个边缘点Pi为边缘点集中第一个边缘点P0,属于特殊的边界情形,此时若第一绝对增量达到(即大于或等于)指定阈值而第二绝对增量小于指定阈值,则剔除P0;若第一绝对增量达到指定阈值且第二绝对增量也达到指定阈值,则剔除P1;若第一绝对增量小于指定阈值,则令i=i+1,继续判断下一个边缘点。
可选地,在判断出i不等于0之后,还可以先判断当前滑动模子中最后一个边缘点Pi+4是否为边缘点集中最后一个边缘点Pe,即判断i+4是否等于e,若是,结束本流程;否则,执行步骤S9。
S9、令i=i+1。
S10、将滑动模子中第二个边缘点Pi+1作为噪声剔除。
S11、判断剩余的边缘点数量是否达到滑动模子所包括的边缘点数量。若是,转向步骤S3;否则,结束本流程。
步骤S11中,具体可以通过以下公式(5)来判断。若式(5)成立,说明剩余的边缘点数量达到滑动模子所包括的边缘点数量;否则,则未达到。
e+1-i≥N (5)
式中,e+1代表边缘点集的边缘点数量,i取当前值,e+1-i代表剩余的边缘点数量,N代表滑动模子所包括的边缘点数量。
可见,实施本发明实施例,通过对绝对增量大于阈值的疑似奇异点进一步进行边缘预测,并比较疑似奇异点与预测边缘点的绝对增量,可以考虑图像中边缘突变的结构特征,判断是否遇到台阶、凸缘或尖锐的结构,避免错误过滤,进而提高噪声滤除能力。而且,基于限幅滤波对疑似奇异点进行检测,具有快速低通截止的优势。
为了验证本发明实施例公开的基于限幅滤波的图像边缘去噪方法(以下简称本发明),选择相同的样品进行边缘处理测试实验。由于图像采集的时间远远大于计算机运算的时间,所以基于多样本统计规律的低通滤波法(均值法、中值法等)的工程应用价值较低,这里不作讨论;另外,滑动平均法和阻抗模拟法对边缘信号会产生较大失真,工程应用价值也比较低。因此,这里仅讨论传统限幅滤波法和本发明,比较它们在剔除空间奇异点、检测突变结构特征方面的优劣。
其中,边缘检测函数可以选用Rake.VI,这是一个在矩形ROI里沿着若干平行的搜索路径检测边缘点的函数,如图2所示,是一个工具扳手图像通过Rake.VI检测得到的原始边缘,边缘搜索方向为从左至右、搜索步长为2像素,最小边缘强度为15,由图2可知,Rake.VI检测出226个边缘点,其中含有若干奇异点。
为了便于比较,采用相同的滤波幅值(如灰度增量为9),分别通过传统限幅滤波法和本发明对图2的原始边缘进行去噪,图3是通过传统限幅滤波法对图2的原始边缘进行滤波处理后的结果,而图4是采用本发明对图2的原始边缘进行滤波处理得到的结果。如图3所示,采用传统限幅滤波法处理后,奇异点被剔除了,但有效边缘点仅剩40个,数据丢失十分严重;然而如图4所示,采用本发明处理后,不仅完全剔除了奇异点,还基本完整地保留了有效边缘点。另外,本发明的处理时间1.807s与传统限幅滤波法的处理时间1.815s相当,说明本发明的运算量并未明显增大。
进一步地,还采用相同的滤波幅值(如灰度增量为20),分别通过传统限幅滤波法和本发明对具有突变特征(如台阶、凸缘和尖锐等基本特征)的测试图进行滤波处理,并对两者的测试结果进行对比。如图5-6所示,图5是采用传统限幅滤波法对具有突变特征的测试图进行边缘滤波处理后的结果,图6是采用本发明对具有突变特征的测试图进行边缘滤波处理后的结果。由图5可知,基于绝对增量来判定奇异点的传统限幅滤波法将搜索方向上边缘急剧变化的台阶、凸缘和尖锐等结构特征过滤了。而且,在具体的算法中,假设B点对A点的增量超过限幅后,B点随即当作奇异点被剔除,接着判断后面的C点对A点的增量,如果C点也被剔除,则继续往后判断D点对A点的增量……也即是说,一旦A点明显较大或较小甚至离群时,容易引起大量正常边缘点被错误剔除,这正是图5中台阶底部的多个特征和凸缘上侧被过滤而下侧被保留的原因。然而由图6可知,本发明较好地解决了上述问题,能够正确判断急剧变化的边缘是空间域奇异点还是目标的结构特征,从而做出正确处理。
综上所述,本发明相比传统限幅滤波法,不但具有良好的快速低通截止噪声的能力,而且引入滑动模子预测边缘点,能够对疑似奇异点的结构特征进行判断,对目标图像中的突变结构边缘具有显著的保护能力。本发明在空间域信号滤波的应用方面做出了改进,尤其在图像边缘滤波的工程应用方面具有突出的应用价值。
如图7所示,本发明实施例公开一种基于限幅滤波的图像边缘去噪装置,包括滑动单元701、拟合单元702、预测单元703和第一去噪单元704;其中,
滑动单元701,用于根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测;其中,N为不小于5的奇数,边缘点集包括多个按位置顺序排列的边缘点的位置信息;
