基于共生矩陣和形態(tài)學的彩色圖像邊緣檢測

杜棋東 陳雪梅

摘 要： 針對在RGB空間中難以有效區(qū)分顏色相似性的問題，提出了一種基于共生矩陣和HSI空間形態(tài)學的彩色圖像邊緣檢測方法。采用二維共生矩陣直方圖均衡化方法，解決圖像過渡不自然的現(xiàn)象；針對HSI的分量利用形態(tài)學方法進行加權分析和圖像融合，得到彩色圖像邊緣。通過MATLAB實驗表明，該算法檢測準確率高，自適應性好，有較好的檢測效果。

關鍵詞： 共生矩陣； HIS空間； 形態(tài)學梯度； 邊緣檢測

中圖分類號：TP391 文獻標志碼：A 文章編號：1006-8228（2014）06-01-03

0 引言

圖像邊緣是圖像灰度值變化不連續(xù)的部分，可以粗略地分為階躍邊緣和屋頂邊緣[1]。圖像邊緣的信息能勾勒物體輪廓框架，是數(shù)字圖像研究領域的重要部分。多見的圖像邊緣檢測方法有Sobel算法、Canny算法、Laplacian算法等，雖然這些算子簡單方便，但不能適應各種類型的邊緣檢測，自適應性較差。有實驗表明，彩色圖像比灰度圖像含有的邊緣信息更為豐富，彩色圖像大概有十分之一的邊緣信息不能在灰度圖像中檢測得到[2]。由于RGB三個分量相關性較強[3]，對顏色感知不均勻，難以對色度、飽和度和亮度等進行數(shù)字化調(diào)整。因此，本文采用符合顏色視覺特性的顏色空間HSI。除此之外，由于光照不均勻，采集到的圖像往往顯得暗淡，其灰度值和動態(tài)范圍都較小，需要采用二維共生矩陣直方圖均衡化方法來解決。

本文對彩色圖像灰度值及動態(tài)范圍較小的邊緣檢測算法進行研究。首先根據(jù)圖像的整體及布局灰度級的分布，在空間域?qū)D像進行二維共生矩陣直方圖均衡化處理，增強圖像整體對比度，使圖像過渡自然、細節(jié)清楚，然后利用一種改進的HSI形態(tài)學彩色圖像邊緣檢測方法，計算H、S、I三分量的數(shù)據(jù)信息，接著對其進行權分析和圖像融合，最后得到彩色圖像邊緣。通過MATLAB實驗，結(jié)果表明，本文算法檢測準確率高，自適應效果好，是一種較好的檢測方法。

1 共生矩陣

1.1 灰度共生矩陣概念

灰度共生矩陣是一種像素距離和角度的的矩陣函數(shù)，再現(xiàn)了圖像灰度在間隔、方向及變換范圍的全部信息。它是通過統(tǒng)計分析一個圖像中具有不同灰度狀況的兩個像素得到的，兩個像素的方向和距離具有適當性。

1.2 共生矩陣直方圖均衡化

2 HSI空間形態(tài)學梯度彩色圖像邊緣檢測

2.1 HSI模型與色差求解

2.2 形態(tài)學梯度算子

2.3 雙結(jié)構(gòu)元的形態(tài)學算法

在數(shù)學形態(tài)學中，結(jié)構(gòu)元素是一個最重要也是最基礎的概念，不同的結(jié)構(gòu)元素在同一幅圖像中可用于提取、識別不同的圖像形狀或者目標。在單一的結(jié)構(gòu)元素，提取圖像的特性是大小完全相同的；而對于微小差異的結(jié)構(gòu)元素，則無法提取他們的特性。本文采用文獻[10]的方法，即一種雙結(jié)構(gòu)元的形態(tài)學算子：

其中，A是一種鉆石型5×5的結(jié)構(gòu)元素，B是一種十字型3×3的結(jié)構(gòu)元素：

A與B是兩種不同尺度的結(jié)構(gòu)元素，各有優(yōu)點與缺點。對于A，尺度大，去除圖像噪聲能力強，但會失去一些邊緣信息；對于B，尺度小，可以較好地保持邊緣信息，但去除圖像噪聲能力較弱。由此可見，合理調(diào)整結(jié)構(gòu)元素尺度的大小，可以有效抑制噪聲并得到理想的邊緣檢測結(jié)果。本文采用改進的形態(tài)學梯度算子[12]應用到基于共生矩陣和形態(tài)學的檢測算法中，得到如下算子：

2.4 本文算法的步驟

針對在RGB空間中難以有效區(qū)分顏色相似性，光照不均勻的彩色圖像存在灰度動態(tài)范圍較低等問題，本文提出一種關于共生矩陣和形態(tài)學的邊緣檢測算法，檢測算法描述如下。

第一步：首先通過通過共生概率密度函數(shù)和累積分分布函數(shù)計算得到K個新的灰度級，然后根據(jù)式子⑹計算共生直方圖均衡后相鄰像素之間的空間相關特性，根據(jù)式子⑺對圖像進行二維共生矩陣直方圖均衡彩色圖像增強。

