摘 要： 針對帶噪聲圖像，提出了一種改進(jìn)的Canny算子邊緣檢測算法。該算法用離散小波變換(DWT)分解和加權(quán)重構(gòu)對圖像進(jìn)行平滑濾波，用Otsu閾值法(最大類間方差法) 求出最佳的滯后閾值,在3×3鄰域求得梯度法。實驗證明，該算法在較好地抑制噪聲的同時保留了更多邊緣，檢測出的圖像邊緣更加準(zhǔn)確和豐富。
關(guān)鍵詞：邊緣檢測； 離散小波變換； Otsu； 改進(jìn)Canny算子
邊緣是進(jìn)行圖像識別的基本特征之一,它包含了對人類視覺和機器視覺有價值的物體邊緣信息。圖像的邊緣檢測技術(shù)被廣泛用于圖像輪廓、紋理等特征的提取和分析,以及目標(biāo)識別、跟蹤等方面。
圖像邊緣檢測的目的是提取感興趣目標(biāo)輪廓的邊緣，至今已提出眾多圖像邊緣檢測方法，主要有Roberts算子、LOG 算子、Prewitt 算子、Sobel算子、Canny算子等[1]。Canny算子[2]利用圖像的梯度信息分別選取高低兩個閾值，但涉及的參數(shù)均不能自適應(yīng)確定，需要人為設(shè)定。為了解決這一局限性，研究者們在閾值求取方法上作了大量改進(jìn)[3-5]。也有學(xué)者對傳統(tǒng)Canny算子中的濾波部分、求梯度方法等作了改進(jìn)[4-9]。
參考文獻(xiàn)[4-5]將形態(tài)學(xué)平滑濾波法和Otsu閾值法[10](最大類間方差法）)引入Canny算子，獲得了更好的邊緣檢測效果。參考文獻(xiàn)[4-5]的形態(tài)學(xué)濾波后的圖像都存在精細(xì)邊緣模糊的問題。本文在分析參考文獻(xiàn)[4-5]中形態(tài)學(xué)濾波和2×2鄰域內(nèi)求梯度法存在的缺陷基礎(chǔ)上，利用DWT分解和加權(quán)重構(gòu)濾波法以及3×3鄰域求梯度法對參考文獻(xiàn)[4-5]中存在的不足之處作了進(jìn)一步改進(jìn)，并融合Otsu閾值法對Canny算子進(jìn)行改進(jìn)，實驗顯示本文的改進(jìn)是有效的。
1 算法及原理
1.1 二維小波變換
小波變換是將信號分解成一系列小波函數(shù)的疊加，這些函數(shù)都由一個母小波函數(shù)經(jīng)過平移與尺度伸縮后得到。圖像信號是非平穩(wěn)信號，因此圖像的頻率是隨時間變化的。圖像的低頻部分變化緩慢,對應(yīng)于圖像的近似分量；圖像的高頻部分變化較快，對應(yīng)于圖像的細(xì)節(jié)信息。小波變換能夠把信號分解成交織在一起的多種尺度成分，從而能夠不斷地聚焦到對象任意的微小細(xì)節(jié)[11-13]。
1.2 傳統(tǒng)Canny算子及其改進(jìn)Canny算子
1.2.1 傳統(tǒng)Canny算子及其分析
Canny算子簡單且性能良好，在實踐中得到了較廣泛的應(yīng)用。Canny算子的基本思想是采用二維高斯函數(shù)的任意方向上的一階方向?qū)?shù)為噪聲濾波器，通過與圖像卷積進(jìn)行濾波，然后對濾波后的圖像尋找局部梯度最大值來確定圖像的邊緣。分析可知，Canny算子中的參數(shù)均不能自適應(yīng)，這使其針對不同圖像進(jìn)行邊緣檢測時具有一定的局限性。
通過對參考文獻(xiàn)[4]和[5]算法分析以及實驗仿真，可以發(fā)現(xiàn)：
(1)參考文獻(xiàn)[4]和[5]改進(jìn)后的Canny算子運用形態(tài)學(xué)濾波，雖然解決了傳統(tǒng)Canny算子閾值不能自適應(yīng)問題，但對于噪聲污染嚴(yán)重的圖像，在用形態(tài)學(xué)開閉運算降噪的同時又會不同程度地造成邊緣模糊或丟失。
(2)參考文獻(xiàn)[4]和[5]計算梯度方法還是沿用了傳統(tǒng)Canny算子2×2鄰域內(nèi)求一階偏導(dǎo)的有限差分法，而求梯度的方法易受噪聲影響，并且在檢測結(jié)果中容易出現(xiàn)偽邊緣和真實邊緣的丟失情況[12－13]。
針對以上兩點缺陷，本文分別作了以下改進(jìn)。
2 本文算法改進(jìn)思想
2.1 濾波方面的改進(jìn)
引入了DWT分解與加權(quán)重構(gòu)的算法來代替形態(tài)學(xué)開閉運算平滑濾波。本文濾波原理如下:
參考文獻(xiàn)
[1] 朱虹.數(shù)字圖像處理基礎(chǔ)[M].北京: 科學(xué)出版社，2005.
[2] CANNY J F． A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698．
[3] 張帆,彭中偉,蒙水金.基于自適應(yīng)閾值的改進(jìn) Canny邊 緣檢測方[J].計算機應(yīng)用, 2012,32(8):2296-2298.
[4] 韓慧妍,韓燮.形態(tài)學(xué)和Otsu方法在Canny邊緣檢測算子中的應(yīng)用[J].微電子學(xué)與計算機,2012,29(2):146-149.
[5] 王佐成,劉曉冬,薛麗霞.Canny算子邊緣檢測的一種改進(jìn)方法[J].計算機工程與應(yīng)用,2010,46(34):202-204.
[6] 魯梅,盧忱,范九倫.一種有效的基于時空信息的視頻運動對象分割算法[J].計算機應(yīng)用研究,2013, 30(1): 303-306.
[7] 李俊山,馬穎,趙方舟,等. 改進(jìn)的Canny圖像邊緣檢測算法[J].光子學(xué)報, 2011,40(1):50-54.
[8] 孫蔚, 王靖, 王波. 改進(jìn)的Sobel 算子彩色圖像邊緣檢測[J].電子技術(shù)應(yīng)用, 2013,39(2):128-133.
[9] 宋顏云.基于分水嶺算法的醫(yī)學(xué)細(xì)胞圖像邊緣檢測[J].微型機與應(yīng)用,2012,31(22):42-43.
[10] OTSU N. A threshold selection method from gray level histogram[J]．IEEE Transactions on Systems,Man and Cybernetics，1979,9(1):62-66．
[11] 張宇偉,王耀明,蔣慧鈞.一種結(jié)合Sobel算子和小波變換的圖像邊緣檢測方法[J].計算機應(yīng)用與軟件,2007,24(4):133-134
[12] 黃劍玲,鄒輝.結(jié)合LOG算子和小波變換的圖像邊緣檢測方法[J].計算機工程與應(yīng)用, 2009,45(21):115-117.