一種基于Sobel算子和網(wǎng)格的彩色圖像邊緣檢測(cè)方法

一種基于Sobel算子和網(wǎng)格的彩色圖像邊緣檢測(cè)方法AColorEdgeDetectionBasedonSobelOperatorandGrid摘要:文章提出了一種基于Sobel算子和網(wǎng)格的二尺度彩色圖像邊緣檢測(cè)方法.該方法將圖像劃分成預(yù)先設(shè)定大小的網(wǎng)格，在兩個(gè)尺度上對(duì)圖像進(jìn)行分析，完成圖像的邊緣檢測(cè)。首先用Sobel算子求得圖像邊緣，依據(jù)網(wǎng)格內(nèi)含有邊緣像素的數(shù)目以及連通情況將不同的網(wǎng)格分別處理。然后以網(wǎng)格為數(shù)據(jù)單元，在較大尺度上運(yùn)用Sobel算子得到圖像邊緣。最后通過(guò)設(shè)定數(shù)據(jù)的優(yōu)先級(jí)和使用形態(tài)學(xué)的方法合并兩次計(jì)算邊緣的結(jié)果。該方法充分考慮到了圖像當(dāng)中可能出現(xiàn)的各種復(fù)雜情況，從兩個(gè)尺度分割圖像，彌補(bǔ)了單一方法的不足，提高了分割的正確率。關(guān)鍵詞:邊緣檢測(cè)網(wǎng)格形態(tài)學(xué)SobelAbstractAcoloredgedetectionapproachbasedonSobeloperatorandgridispresentedinthispaper.Themethoddividestheoriginalimageintogridsofcertainsize.Thenfinishtheedgedetectionoftheimageattwodifferentsizes.ThefirststepistouseSobeloperatortodetectedgesoftheoriginalimageanddealingwiththegridsaccordingtoedgepixelsandtheconnectconditionsineachgrid.Thengridsarechoseasdatacells.ThenSobeloperatorisusedagaintodetectedgeinlargerscale.Finally,bysettingdataprioritiesandusingmorphologicalmethods,thetworesultsarecombined.Thecomplicatecasesthatanimagemayhaveareconsideredinthismethod.Besides,itdealswiththeimageattwodifferentscales,soitisbetterthanjustusesinglemannerandhasgotbettersimulationresults.Keywords:edgedetectiongridmorphologySobel

1引言圖像分割是圖像分析和模式識(shí)別的第一步,它是圖像分析和模式識(shí)別重要和基本的一個(gè)組成部分,是圖像處理中難度最大的部分之一,決定了最終分析結(jié)果的質(zhì)量。彩色圖像是客觀世界更準(zhǔn)確的描述，能夠提供比灰度圖像更多的信息，并且隨著計(jì)算機(jī)處理能力的快速提高，彩色圖像處理的硬件條件成熟，彩色圖像分割受到了人們更多的關(guān)注。邊緣檢測(cè)是圖像分割中的一種重要方法,但目前主要是針對(duì)灰度圖像。本文提出了一種針對(duì)彩色圖像的二尺度邊緣檢測(cè)方法,通過(guò)Sobel算子和網(wǎng)格分析的方法有效地提取了圖像當(dāng)中的邊緣像素，較單一尺度邊緣檢測(cè)利用了圖像當(dāng)中更多的信息，提高了檢測(cè)的正確率。2方法介紹色彩是人們對(duì)于紅，綠，藍(lán)三基色混合后的感官感受，彩色空間的選取對(duì)于彩色圖像的處理至關(guān)重要，本文選用HSV彩色空間。