摘 要： 在復(fù)雜工件的邊緣檢測(cè)過程中，噪聲干擾和細(xì)節(jié)丟失會(huì)使檢測(cè)結(jié)果產(chǎn)生較大的誤差。針對(duì)這一問題，提出了將非下采樣Contourlet變換和數(shù)學(xué)形態(tài)學(xué)相結(jié)合的邊緣檢測(cè)算法。首先對(duì)原始圖像進(jìn)行非下采樣Contourlet變換,然后對(duì)得到的高低子頻圖像采用不同的方法進(jìn)行邊緣提取，最后通過合理的融合規(guī)則得到圖像的邊緣圖像。仿真實(shí)驗(yàn)表明,該算法對(duì)圖像邊緣細(xì)節(jié)的提取比其他算法更加豐富，并具有較好的連續(xù)性、抗噪性和魯棒性。
關(guān)鍵詞： 非下采樣Contourlet變換； 數(shù)學(xué)形態(tài)學(xué)； 邊緣檢測(cè)； 多尺度分解； 融合規(guī)則
在礦泉水瓶的質(zhì)量視覺檢測(cè)系統(tǒng)中，邊緣檢測(cè)是后續(xù)的異物檢測(cè)的重要基礎(chǔ)。圖像的邊緣定義為圖像的局部區(qū)域亮度變化顯著的部分[1]。傳統(tǒng)的邊緣檢測(cè)算法(如Sobel、Log和Canny等)在復(fù)雜的環(huán)境中很難檢測(cè)到圖像合適的邊緣信息[2]。參考文獻(xiàn)[3]用Contourlet模極大值方法進(jìn)行邊緣檢測(cè),但是這種算法容易丟失大量低頻信息。針對(duì)圖片中含有大量噪聲這一問題，本文采用非下采樣Contourlet變換(NSCT)與形態(tài)學(xué)相結(jié)合的邊緣檢測(cè)算法。該算法通過對(duì)原始圖像進(jìn)行非下采樣Contourlet變換，對(duì)圖像的高頻分量和低頻分量分別采用不同的檢測(cè)算法進(jìn)行檢測(cè)，最后把得到的高低頻子圖像經(jīng)過一定的融合規(guī)則進(jìn)行融合，最終得到原始圖像的邊緣圖像。本文的檢測(cè)方法在噪聲環(huán)境下也能檢測(cè)出礦泉水瓶圖像完整、連續(xù)的邊緣信息。
1 非下采樣Contourlet變換
Contourlet變換又被稱作金字塔方向?yàn)V波器組[4]，它分為拉普拉斯金字塔(LP)和方向?yàn)V波器組(DFB)兩個(gè)部分。LP用于多尺度分解，DFB用于方向分解。由于下采樣的Contourlet變換在奇異點(diǎn)周圍引起了Gibbs現(xiàn)象,因此非下采樣Contourlet良好的平移不變性被應(yīng)用到圖像處理中[5]。
非下采樣Contourlet變換包含非下采樣金字塔(NSP）和非下采樣濾波器組 (NSDFB)兩部分。其中，NSP去除了下采樣，采用的是雙通道非下采樣濾波器組，它的重構(gòu)條件為：
在無噪聲的環(huán)境下對(duì)礦泉水瓶圖像的邊緣檢測(cè)結(jié)果如圖3所示。其中圖3(b)是采用Canny算法檢測(cè)的結(jié)果，圖3(c)是采用基于Wavelet算法檢測(cè)的結(jié)果，圖3(d)是采用本文提出的算法檢測(cè)的結(jié)果。在加噪的環(huán)境下對(duì)礦泉水瓶圖像的邊緣檢測(cè)結(jié)果如圖4所示。從圖4可以看出，用Canny算法檢測(cè)得到的邊緣信息較少，丟失了許多重要的細(xì)節(jié)；基于Wavelet算法只能捕獲圖像點(diǎn)的奇異性卻不能捕獲線、面的奇異性，因此檢測(cè)得到的邊緣間斷不連續(xù)并且虛假邊緣較多；本文算法檢測(cè)出來的邊緣包含更多的圖像邊緣細(xì)節(jié)信息,并且圖像的邊緣完整、連續(xù)，充分說明本文算法能夠有效地抑制噪聲，在復(fù)雜的噪聲圖像中也能提取圖像清晰的邊緣信息。
為了更好地提取圖像中光滑的輪廓特征，本文提出了一種將非下采樣Contourlet變換和數(shù)學(xué)形態(tài)學(xué)相結(jié)合的邊緣檢測(cè)算法。該算法利用非下采樣Contourlet變換的分解可以很好地捕獲圖像中具有奇異性的方向信息。實(shí)驗(yàn)結(jié)果表明，本文提出的邊緣檢測(cè)算法通過多尺度和多方向性的分解，提取的邊緣細(xì)節(jié)是更加連續(xù)的幾何結(jié)構(gòu)，而且能夠有效地抑制噪聲的影響，在噪聲圖像中能夠提取有效的圖像邊緣。
參考文獻(xiàn)
[1] GONZALEZR C, WOODS R E, EDDIN S L. 數(shù)字圖像處理(Matlab版)[M].阮秋琦,譯.北京:電子工業(yè)出版社, 2006.
[2] CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,6(8):679-698.
[3] 張悅庭,尹忠科,王建英.一種新的圖像邊緣檢測(cè)方法[J].電子與信息學(xué)報(bào),2008,30(6):1295-1299.
[4] DO M N，VETTERLI M. The Contourlet transform: an efficient directional multiresolution image representation[J]. IEEE Transactions on Image Processing, 2005,14(12):2091-2106.
[5] CUNHA A L,ZHOU J,DO M N. The nonsubsampled contourlet transform:theory ,design and applications[J]. IEEE Transactions on Image Processing,2006,15(10):3089-3101.
[6] 尚政國(guó), 趙春暉, 孫巖,等.非降采樣Contourlet圖像邊緣檢測(cè)算法[J].光電子激光,2009,20(4):525-529.
[7] SERRA J. Image analysis and mathematical morphology[M].New York：Academic Press, 1982.
[8] PEI S C, CHEN F C. Hierarchical image representation by mathematical morphology subband decomposition[J].Pattern Recognition Letters, 1995,16(2):183-192.
[9] 肖易寒, 席志紅, 海濤,等.基于非下采樣Contourlet變換的圖像邊緣檢測(cè)新方法[J].系統(tǒng)工程與電子技術(shù),2011,33(7):1668-1672.
[10] CUNHA A L，ZHOU J，DO M N.The nonsubsampled contourlet transform：Theory，design，and applications[J]. IEEE Transactions on Image Processing，2006，15(10)：3089-3101.