拟合单元702,用于在滑动单元701进行滑动检测的过程中,若滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值,基于滑动模子中第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合,获得边缘预测模型;
预测单元703,用于根据边缘预测模型计算滑动模子中第二个边缘点的预测值;
第一去噪单元704,用于在滑动模子中第二个边缘点与其预测值的第二绝对增量达到指定阈值时,将滑动模子中第二个边缘点作为噪声剔除。
可选地,图7所示的基于限幅滤波的图像边缘去噪装置还包括未图示的第二去噪单元,用于在滑动模子中第二个边缘点与其预测值的第二绝对增量未达到指定阈值,且滑动模子中第一个边缘点为边缘点集的第一个边缘点时,将滑动模子中第一个边缘点作为噪声剔除。
可选地,图7所示的基于限幅滤波的图像边缘去噪装置还可以包括以下未图示的单元:
边缘检测单元,用于在上述滑动单元701根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长对待去噪图像的边缘点集进行滑动检测之前,按照边缘检测方向对待去噪图像进行边缘检测,获得待去噪图像的各个边缘点的坐标信息;其中,坐标信息包括横坐标和纵坐标,边缘检测方向为横轴方向或纵轴方向;
集合单元,用于根据各个边缘点的坐标信息,组成待去噪图像的边缘点集。
可选地,图7所示的基于限幅滤波的图像边缘去噪装置还可以包括未图示的获取单元,用于在待去噪图像的边缘检测方向为横轴方向时,将滑动模子中第一个边缘点与第二个边缘点的横坐标之间的差值绝对值作为第一绝对增量,将滑动模子中第二个边缘点的横坐标与预测值的差值绝对值作为第二绝对增量;以及,在待去噪图像的边缘检测方向为纵轴方向时,将滑动模子中第一个边缘点与第二个边缘点的纵坐标之间的差值绝对值作为第一绝对增量,将滑动模子中第二个边缘点的纵坐标与预测值的差值绝对值作为第二绝对增量。
如图8所示,本发明实施例公开一种电子设备,包括存储有可执行程序代码的存储器801以及与存储器801耦合的处理器802;
其中,处理器802调用存储器801中存储的可执行程序代码,执行上述各实施例中描述的基于限幅滤波的图像边缘去噪方法。
本发明实施例还公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行上述各实施例中描述的基于限幅滤波的图像边缘去噪方法。
以上实施例的目的,是对本发明的技术方案进行示例性的再现与推导,并以此完整的描述本发明的技术方案、目的及效果,其目的是使公众对本发明的公开内容的理解更加透彻、全面,并不以此限定本发明的保护范围。
以上实施例也并非是基于本发明的穷尽性列举,在此之外,还可以存在多个未列出的其他实施方式。在不违反本发明构思的基础上所作的任何替换与改进,均属本发明的保护范围。
Claims (10)
1.基于限幅滤波的图像边缘去噪方法,其特征在于,包括:
根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测;其中,所述N为不小于5的奇数,所述边缘点集包括多个按位置顺序排列的边缘点的位置信息;
在滑动检测过程中,若所述滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值,基于所述滑动模子中所述第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合,获得边缘预测模型;
根据所述边缘预测模型计算所述滑动模子中第二个边缘点的预测值;
当所述滑动模子中第二个边缘点与所述预测值的第二绝对增量达到所述指定阈值时,将所述滑动模子中第二个边缘点作为噪声剔除。
2.如权利要求1所述的基于限幅滤波的图像边缘去噪方法,其特征在于,所述方法还包括:
当所述滑动模子中第二个边缘点与所述预测值的第二绝对增量未达到所述指定阈值,且所述滑动模子中第一个边缘点为所述边缘点集的第一个边缘点时,将所述滑动模子中第一个边缘点作为噪声剔除。
3.如权利要求1或2所述的基于限幅滤波的图像边缘去噪方法,其特征在于,所述根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测之前,所述方法还包括:
按照边缘检测方向对待去噪图像进行边缘检测,获得所述待去噪图像的各个边缘点的坐标信息;其中,所述坐标信息包括横坐标和纵坐标,所述边缘检测方向为横轴方向或纵轴方向;
根据各个边缘点的坐标信息,组成待去噪图像的边缘点集。
4.如权利要求3所述的基于限幅滤波的图像边缘去噪方法,其特征在于,所述方法还包括:
当所述待去噪图像的边缘检测方向为横轴方向时,将所述滑动模子中第一个边缘点与第二个边缘点的横坐标之间的差值绝对值作为所述第一绝对增量,将所述滑动模子中第二个边缘点的横坐标与所述预测值的差值绝对值作为所述第二绝对增量;