最常用的面向硬設(shè)備的彩色空間模型是RGB模型，用R、G、B三分量的值來(lái)表示顏色，但是R、G、B三分量之間常有很高的相關(guān)性，直接利用這些分量常常不能得到理想的效果。為了降低彩色特征空間中各個(gè)特征分量之間的相關(guān)性，以及為了使所選的特征空間更方便于邊緣檢測(cè)方法的具體應(yīng)用,實(shí)際上常需要將RGB圖像變換到其他的彩色特征空間中去。在本文中采用了HSV空間。HSV(色度、飽和度、亮度)空間比較接近人對(duì)顏色的視覺(jué)感知，其中V表示顏色的明暗程度"主要受光源強(qiáng)弱影響，H表示不同顏色，而S表示顏色的純度。注意到HSV模型有兩個(gè)重要的事實(shí)作為基礎(chǔ)，首先V分量與彩色信息無(wú)關(guān)，其次H和S分量與人感受彩色的方式緊密相連。HSV空間比較直觀并且符合人的視覺(jué)特性，這些特點(diǎn)使得HSV模型非常適合基于人眼視覺(jué)特性的彩色圖像處理。從RGB到HSV空間的轉(zhuǎn)換公式為：Sobel算子是通過(guò)求梯度得到圖像邊緣的典型方法,在一般情況下,用Sobel算子得到的圖像邊緣連續(xù)性較差，一種解決方法是尋找鄰近的其它斷點(diǎn)，根據(jù)斷點(diǎn)處梯度的相似性將它們連接起來(lái)，這種方法帶有一定的猜測(cè)成分，沒(méi)有充分利用圖像提供的信息。另外可以通過(guò)調(diào)整梯度處理的閾值來(lái)增加邊緣,但這引入了很多不必要的邊緣點(diǎn),且對(duì)噪聲十分敏感。針對(duì)以上問(wèn)題，本文提出了一種利用網(wǎng)格的邊緣檢測(cè)方法，主要分成以下5個(gè)步驟：將原始圖像轉(zhuǎn)換到HSV彩色空間并使用Sobel算子得到邊緣；分析網(wǎng)格圖的邊緣像素，將網(wǎng)格分類；按順序處理各類網(wǎng)格；將原圖進(jìn)行插值縮放，再次使用Sobel算子得到更大尺度的邊緣；合成兩種尺度的邊緣并顯示。下面分別詳細(xì)介紹：首先將原始圖像（一般為JPEG格式）轉(zhuǎn)換到HSV彩色空間，按照設(shè)定大?。ㄟ@里設(shè)置為5個(gè)像素寬的方格）劃分成網(wǎng)格。彩色圖像信息包含于三個(gè)分量之中，人們一般將其區(qū)分為亮度信息和色度信息，本文在HSV空間中對(duì)亮度和色度分量分別采用Sobel算子以檢測(cè)圖像中的物體邊緣，注意到色度分量為二維特征,令其為一復(fù)數(shù)，Sobel算子中的閾值參數(shù)僅針對(duì)模值。用或運(yùn)算對(duì)亮度和色度邊緣圖像合并得到初始檢測(cè)邊緣，記為sobel圖1。將網(wǎng)格分類?？紤]到圖像中可能出現(xiàn)如下的3種情況：網(wǎng)格有邊緣穿過(guò)，網(wǎng)格內(nèi)含有較少的邊緣像素且非邊緣像素相互連通，網(wǎng)格內(nèi)由于含有紋理而產(chǎn)生較多的邊緣像素。把網(wǎng)格分成對(duì)應(yīng)的3類，即內(nèi)部均勻的網(wǎng)格、含有邊界的網(wǎng)格和含有紋理的網(wǎng)格。這里采用如下的規(guī)則：設(shè)n為網(wǎng)格內(nèi)含有的邊緣像素?cái)?shù)目，n1、no、n2為預(yù)先設(shè)定的域值且0<n1<no<n2.n<n1,判斷網(wǎng)格為內(nèi)部均勻的。n的值在n1、n2之間，當(dāng)非邊緣像素連通（這里指在4鄰域內(nèi)連通）時(shí)，若n<=no,且邊緣像素不連通(8鄰域內(nèi)),認(rèn)為網(wǎng)格為內(nèi)部均勻的，否則判斷網(wǎng)格含有紋理；當(dāng)非邊緣像素不連通時(shí)，判斷網(wǎng)格含有邊緣。n>n2,判斷網(wǎng)格含有紋理。在（1）中得到的sobel圖1中處理已分類的網(wǎng)格：A.保留含有邊緣的網(wǎng)格。當(dāng)已經(jīng)判斷網(wǎng)格含有邊緣時(shí)，說(shuō)明網(wǎng)格被某條邊界穿過(guò)或者網(wǎng)格內(nèi)的邊緣像素閉合成環(huán)。