文獻(xiàn)標(biāo)識(shí)碼: A
文章編號(hào): 0258-7998(2013)02-0128-02
圖像邊緣檢測(cè)是許多計(jì)算機(jī)視覺(jué)系統(tǒng)中的關(guān)鍵組成部分,,并廣泛應(yīng)用于輪廓,、特征提取、模式識(shí)別及紋理分析等領(lǐng)域,。在灰度圖像中,,邊緣是指灰度的不連續(xù)處,但對(duì)彩色圖像,、彩色邊緣并沒(méi)有明確的定義[1],。彩色邊緣基準(zhǔn)檢測(cè)是至今沒(méi)有公認(rèn)的、可用的彩色模式,,但沒(méi)有明確制定評(píng)價(jià)“彩色邊緣”的可觀測(cè)度標(biāo)準(zhǔn),。Novak[2]等研究發(fā)現(xiàn),彩色圖像邊緣中大約90%與灰度圖像邊緣相同, 但是還有10%的邊緣單純靠灰度圖像是檢測(cè)出來(lái),,這些邊緣來(lái)自顏色的變化,,因此將彩色圖像灰度變化后檢測(cè)出來(lái)的邊緣是存在缺失的。
本文首先分解彩色圖像的RGB分量,,然后使用Sobel梯度算子計(jì)算各分量在x和y方向上的梯度值,,得到彩色輪廓邊緣圖像,,再利用圖像閾值分割技術(shù)獲得合理的閾值,并將邊緣圖像二值化,以獲得清晰的邊緣輪廓圖像,。實(shí)驗(yàn)結(jié)果證明,,本文的方法魯棒性好,邊緣定位準(zhǔn)確,,能夠獲得比傳統(tǒng)的邊緣檢測(cè)算子更多的邊緣輪廓信息,。
1 彩色邊緣
對(duì)于彩色邊緣有很多種定義,有學(xué)者認(rèn)為彩色圖像中的邊緣,即是其亮度圖的邊緣[3],,但是該定義忽略了色調(diào)飽和度的不連續(xù)性,;也有人提出如果至少有一個(gè)彩色分量存在邊緣[4],那么彩色圖像就存在邊緣,,但是這個(gè)定義會(huì)導(dǎo)致在單個(gè)彩色通道確定邊緣帶來(lái)的準(zhǔn)確性問(wèn)題,;還有人提出基于單色的彩色邊緣定義[5],它借助對(duì)三個(gè)彩色分量的梯度絕對(duì)值之和來(lái)計(jì)算,,如果梯度絕對(duì)值的和大于某個(gè)閾值,,就判斷存在彩色邊緣。這三種定義均忽略了矢量分量間的聯(lián)系,,因?yàn)橐环噬珗D像表示了一個(gè)矢量值的函數(shù),,彩色信息的不連續(xù)性可以用矢量值的方法來(lái)定義。
4 實(shí)驗(yàn)結(jié)果及分析
本實(shí)驗(yàn)使用國(guó)際標(biāo)準(zhǔn)測(cè)試圖像彩色Lena在Matlab 7.0軟件平臺(tái)下進(jìn)行測(cè)試,。輸入標(biāo)準(zhǔn)測(cè)試圖像如圖1所示,,通過(guò)本文改進(jìn)的Soble算子對(duì)RGB彩色圖像進(jìn)行三通道分解,按照式(2)分別計(jì)算各分量在x和y方向上的梯度值,,設(shè)置大于門(mén)限值d的像素值為1,否則置為0,得到如圖2所示彩色輪廓邊緣圖像,。將彩色圖像灰度化如圖3所示??梢钥闯龃藭r(shí)的邊緣輪廓圖像噪聲范圍較大,,再通過(guò)三種圖像閾值分割方法獲得合理的閾值,將邊緣圖像二值化,,獲得最終的邊緣輪廓圖像,。
其中,,方法(1)利用獲得的彩色輪廓邊緣圖像,,通過(guò)灰度直方圖的閾值選取獲得邊緣圖像如圖4所示;方法(2)將彩色輪廓邊緣圖像通過(guò)最大熵的閾值分割獲得邊緣圖像如圖5所示,;方法(3)將彩色輪廓邊緣圖像通過(guò)最大類間方差分割閾值獲得邊緣圖像,如圖6所示,。
三種閾值分割方法相比,最大熵閾值和最大類間方差分割算法要優(yōu)于直方圖閾值選取算法,,而最大熵閾值和直方圖閾值選取算法的優(yōu)點(diǎn)在于運(yùn)算復(fù)雜度稍低,,運(yùn)算時(shí)間較短,。
將彩色圖像直接轉(zhuǎn)化成灰度圖以后再使用傳統(tǒng)canny算子、soble算子和prewitt算子進(jìn)行邊緣檢測(cè)的結(jié)果效果圖如圖7~圖9所示,。
通過(guò)對(duì)比可以發(fā)現(xiàn)本文所提出的方法和傳統(tǒng)的邊緣檢測(cè)方法相比魯棒性更好,,邊緣定位更準(zhǔn)確,并且能夠獲得比傳統(tǒng)的邊緣檢測(cè)算子更多的邊緣輪廓信息,。
本文使用Sobel算子對(duì)彩色圖像的RGB分量進(jìn)行梯度值運(yùn)算,,獲得彩色輪廓后,再分別通過(guò)灰度直方圖的閾值分割,、最大熵的閾值分割和最大類間方差閾值分割三種方法去除彩色輪廓邊緣的噪聲因素,,從而獲得更為清晰的二值化邊緣輪廓圖像。實(shí)驗(yàn)證明,,該方法在檢測(cè)圖像邊緣細(xì)微顏色變化和細(xì)節(jié)紋理信息方面比傳統(tǒng)的檢測(cè)方法具有更加良好的效果,。
參考文獻(xiàn)
[1] KOSCHAN A,ABIDI M. 彩色數(shù)字圖像處理[M].章毓晉, 譯.北京: 清華大學(xué)出版社, 2010.
[2] NOVAK C L,SHAFER S A.Anatomy of a color histogram[C]. In: Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Champaign, USA: 1992:599-605.
[3] ROBINSON G S. Color edge detection[C].In: Symposium on Advances in Image Transmission Techniques, San Diego, CA, 1976:126-133.
[4] PRATT W K. 數(shù)字圖像處理[M]. 張引,譯. 北京:機(jī)械工業(yè)出版社,2009.
[5] KOSCHAN A, ABIDI M. Detection and classification of edges in color images[J]. IEEE Signal Processing Magazine, 2005,,22(1):64-73.
[6] GAO C B, ZHOU J L, HU J R, et al. Edge detection of colour image based on quaternion fractional differential[J]. Image Processing, 2011,,5(3):261-272.