新穎的物體輪廓提取：基于雙邊濾波的多級邊緣檢測

摘要：提出了一種新穎的物體輪廓提取方法，即通過多級邊緣檢測來提取物體的主要邊界。雙邊濾波器用來建立多級，同時Canny邊緣算子相應地產生邊緣圖，組合邊緣圖構造出一幅多級圖。次段被定義為邊緣像素的連接結構，提取并連接這些次段可以構成閉合輪廓。最終圖像中最相關的閉合輪廓被判定為真實的物體輪廓。實驗結果表明，該物體輪廓提取方法具有較高的可靠性并且受噪聲影響較小。

關鍵詞：多極； 雙邊濾波； 坎尼邊緣檢測； 物體輪廓

中圖分類號：TP391文獻標志碼：A

文章編號：1001-3695(2007)12-0396-03

靜態圖像的內容描述是一個復雜的問題。它包括根據人的感官系統，在最優結構化方式下對不同低水平特征的檢測和綜合。在用于描述視覺場景的不同特征中，物體形狀是語義分析最重要的特征之一。關于圖像輪廓提取的研究可以參考相關文獻。本文所提出的物體輪廓提取方法可歸類在基于邊界的方法之下，如文獻[1]中所描述的那樣。根據生理學中的橫向抑制過程^[2]，人類的視覺系統（HVS）是趨于對同性質區域之間的變化和不同作出反應，而不是對各區域自身內部作出反應。從這個考慮出發，基于Canny邊緣算子^[2，3]的邊緣檢測器可以用于在給定圖像中檢測這些邊界的位置。理想狀態下希望自動從圖像中提取關于物體邊界的所有邊緣。但是無論怎樣利用邊緣檢測器，圖像輸出總是會因為噪聲、紋理或光照丟失及分散一些邊緣。本文提出了一種感知能動的方法來連接邊緣，用于提取語義物體輪廓。為了完整化斷開的物體輪廓，在邊緣次段（SSs）域內應用基于圖形學的搜索算法去尋找最小代價的閉合回路，然后在鄰近的次段之間建立虛鏈路。此外，基于各次段相應的級，可以構建一個原始次段的等級。級可以被理解為圖像簡化的不同階段，即在原始圖像上進行非線性雙邊濾波^[5，6]的迭代次數。通過對不同簡化階段得到的邊緣進行分析，可以推斷出每個初始次段的相對重要性信息。在代價函數中，級信息作為附加量結合到次段的分組搜索中，使搜索輸出為物體邊界的最相關邊緣。因此，通過對特定數量的最重要次段進行搜索，可以獲得一組閉合的輪廓，并且這些閉合輪廓可以按照相關重要性排序。

1基于圖像邊緣域的次段形成

來源于靜態圖像或視頻流的圖像，首先被轉換成灰度圖，然后作進一步分析。Canny邊緣算子用來檢測邊緣，采用一個平滑因子參數σ和兩個閾值參數^[7]（高thrhigh和低thrlow）。Canny邊緣輸出通過使用簡單的模板進行細化，使得每個邊緣像素最多與兩個邊緣像素相鄰（在八鄰域定義中）。細化算法對于獲得單像素厚度的邊緣次段來說是必要的，而對于分離連接邊緣分支（T－連接）也是必需的。次段被定義為包含連續系列的八連通邊緣像素結構。這些結構或者包含兩個端點，或者是形成一個閉合回路（輪廓）。本文所提出的算法流程如圖1所示。

2雙邊濾波和權值計算

非線性雙邊濾波器^[5，6]可以有效地保留強邊緣，同時去除圖像細節(即各向異性擴散^[8])。線性高斯濾波器去除圖像噪聲和細節的同時，也使得重要邊緣模糊化，導致它們的位置發生改變。在級空間理論中，級的構造可以通過對圖像應用不同的高斯空間濾波器寬度（σ）來實現。然而，由于重要邊緣的模糊化效應，通過不同級來追蹤邊界信息仍然是一個障礙。本文應用一個級表達式，為通過雙邊濾波器后保留下來的邊緣維持固定位置^[9]。如果Iin表示輸入圖像幀，根據以下表達式，可以獲得雙邊濾波的輸出：

5結束語

本文采用基于多級的邊緣檢測算法提取圖像物體輪廓。實驗結果顯示，以上方法具有較高的可行性和可靠性。本文提出了一種新穎的圖像多級構造算法，即控制雙邊濾波器在原始圖像上的迭代次數來形成多級。Canny邊緣算子從圖像的每一級中提取邊緣，最終構成一幅多級圖。多級圖用于形成次段，并提供次段的長度和權值信息，通過次段的連接構成閉合回路。這些閉合回路被用來描述圖像中的主要物體輪廓。

參考文獻：

[1]FELZENSZWALB P F， HUTTENLOCHER D P. Efficient graph－based image segmentation[J]. Int Journal of Computer Vision， 2004，59(2):167－181.

[2]HAYKIN S. 神經網絡的綜合基礎[M].2版.北京:清華大學出版社， 2001.

[3]王磊，莫玉龍，戚飛虎.基于Canny理論的邊緣提取改善方法[J].中國圖象圖形學報， 1996，1(3):191－195.

[4]CANNY J. A computational approach to edge detection[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 1986，8(6):679-698.

[5]MAHAMUD S， WILLIAMS L R， THORNBER K K， et al. Segmentation of multiple salient closed contours from real images[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2003，25(4):433-444.

[6]TOMASI C， MANDUCHI R. Bilateral filtering for gray and color images[C]//Proc of the 6th International Conference on Computer Vision. Bombay:[s.n.]， 1998.

[7]SAHOO P K， SOLTANI S， WONG A K C. A survey of thresholding techniques[J]. Computer Vis Graph Image Proc， 1988，41(2):233-260.

[8]BARASH D. A fundamental relationship between bilateral filtering， adaptive smoothing， and the nonlinear diffusion equation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 2002，24(6):844-847.

[9]PERONA P， MALIK J. Scale－space and edge detection using anisotropic diffusion[J]. IEEE Trans on Pattern Analysis and Machine Intelligence， 1990，12(7):629-639.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”