第二步：進行色彩空間轉(zhuǎn)換，根據(jù)已知的RGB分量值，計算H分量、S分量以及I分量。

第三步：利用H分量和式⑷以及式⑸計算多尺度邊緣EHi（x，y）。其中，Bn為有限個結(jié)構(gòu)元素序列，n為尺度參數(shù)。

第四步：利用式⑶計算融合后H分量的邊緣檢測信息EHi（x，y）。當中，權重系數(shù)為ai（i=1，2，3…，n），（a）在噪聲較小或無的情況下圖像取平均數(shù)值，即；（b）在噪聲較大的情況下圖像取非平均權重，即。

第五步：對于S分量和I分量，同理重復第二、第三、第四步驟，得到S分量和I分量的邊緣檢測信息。

第六步：將圖像H分量、S分量、I分量的邊緣數(shù)據(jù)信息進行圖像融合統(tǒng)計處理，得到彩色圖像邊緣。

3 仿真實驗和分析

本文使用的實驗環(huán)境是MATLAB 7.0，第一步是對本文邊緣檢測算法進行實驗，確保算法正確；第二步，為了保證檢測算法的準確性與有效性，將本文算法與文獻[10-11]及Sobel算法、Canny算法等幾種常見的邊緣檢測算法進行對比，如圖2所示。

從圖2可知，經(jīng)典的Sobel算子、Canny算子對噪聲比較敏感，不能完整地勾勒圖像的邊緣；文獻[10]與文獻[11]優(yōu)于經(jīng)典算子，能夠較好地抑制噪聲，但顯得不夠清晰平滑；本文算法將噪聲過濾較好，所檢測的邊緣輪廓較為清晰完整。

客觀來說，用圖像峰值信噪比（PSNR）對實驗圖像進行定量分析，PSNR越大，代表保留的圖像信息越多。本文算法和兩種傳統(tǒng)算法Sobel和Canny以及文獻[10-11]共五種算法的PSNR計算結(jié)果如表1所示。

4 結(jié)束語

針對在RGB空間中難以有效區(qū)分顏色相似性的問題，本文提出一種關于共生矩陣和形態(tài)學的邊緣檢測算法。該方法首先通過利用圖像的整體及布局灰度級的分布，在空間域?qū)D像進行二維共生矩陣直方圖均衡化處理，然后采用形態(tài)學梯度算子對H、S、I的三分量進行權分析和圖像融合得到彩色圖像邊緣。與傳統(tǒng)算法相比，本文所提出的算法更能有效地保持邊緣信息，是一種有效的邊緣檢測方法。

參考文獻：

[1] J X SUN， GU DB. A multiscale edge detection algorithm based on velet domain vector hidden Markov tree model[J]. Pattern Recognition，2004.37（7）：1315-1324

[2] NEVATIA R.A color edge detector and its use in scene egmentation[J].IEEE Trans on Systems，1977.7（11）：820-826

[3] 楊益，何穎.基于RGB空間的車道線檢測與辨識方法[J].計算機與現(xiàn)代化，2014.2：86-90

[4] 楊冰清，田小平，吳成茂.基于共生矩陣的彩色圖像增強算法[J].計算機應用，2012.9（32）：2573-2584

[5] 姚宇峰，夏開建，鐘珊等.改進的形態(tài)學和小波變換邊緣檢測算法研究[J].計算機工程與應用，2011.47（21）：214-216

[6] 王佐成，唐素，薛麗霞等.多方向模糊形態(tài)學彩色圖像邊緣檢測算法[J].計算機應用研究，2010.27（10）：3971-3973

[7] 徐杰.數(shù)字圖像處理[M].華中科技大學出版社，2009.

[9] 徐國保，王驥，趙桂艷等.基于數(shù)學形態(tài)學的自適應邊緣檢測新算法[J].計算機應用，2009.29（4）：997-1002

[10] 羅圣敏.改進的彩色圖像邊緣檢測算法仿真研究[J].計算機仿真，2011.28（7）：301-304

[11]李依令.基于多尺度多結(jié)構(gòu)元素的數(shù)學形態(tài)學邊緣檢測[J].科學技術與工程，2006.6（10）：1417-1419

[12] 毛若羽，陳相寧.改進的HSI空間形態(tài)學有噪彩色圖像邊緣檢測[J].計算機應用研究，2013.30（2）：635-637

[13] 李艷靈，沈軼.基于空間鄰域信息的FCM圖像分割算法[J].華中科技大學學報（自然科學版），2009.37（6）：56-59

[14] 段瑞祥，李慶祥，李玉和.圖像邊緣檢測方法研究綜述[J].光學技術，2005.31（3）：415-419

[15] 王永忠，王曉云，文成林.梯度點對約束的結(jié)構(gòu)化車道檢測[J].中國圖像圖形學報，2012.17（6）：657-663

[16] 張闖，王婷婷，孫冬嬌等.基于歐氏距離圖的圖像邊緣檢測[J].中國圖像圖形學報，2013.18（2）：176-183

[17] 林沁，章歷.基于灰度共生矩陣和光流法的人群異動事件檢測[J].計算機與現(xiàn)代化，2013.3：114-118