B.擦除內(nèi)部均勻的網(wǎng)格和含有紋理的網(wǎng)格內(nèi)的邊緣像素。此步驟主要是為了排除噪聲的干擾。C.。將sobel圖1縮小到原來(lái)的1/5大小，則原圖中的網(wǎng)格將對(duì)應(yīng)小圖中的像素，若網(wǎng)格含有紋理，小圖中對(duì)應(yīng)像素取1，否則取0。再通過(guò)雙三次插值放大到原圖大小并二值化。這樣含有紋理的區(qū)域的邊緣就被平滑。最后再用Sobel算子求得紋理區(qū)域邊緣并與步驟B的結(jié)果作或運(yùn)算，得到sobel圖2。將原始圖像縮小到原來(lái)的1/5大小，再次使用（1）中的方法求得邊緣圖像sobel圖3。這里考慮到在步驟(1)中檢測(cè)到的邊緣更加精確,在合成結(jié)果時(shí)應(yīng)優(yōu)先采用步驟(1)中檢測(cè)到的邊緣，所以預(yù)先作如下處理：若與sobel圖3中的邊緣像素對(duì)應(yīng)的sobel圖2中的網(wǎng)格是內(nèi)部均勻的，就保留sobel圖3中的該邊緣像素，否則去除該邊緣像素。對(duì)結(jié)果再經(jīng)過(guò)插值放大后二值化得sobel圖4。合成兩種尺度下的邊緣檢測(cè)結(jié)果。對(duì)步驟（3）和（4）得到的結(jié)果sobel圖2和sobel圖4作或運(yùn)算，然后用形態(tài)學(xué)取骨架的方法處理結(jié)果，得到最終的邊緣檢測(cè)圖。由于在步驟(4)中的處理，sobel圖4是對(duì)sobel圖2的補(bǔ)充，將兩圖作或運(yùn)算不會(huì)影響sobel圖2中的邊緣信息?？梢灾庇^地看到，合成后的邊緣圖像是粗細(xì)不同的邊緣連接在一起的。為了便于分析，需要將較粗的邊緣細(xì)化。采用形態(tài)學(xué)取骨架的處理之后，圖像的邊緣就均勻了。3、實(shí)驗(yàn)結(jié)果從實(shí)驗(yàn)結(jié)果不難看出，在初始邊緣檢測(cè)結(jié)果(邊緣圖像)中，原始圖像模糊的部分邊緣像素的連續(xù)性較差。在更大尺度上檢測(cè)到的邊緣(網(wǎng)格補(bǔ)充邊緣圖像)是對(duì)初始檢測(cè)結(jié)果的有效補(bǔ)充。這種補(bǔ)充是建立在利用圖像信息基礎(chǔ)上的，并且因?yàn)槌叨容^大，在補(bǔ)充邊緣信息的同時(shí)，有效地抑制了噪聲的干擾。

4、結(jié)論本文提出了一種結(jié)合Sobel算子和網(wǎng)格的2尺度彩色圖像邊緣檢測(cè)方法。二尺度的邊緣檢測(cè)彌補(bǔ)了單一尺度邊緣檢測(cè)法不能識(shí)別緩慢變化和紋理區(qū)域邊界的不足有效地延伸了圖像中的有用邊界，抑制了噪聲的干擾。其中還用到了插值縮放和形態(tài)學(xué)的方法，更加充分地利用了圖像信息，提高了邊緣檢測(cè)的正確率。

參考文獻(xiàn)[1]IrisV,IoannisP,HichemS.Multiscalegradientwatershedsofcolorimages[J].IEEETransactionsonImageProcessing2003,12(6):617~626.[2]AmoldM,WilkinsonMH.Acomparisonofalgorithmsforconnectedsetopeningsandclosings[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2002,24(4):484~494.[3]章毓晉.圖像處理[M].北京：清華大學(xué)出版社,2006.[4]侯志強(qiáng)，韓崇昭，左東廣，等．基于局部多結(jié)構(gòu)元素?cái)?shù)學(xué)形態(tài)學(xué)的灰度圖像邊緣檢測(cè)算法[J]．西安交通大學(xué)學(xué)報(bào)，2003，37(4)：439~440．[5]龍翔,金德琨,敬忠良,王安.運(yùn)動(dòng)圖像多