邊緣檢測方法的對比研究

陳夢潔

（武漢理工大學，湖北 武漢 430070）

0 引言

圖像邊緣是圖像最基本的特征之一，邊緣的檢測是利用物體和背景在某種圖像特性上的差異來實現(xiàn)的，這些差異包括灰度、顏色或紋理特征。 邊緣檢測實際上就是檢測圖像特性發(fā)生變化的位置。

邊緣點即圖像中亮度變化顯著或不連續(xù)的點，邊緣的方向可以是梯度角。在實際問題中，邊緣點和邊緣段都是為邊緣。邊緣檢測器是指從圖像中抽取邊緣集合的算法。

1 常見的邊緣檢測方法的介紹

在通常情況下，邊緣點附近灰度的變化情況可從相鄰像素灰度分布的梯度來反映。 根據(jù)這一特點， 提出了很多邊緣檢測算子：如Roberts 算子、Prewitt 算子、Sobel 算子、laplacian 算子等。

Roberts 交叉微分算子是一種利用局部差分算子尋找邊緣的算子，具有的方向性的算子。 Prewitt 算子加大了邊緣檢測算子的模板，并使用兩個有向算子（一個是水平的，一個是垂直的，兩個模板），每一個逼近一個偏導數(shù)。 Kirsch 算子每個模板只對相應的方向敏感，對相應方向上的變化有明顯的輸出，而對其他方向上的變化相應不大。 拉普拉斯算子一種二階邊緣檢測算子，它是一個線性的、移不變算子。是對二維函數(shù)進行運算的二階導數(shù)算子。 Laplacian 算子利用二階導數(shù)信息，具有各向同性，即與坐標軸方向無關(guān)，坐標軸旋轉(zhuǎn)后梯度結(jié)果不變。Sobel 微分算子是由Sobel 提出的一種將方向差分運算和局部平均相結(jié)合的方法。 該算子是一種以(x,y)為中心的奇數(shù)大小的模板下的微分算子,分別為橫向或縱向，將它與圖像做平面卷積，便可得到橫向和縱向的亮度差分的近似值。

2 改進的邊緣檢測算子

以上幾種邊緣提取算法都是針對性比較強的方法，由于物理和光照等原因，實際圖像中的邊緣常常發(fā)生在不同的尺度范圍上，并且每一邊緣像元的尺度信息是未知的，利用單一固定尺度的邊緣檢測算子不可能同時最佳地檢測出這些邊緣。 事實上，邊緣檢測作為視覺的初級階段，通常認為是一個非良態(tài)問題，因而很難從根本上解決。所以尋求改進的邊緣檢測算法很重要。

2.1 改進Sobel 算子的邊緣檢測方法

一種改進的Sobel 算子邊緣檢測方法，基于kirsch 的啟發(fā)，我們也將Sobel 算子擴展成八個方向上的模板，這樣可以有效地提取多個方向上的邊緣，使得邊緣信息更完整。 模板為：

2.2 Sobel 算子最佳閾值選擇

盡管把方向的Sobel 算子可以得到比較完整的邊緣信息，但是它和一階算子一樣，對噪聲比較敏感，抗噪聲能力比較差。解決該問題的一個方法就是設(shè)定一個閾值，然后與經(jīng)過Sobel 算子檢測過的邊緣值做比較，當其大于閾值時，將其定義為邊緣，否則取為0。 然而怎樣確定閾值確實比較難的問題。 因為在圖像中，無用的背景數(shù)據(jù)和目標數(shù)據(jù)常常混在一起，此外還有噪聲的影響，如果閾值選的偏低，則會有較多的噪聲被保留，影響邊緣提取的效果；如果閾值選取的偏高，則會使那些灰度值較小的邊緣丟失，破壞邊緣的連續(xù)性。

2.3 數(shù)學形態(tài)學在邊緣檢測中的應用

2.3.1 數(shù)學形態(tài)學運算

腐蝕(erosion)和膨脹(dilation)是數(shù)學形態(tài)學的兩種基本運算。數(shù)學形態(tài)學的對象時集合，本質(zhì)上是用結(jié)構(gòu)元素映射輸入圖像。 設(shè)A 是圖像矩陣，B 是結(jié)構(gòu)元素矩陣，進行數(shù)學形態(tài)學運算時，實際上就是用B對A 進行操作。

A,B 是Z2中的集合，圖像A 被結(jié)構(gòu)元素B 腐蝕的定義為：

AΘB=｛x|（B）x?A｝

其中，x 是表示集合平移的位移量。

圖像A 被結(jié)構(gòu)元素B 膨脹的定義為：

A⊕B=｛x|（B?）x∩A≠?｝

其中，x 是表示集合平移的位移量。

開運算(opening)和閉運算(closing)是另外兩種中亞的數(shù)學形態(tài)學變換。

設(shè)A 為目標圖像，B 為結(jié)構(gòu)元素，則結(jié)構(gòu)元素B 對目標圖像A 開運算定義為：

A○B(yǎng)=（AΘB）⊕B

則結(jié)構(gòu)元素B 對目標圖像A 閉運算定義為：

A·B=（A⊕B）ΘB

2.3.2 實驗對比

圖1 算子對比

由圖1 很明顯可以看出， 數(shù)學形態(tài)學在邊緣檢測中的效果很好，抗噪能力好且提取邊緣信息清晰，也是邊緣檢測的常用方法，它可以完成增強對比度、消除噪聲、細化與骨架提取、區(qū)域填充即對象提取、邊界提取等。

3 結(jié)論

邊緣檢測作為數(shù)字圖像分割的一個重要內(nèi)容一直是人們研究的熱點。 在實際應用中有許多成功的例子，已將一些專用領(lǐng)域的成熟算法嵌入單片機，制成便攜式設(shè)備，如指紋考勤機、人臉的識別器。 視頻交通流檢測及車輛識別系統(tǒng)已在某些大城市交通流量的檢測中應用，效果良好。

本文主要研究基本的邊緣提取技術(shù)，歸納總結(jié)了傳統(tǒng)的邊緣檢測算子的主要原理、方法，對邊緣提取的基礎(chǔ)理論知識進行了系統(tǒng)的闡述。 對各種常用邊緣提取方法用Matlab 語言編程實現(xiàn)，對其圖像邊緣檢測結(jié)果進行分析比較，從而總結(jié)了算法的優(yōu)缺點，并且提出了改進的Sobel 算子和改進的Prewitt 算子，實驗結(jié)果表明改進算子提取邊緣更有效且抗噪性能更好。

［1］劉清,王平根,肖曉朋.一種關(guān)于梯度算子的邊緣提取算法[J].井岡山大學學報:自然科學版,2013,34(2):65-67.

［2］趙慧,劉建華,梁俊杰.5 種常見的邊緣檢測方法的比較分析[J].現(xiàn)代電子技術(shù),2013,36(6):89-91.

［3］陳寒,呂行軍,等.基于Sobel 算子邊緣檢測的麥穗圖像分割[J].農(nóng)機化研究,2013,3:33-34.

［4］陳初俠.圖像濾波及邊緣檢測與增強技術(shù)研究[D].安徽:合肥工業(yè)大學,2009,4:32-42

［5］朱虹,等,編.數(shù)字圖像處理基礎(chǔ)[M].北京:科學出版社,2005:102-124