改進Canny 算法在編織布疵點邊緣檢測中的應用

閆偉偉，孫宏昌，張 廷，張樹剛，田東閣，蔣永翔

（1.天津職業技術師范大學機器人及智能裝備研究所，天津 300222；2.呼倫貝爾職業技術學院，呼倫貝爾 021000；3.天津亞東智鑫科技有限公司，天津 300380）

塑料編織袋廣泛應用于各行各業，因其具有較好的拉伸性能，可承載并有效保護質量較大的產品，滿足了消費者的使用需求。目前，傳統的編織布原料破損檢測主要依靠人工識別[1]，檢測效率低下、誤判率高，檢測人員長期視力集中易導致眼睛疲勞以及引發職業病。因此，在編織布檢測流程中應用機器視覺檢測技術十分必要。

破損編織布圖像中背景與缺陷邊緣、缺陷與缺陷邊緣特征是檢測破損的關鍵特征[2]，因此在機器視覺技術中通常會引入圖像邊緣檢測技術。在圖像邊緣檢測中常用的一階邊緣檢測算子有：Roberts 算子[3]、Prewitt 算子[4]、Sobel 算子[5]、Scharr 算子[6]等；二階的邊緣檢測算子有：Laplacian 算子[7]、LoG 算子[8]、Canny 算子[9]等，這些算子的原理都是將圖像與特定大小的模板進行卷積處理。上述算法簡單，實用性強，其中Canny 算子因其檢測精度高、信噪比高等優勢在圖像處理領域中應用廣泛。但由于Canny 算子中的高低閾值需要人為設定，過高的高閾值會導致邊緣斷裂，出現邊界不連續的情況而丟失邊緣細節信息；反之，過低的低閾值會出現偽邊緣。當圖像光照情況發生變化時，圖像整體灰度分布隨之變化，導致高低閾值需進行相應地修改，因此傳統Canny 算子在閾值的確定上缺乏實時性和自適應性[10]。針對上述問題，文獻[11]提出了結合雙重Otsu 方法進行高低閾值確定的算法，文獻[12]使用迭代閾值分割法和改進Otsu 算法以選取高低閾值，實現邊緣檢測連接，文獻[13]利用梯度直方圖選取閾值。以上方法雖然提高了邊緣提取的檢測精度，但并沒有改善算法的自適應性。本文提出一種改進Canny 算法，旨在提高Canny 算子在織物疵點邊緣檢測中的準確性和自適應性。

1 Canny 邊緣檢測算法

傳統的Canny 邊緣檢測算法最初由John F.Canny提出，并設定了信噪比準則、定位精度準則、單一邊緣響應準則[14]來提高邊緣檢測精度。為滿足這3 條準則，John F.Canny 在一階微分算子的基礎上，增加了2 項改進，即非極大值抑制和雙閾值。多邊緣響應、邊緣的定位精度利用非極大值抑制來控制；雙閾值能減少邊緣的漏檢率。其檢測流程如圖1 所示。

圖1 傳統Canny 邊緣檢測算法流程

（1）利用二維線性高斯濾波器對目標圖像進行去噪。二維高斯函數與圖像進行卷積處理以達到平滑圖像的效果，二維高斯函數 G（x，y）為

高斯函數與目標圖像卷積公式為

式中：σ 為高斯函數的標準差，其大小可以控制圖像的平滑程度；R（x，y）為高斯函數與輸入圖像進行卷積處理之后的圖像；f（x，y）為輸入圖像；“*”代表卷積運算。

為提高運算效率，可以將高斯函數轉化為高斯濾波模板[15]，再與輸入圖像做卷積運算得到平滑后的圖像。

（2）計算梯度幅值和方向，利用Sobel 梯度模板[16]分別計算去噪后的圖像在像素點（x，y）處x 和y 方向上的偏導數。

其在x 方向上的偏導數Ix為

在y 方向上的偏導數Iy為

式中：R（x，y）為像素點（x，y）處的像素值。

則利用二范數計算其梯度幅值O 所得

其梯度方向為

（3）非極大值抑制（NMS）[17]旨在盡可能保留圖像灰度梯度幅值變化最大的點，盡可能地抑制該范圍內的干擾值，提高邊緣定位的準確度。非極大值抑制的具體實現方法為：遍歷圖像的每一個像素點，如果像素點R（x，y）處像素的梯度值不大于該梯度方向上相鄰2 個像素點的梯度值，則把點R（x，y）標記為非邊緣點；反之，像素點R（x，y）則被標記為候選邊緣點。

（4）滯后閾值化，人工確定1 個高閾值Th和1 個低閾值Tl，分別對經過非極大值抑制處理之后的梯度圖做二值化處理，然后對邊緣點進行選取和連接，具體方法為：掃描圖像的像素點（x，y），如果該點像素梯度值大于高閾值，則點（x，y）為邊緣像素；如果該點像素梯度值小于低閾值，則該點認定為非邊緣點；若像素點的梯度值處于高、低閾值之間，則進一步檢查像素點（x，y）的 3 × 3 鄰域，如果在像素 3 × 3 的鄰域內有梯度大于 Th的像素（x，y），則（x，y）為邊緣像素點，否則視為非邊緣像素。

2 改進的Canny 邊緣檢測算法

從上述Canny 邊緣檢測算子的檢測流程可以看出，由于進行邊緣檢測和連接時所依據的高低閾值是人工設定的，因此對整幅編織布圖像進行邊緣檢測時無法估計局部特征信息，隨著設定值的不同，所檢測物體的輪廓信息出現檢測出假邊緣或邊緣斷裂等情況，無法實現自適應。另外，人工設定閾值會因經驗不同而產生誤差。針對傳統Canny 算子存在的不足，本文運用雙重基本全局閾值分割算法[18]，根據實時的光照環境變化自適應地確定合適的高閾值和低閾值。改進后的Canny 算法流程如圖2 所示。

