基于自適應閾值的多尺度邊緣檢測方法

徐偉堯，夏 婷

（棗莊學院，山東 棗莊 277160）

基于自適應閾值的多尺度邊緣檢測方法

徐偉堯，夏 婷

（棗莊學院，山東 棗莊 277160）

圖像邊緣信息在物體識別方法中具有重要作用，采用多尺度特征檢測能同時檢測出細微和粗糙特征。基于曲率尺度空間（CSS）技術，文章提出了一種改進的多尺度邊緣檢測方法，該方法首次利用自適應局部曲率閾值代替了原有CSS方法中的單一全局閾值，另外，為了消除虛假邊緣點，候選邊緣點的角度被檢測在一組動態范圍內。實驗結果表明，該方法能有效解決多尺度特征的圖像檢測問題。

多尺度邊緣檢測；曲率尺度空間；自適應閾值；動態范圍

圖像的邊緣信息在圖像識別中具有重要作用，能提供很多有用的信息，可以用在動態跟蹤、目標識別等領域。前人已經提出了很多邊緣檢測算法，大多數算法是基于單尺度特征的，對于多尺度效果不明顯。由于圖像的邊緣信息尺寸并不單一，單尺度算法可能會丟失圖像的部分邊緣信息，文獻［4］提出了一種可以檢測平面曲線邊緣信息的多尺度算法，雖然該算法可以檢測多尺度特征，但是運算量太大。文獻［5］和［6］提出了兩種基于曲率尺度空間（CSS）技術的檢測方法，主要用于檢測灰度級圖像。

文章以CSS邊緣檢測為基礎，提出了一種可以改善邊緣檢測性能的方法。與文獻［5］和［6］不同，利用絕對曲率函數的局部極大值確定候選點以后，將候選點的曲率與自適應局部曲率閾值而非單一全局閾值相比較，由于邊際噪聲等的影響，需要去除虛假邊緣點。文章第二部分介紹了一種原始的CSS邊緣檢測方法，并且指出了它的優點和缺點，第三部分對文章提出的邊緣檢測方法進行了詳細描述，第四部分給出了實驗結果，并得出結論。

1 CSS邊緣檢測

根據文獻［5］中的描述，得出曲率K的定義如下：

下面是原始CSS算法中圖像邊緣檢測的操作步驟：①使用Canny邊緣檢測器獲取一個二進制灰度圖像。②從邊緣映射map中提取邊緣輪廓，找到T型連接點。③對任意一個邊緣輪廓以σ尺度計算曲率。④在最高的尺度上計算邊緣輪廓的曲率絕對值，并選擇局部極大值點作為候選點。滿足：大于閾值（t去除圓形角和噪聲）；至少兩倍于兩側相鄰的某個曲率極小值點。⑤跟蹤邊緣到最低的尺度上以獲得更好的位置精度。⑥將上述CSS邊緣和T形邊緣點做比較，去掉非常鄰近的點。

根據上面的算法，當σ較大時，表示沒有找到真正的邊緣點，當σ較小時，是偽邊緣點檢測，若將其應用到一個復雜的圖像上，檢測虛假的情況將更加嚴重。

2 提出的方法

（1）自適應局部閾值。在候選邊緣點中，根據相鄰區域的曲率，我們為候選邊緣點設定了閾值，這種自適應閾值由下式給出

其中，均值Kˉ表示相鄰區域的曲率，在這種情況下，支撐區域（ROS）表示從兩個相鄰局部曲率最小值之間的區域，其中從候選點到兩端的曲率是嚴格遞減的，在上式中，u表示曲線上候選邊緣點的位置，L1和L2是ROS的尺寸大小，C是系數。如果C為1，沒有去除任何邊緣點，若要保留曲率函數波形是標準三角形的邊緣點，C應為邊界值2。因此，理論上C的值應介于1到2之間，文章取C=1.5，實驗證明C的變化對邊緣檢測性能沒有嚴重影響。