当所述待去噪图像的边缘检测方向为纵轴方向时,将所述滑动模子中第一个边缘点与第二个边缘点的纵坐标之间的差值绝对值作为所述第一绝对增量,将所述滑动模子中第二个边缘点的纵坐标与所述预测值的差值绝对值作为所述第二绝对增量。
5.基于限幅滤波的图像边缘去噪装置,其特征在于,包括:
滑动单元,用于根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长,对待去噪图像的边缘点集进行滑动检测;其中,所述N为不小于5的奇数,所述边缘点集包括多个按位置顺序排列的边缘点的位置信息;
拟合单元,用于在所述滑动单元进行滑动检测的过程中,若所述滑动模子中第一个边缘点与第二个边缘点的第一绝对增量达到指定阈值,基于所述滑动模子中所述第一个边缘点、中间边缘点及最后一个边缘点进行二次曲线拟合,获得边缘预测模型;
预测单元,用于根据所述边缘预测模型计算所述滑动模子中第二个边缘点的预测值;
第一去噪单元,用于在所述滑动模子中第二个边缘点与其所述预测值的第二绝对增量达到所述指定阈值时,将所述滑动模子中第二个边缘点作为噪声剔除。
6.如权利要求5所述的基于限幅滤波的图像边缘去噪装置,其特征在于,还包括:
第二去噪单元,用于在所述滑动模子中第二个边缘点与其所述预测值的第二绝对增量未达到所述指定阈值,且所述滑动模子中第一个边缘点为所述边缘点集的第一个边缘点时,将所述滑动模子中第一个边缘点作为噪声剔除。
7.如权利要求5或6所述的基于限幅滤波的图像边缘去噪装置,其特征在于,还包括:
边缘检测单元,用于在所述滑动单元根据包括N个相邻的边缘点的滑动模子以一个边缘点的滑动步长对待去噪图像的边缘点集进行滑动检测之前,按照边缘检测方向对待去噪图像进行边缘检测,获得所述待去噪图像的各个边缘点的坐标信息;其中,所述坐标信息包括横坐标和纵坐标,所述边缘检测方向为横轴方向或纵轴方向;
集合单元,用于根据各个边缘点的坐标信息,组成待去噪图像的边缘点集。
8.如权利要求7所述的基于限幅滤波的图像边缘去噪装置,其特征在于,还包括:
获取单元,用于在所述待去噪图像的边缘检测方向为横轴方向时,将所述滑动模子中第一个边缘点与第二个边缘点的横坐标之间的差值绝对值作为所述第一绝对增量,将所述滑动模子中第二个边缘点的横坐标与所述预测值的差值绝对值作为所述第二绝对增量;以及,在所述待去噪图像的边缘检测方向为纵轴方向时,将所述滑动模子中第一个边缘点与第二个边缘点的纵坐标之间的差值绝对值作为所述第一绝对增量,将所述滑动模子中第二个边缘点的纵坐标与所述预测值的差值绝对值作为所述第二绝对增量。
9.电子设备,其特征在于,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至4任一项所述的基于限幅滤波的图像边缘去噪方法。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至4任一项所述的基于限幅滤波的图像边缘去噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644007.7A CN113222864B (zh) | 2021-06-09 | 2021-06-09 | 基于限幅滤波的图像边缘去噪方法及装置、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644007.7A CN113222864B (zh) | 2021-06-09 | 2021-06-09 | 基于限幅滤波的图像边缘去噪方法及装置、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222864A CN113222864A (zh) | 2021-08-06 |
CN113222864B true CN113222864B (zh) | 2022-09-27 |
Family
ID=77083506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110644007.7A Active CN113222864B (zh) | 2021-06-09 | 2021-06-09 | 基于限幅滤波的图像边缘去噪方法及装置、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222864B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1622597A (zh) * | 2003-11-28 | 2005-06-01 | 诺日士钢机株式会社 | 图象杂波清除方法 |