圖2 改進Canny 算法流程

2.1 基本全局閾值分割算法

在一個灰度等級為L（一般L=256）的圖像中，設有nm個灰度值為m 的像素，n 表示像素總個數，其中n=n0+n1+…+nL-1，灰度圖像中灰度值m 像素點出現的概率用 p（m）表示，則

其中，p（0）+p（1）+ … +p（L-1）=1，用初始閾值T0將圖像中的像素灰度值分成C0和C1兩大類，即C0={0，1，...，T0}，C1={T0+1，T0+2…，L-1}。

對于初始閾值T0的設置，可以先找出圖像中灰度最大的值hmax和灰度最小的值hmin，令T0為灰度最大的值hmax和灰度最小的值hmin的均值，這樣可以減少計算量，則有

則C0和C1的分布概率分別為ω0和ω1

式中：ω0為 C0的分布概率；ω1為 C1的分布概率，且ω0+ω1=1。

C0部分像素點的灰度均值φ0（T）為

C1部分像素點的灰度均值φ1（T）為

對φ0（T）與φ1（T）求均值，有

其中，T1是經過一次迭代所得的一個閾值。

2.2 Canny算子結合雙重基本全局閾值分割算法

由上述對基本全局閾值分割算法的介紹可知，雙重基本全局閾值分割算法是先對梯度圖像賦予一個初始閾值T0，第一步使用上述方法獲取一個新的閾值T1，然后將T0和T1進行比較，如果二者相等或是二者之差在一個允許的范圍內，返回T1，此時所得到的新閾值T1即為最優閾值，將其設置為高閾值Th；否則繼續進行迭代，直到相鄰2 次得到的閾值之差為0 或者在一個允許的范圍時，終止迭代，最終得到最優閾值。第二步在[0，Th]之間再次使用全局閾值分割法得到另一個最優閾值，將其設置為低閾值，此時得到的高閾值和低閾值即可作為滯后閾值化操作所需的閾值。

3 實驗結果與分析

為驗證上述理論分析的可行性和有效性，在Python 3.7.0 環境下配置開源計算機視覺函數庫OpenCV4.2.0版本進行測試。傳統Canny 檢測算法直接調用edge=cv2.Canny（image，threshold1，threshold2），image 為經過灰度變換后的灰度圖像，threshold1、threshold2 分別為設定的低閾值和高閾值，edge 為檢測出的圖像邊緣二值圖。改進后的算子中的高低閾值是經過2 次全局閾值分割方法多次迭代得到的，不需人為設定。

選取多幅不同缺陷類型的圖像對本文改進算子和傳統算子的檢測效果進行對比，其中傳統算法與改進算法所用的高斯濾波模板大小均為3×3，標準差σ=1.4，計算梯度用一階Sobel 梯度模板，由于圖像整體灰度較低，傳統算法雙閾值中高閾值選擇為30，低閾值為15。

圖3 為有瑕疵編織布的原圖，改進算法所得閾值與傳統方法確定的閾值對比結果如表1 所示。從表1可以看出，改進Canny 算法確定的閾值能根據圖像灰度分布自適應確定高低閾值，提高了算法的自適應性。兩種算法在處理同一幅圖像時，采用改進的方法多于傳統方法，這是因為在確定Canny 算子的最優閾值時需要額外的計算量，這就使得算法在時間復雜度上有一定的提高。

圖3 瑕疵編織布原始圖像

表1 編織布圖閾值比較

采用改進Canny 算法和傳統Canny 算法分別對其處理后，編織布圖檢測出的瑕疵邊緣像素占圖像整體像素比例情況如表2 所示。從表2 可以看出，改進的Canny 邊緣檢測算法能檢測出更多的瑕疵邊緣像素。

表2 編織布圖檢出邊緣像素占比 %

傳統Canny 算法和改進Canny 算法的檢測結果分別如圖 4 和圖 5 所示。由圖 4（a）、圖 5（a）中的標記處可以看出，改進方法檢測出破損編織布瑕疵的邊緣細節更多。由圖4（b）、圖5（b）小破損瑕疵可以看到，傳統算法對于編織布小破損情況下的檢測情況明顯不如改進后的算法。圖5 中的打結和跳線瑕疵圖可以看出，改進的算法邊緣檢測和連接的效果更好，這也為后續疵點檢測和打標機標記瑕疵布料提供了依據。

圖4 傳統Canny 算法檢測圖

圖5 改進Canny 算法檢測圖

4 結 語

本文在傳統Canny 算子確定高閾值和低閾值的步驟中應用2 次全局閾值分割方法，解決了其邊緣檢測算子在確定高低閾值方面自適應能力差的問題。該算法能夠根據圖像整體灰度分布自適應地確定合適的閾值，無需人為操作。實驗結果表明，本算法檢測出的邊緣像素明顯增多，在邊緣像素連接方面的效果更好，而且能在一定程度上抑制假邊緣，提高了Canny算子在織物疵點邊緣檢測上的自適應性。同時，由于低閾值也是由算法根據圖像灰度分布計算得到的，因此能夠減少偽邊緣的產生，保證了后續疵點檢測和標記的準確性。本文的算法在自適應性、邊緣檢測和連接方面相比傳統算法具有一定的優勢，但在檢測時間方面耗時比傳統算法長，對檢測效率有一定的影響，今后仍需進一步研究。