（2）邊緣點角度。文獻［7］中指出，如果知道曲線上每一個點的角度，容易區分正確檢測點和錯誤檢測點，這種方法的關鍵在于使用恰當的支撐區域。考慮如圖1所示的情況，曲線上五個點，每個點代表局部最大曲率值可作為候選邊緣點，如果ROS較小，則五個點均為真實邊緣點，如果ROS較大，則2、3、4點可以看作是虛假邊緣點。如果事先不知道特征尺寸，將很難找出正確邊緣點。

圖1 模糊情況示例

可以采用一個動態的ROS，由候選邊緣點屬性決定動態ROS范圍，候選邊緣點通過與之相鄰的兩個候選邊緣點來定義。如果圖1中標記的五個點都是候選邊緣點，那么點3的ROS范圍應該從點2到點4，通過點3的銳角可以判定該點是真實邊緣點。然而，經過自適應局部閾值限定后，如果只有點1、3和5保留為候選邊緣點，則點3的ROS范圍應該從點1到點5，由于點1至5接近直線，此時點3可能被視為虛假邊緣點。因此，邊緣檢測準則如下：

若160°≤∠Ci≤200°，那么Ci是虛假邊緣點，否則，Ci是真實邊緣點。

∠Ci定義為，其中

經過這一步驟，候選邊緣點集將會更新，經過進一步迭代運算能夠去除由于邊界噪聲造成的失真。

3 實驗結果與分析

本節描述了上述邊緣檢測方法的實驗結果，如圖2、3所示。根據文章提出的圖像邊緣檢測方法，圖2顯示了圖像所有的邊緣區域，圖3顯示所得邊緣點檢測結果。從圖中可以看出，文章所提出的檢測方法檢測出的真實邊緣點最多、丟失邊緣點和錯誤邊緣點最少。從圖2和3中可以看出，提出的方法能得到與參考邊緣點相類似的邊緣點，且極少出現差錯檢測。

圖2 圖像邊緣信息

圖3 圖像邊緣點檢測

文章利用自適應局部閾值和動態ROS來識別邊緣點信息，不同的圖像、不同曲線和不同候選邊緣點分別采用不同的參數。實驗結果證明，文章采用的方法能有效提高正確檢測邊緣點數，并能降低錯誤檢測邊緣點數，文章所提出的圖像檢測方法更加高效準確。

［1］Smith Sand BradyJ.SUSAN—A new approach to low-level image processing［J］.International Journal of Computer Vision，1997，23（1）：45-48.

［2］Kitchen Land RosenfeldA.Gray level corner detection［J］.Pattern Recognition Letters，198：95-102.

［3］HarrisC.Determination of ego-motion from matched points[C].In Proc.Alvey Vision Conf.，Cambridge，UK，1987.

［4］Rattarangsi AandChin R T，Scale-based detection of corners of planar Curves［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，1992，14（4）：430-449.

［5］MokhtarianF and MohannaF.Enhancing the curvaturescale space corner detector［C］.Proc.Scandinavian Conf.onImage Analysis，pp. Bergen，Norway，2001：145-152.

［6］Mokhtarian Fand SuomelaR.Robust image cornerdetection through curvature scalespace［J］.IEEE TransonPattern Analysisand Machine Intelligence，1998，20（12）：1376-1381.

［7］Rosenfeld Aand JohnstonE.Angle detection on digitalcurves［J］. IEEE Trans.Computer.，1973，22：875-878.

Multi-scale Corner Detection Methodwith Adaptive Threshold

XU Wei-yao，XIA Ting

（Zaozhuang University，Zaozhuang，Shandong 277160，China）

Corners play animportant role in object identificationmethods.Multi-scalefeature detection can detect both fine and coarse features at the same time.A new and improved multi-scale corner detectionmethodbased on Curvature Scale Space（CSS）technique is proposed in this paper.It first use an adaptive local curvature threshold instead of a single global threshold as in the original and enhanced CSS methods.For eliminating falsely detected corners，the angles of corner candidates are checked in a dynamic region of support.The experimental results showed that the proposed method offers a robust and effective solution to images containing widely different size features.

multi-scale corner detection；curvature scale space；adaptive threshold；dynamic region

TN911.73

A

2095-980X（2017）01-0057-02

2017-01-07

徐偉堯，主要研究方向：圖像信息處理。