CN111402165A (zh) * | 2020-03-18 | 2020-07-10 | 展讯通信(上海)有限公司 | 图像处理方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6404918B1 (en) * | 1999-04-30 | 2002-06-11 | Hewlett-Packard Company | Image demosaicing method utilizing directional smoothing |
KR102661879B1 (ko) * | 2019-04-05 | 2024-04-29 | 삼성전자주식회사 | 영상 처리 장치 및 그 영상 처리 방법 |
-
2021
- 2021-06-09 CN CN202110644007.7A patent/CN113222864B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1622597A (zh) * | 2003-11-28 | 2005-06-01 | 诺日士钢机株式会社 | 图象杂波清除方法 |
CN111402165A (zh) * | 2020-03-18 | 2020-07-10 | 展讯通信(上海)有限公司 | 图像处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
"Recursive Clipping and Filtering With Bounded Distortion for PAPR Reduction";Shang-Kang Deng et al;《IEEE TRANSACTIONS ON COMMUNICATIONS》;20070130;第55卷(第1期);第37-38页 * |
"小角度检查仪精密测量改良技术的研究";劳超鸣等;《计量与测试技术》;20180130;第45卷(第1期);第227-230页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113222864A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及*** | |
CN105160641B (zh) | 基于图像处理的x射线焊缝区域提取方法 | |
CN107464256B (zh) | 一种目标检测与可能性判别修正的关联方法 | |
CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN110378893B (zh) | 图像质量评价方法、装置和电子设备 | |
CN104282027B (zh) | 一种基于Hough变换的圆检测方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN102005051B (zh) | 一种边缘检测方法以及相关装置 | |
CN109544571A (zh) | 一种基于数学形态学的金相图像边缘检测方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
CN114332081B (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN114972339A (zh) | 用于推土机结构件生产异常检测的数据增强*** | |
CN113436216B (zh) | 基于Canny算子的电气设备红外图像边缘检测方法 | |
CN114943744A (zh) | 基于局部Otsu阈值化的边缘检测方法 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN111639555B (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
CN113222864B (zh) | 基于限幅滤波的图像边缘去噪方法及装置、设备 | |
CN110298816B (zh) | 一种基于图像重生成的桥梁裂缝检测方法 | |
CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及*** | |
Vignesh et al. | Performance and Analysis of Edge detection using FPGA Implementation | |
CN113850252A (zh) | 防振锤螺栓检测方法、装置和电子设备 |
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 |