[發(fā)明專利]一種基于復(fù)合二階分?jǐn)?shù)階次信號(hào)處理的邊緣檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201010266876.2
• 申請(qǐng)日: 2010-08-31
• 公開（公告）號(hào): CN101930600A
• 公開（公告）日: 2010-12-29
• 發(fā)明（設(shè)計(jì)）人: 葉永強(qiáng);楊海波;何志強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理領(lǐng)域，涉及一種邊緣檢測(cè)方法，特別涉及一種基于復(fù)合二階分?jǐn)?shù)階次信號(hào)處理的圖像邊緣檢測(cè)方法。

背景技術(shù)

圖像閾值分割是一種廣泛使用的圖像處理技術(shù)，通常可用于圖像的邊緣檢測(cè)、分割。而現(xiàn)在的閾值分割處理普遍基于灰度值計(jì)算，這種方法首先確定一個(gè)處于圖像灰度取值范圍中的灰度值的變化梯度閾值，然后將圖像中各個(gè)像素點(diǎn)的灰度值變化梯度都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素點(diǎn)分為大于閾值或者小于閾值的兩類，進(jìn)一步區(qū)分像素點(diǎn)是否為邊緣點(diǎn)。

在經(jīng)典的閾值圖像法中，通常都是取一個(gè)閾值，常用的邊緣檢測(cè)算子包括Roberts算子、Prewitt算子、Sobel算子、Laplace算子等，利用各個(gè)像素點(diǎn)及相鄰點(diǎn)的灰度值，計(jì)算相應(yīng)的灰度值變化梯度，當(dāng)梯度幅值大于閾值時(shí)，則認(rèn)為該點(diǎn)為邊緣點(diǎn)。其分割的效果很好，邊緣點(diǎn)也易于實(shí)現(xiàn)，對(duì)于直方圖分布為兩個(gè)尖峰的情況，其分割的效果很好，邊緣點(diǎn)也易于判斷，但對(duì)于復(fù)雜的圖像就難以取得理想的效果，并且對(duì)噪聲也過于敏感。因此為適應(yīng)復(fù)雜圖像的需要，又演變出了多閾值圖像法。比如一種基于Canny算子的邊緣檢測(cè)方法，采用雙閾值以及非極大值抑制來識(shí)別邊緣。這種算子能較好的檢測(cè)到實(shí)際邊緣，并能抑制虛假的邊緣響應(yīng)，也同樣基于像素點(diǎn)的灰度值計(jì)算。

現(xiàn)有的邊緣檢測(cè)方法，針對(duì)的對(duì)象是實(shí)際可見的彩色圖像。每個(gè)像素點(diǎn)已經(jīng)包含了RGB三種顏色信息(即紅、綠、藍(lán)三色)，先把該像素點(diǎn)的RGB值化為灰度值，公式為Y＝0.299*R+0.587*G+0.144*B，然后進(jìn)行灰度值的梯度計(jì)算，進(jìn)一步進(jìn)行邊緣檢測(cè)。然而我們知道邊緣與噪聲均為高頻信號(hào)，梯度計(jì)算即求導(dǎo)過程必將放大噪聲對(duì)圖像信號(hào)的干擾，從而影響邊緣檢測(cè)的準(zhǔn)確性。Canny算法為了減小求導(dǎo)過程帶來的影響，對(duì)圖像進(jìn)行高斯濾波平滑預(yù)處理，但由于噪聲與邊緣同為高頻信號(hào)，消除噪聲的同時(shí)會(huì)影響檢測(cè)精度。

發(fā)明內(nèi)容

本發(fā)明所解決的技術(shù)問題在于獲得一種比現(xiàn)有基于灰度計(jì)算的圖像邊緣檢測(cè)方法更理想的邊緣檢測(cè)算法。

一種基于復(fù)合二階分?jǐn)?shù)階次信號(hào)處理的邊緣檢測(cè)方法，包括以下步驟：

步驟1：讀取圖像，將彩色圖像轉(zhuǎn)換為灰度圖像。

步驟2：對(duì)目標(biāo)像素點(diǎn)利用基于復(fù)合分?jǐn)?shù)階次信號(hào)處理的求導(dǎo)算子進(jìn)行梯度運(yùn)算，得到各像素點(diǎn)的梯度幅值，具體方法如下：

利用正向分?jǐn)?shù)階次微分和反向分?jǐn)?shù)階次積分的組合來實(shí)現(xiàn)復(fù)合求導(dǎo)，進(jìn)而實(shí)現(xiàn)邊緣檢測(cè)。將圖像沿兩個(gè)坐標(biāo)軸上的空間分布看成是時(shí)間分布，圖像處理就可以直接使用Laplace傳遞函數(shù)的概念。則圖像中的傳統(tǒng)一階導(dǎo)數(shù)運(yùn)算可以用Laplace變換表示為s。我們的求導(dǎo)過程分為兩步：第一步：反向通過(s^*)^-β濾波，其中-β表示這是一個(gè)分?jǐn)?shù)β階次的積分過程，s^*代表s的共軛復(fù)數(shù)，即先把數(shù)據(jù)先后次序反轉(zhuǎn)，積分之后再把結(jié)果次序反轉(zhuǎn)過來，第二步：通過分?jǐn)?shù)α階次微分s^α濾波，其中0＜α＜2且0＜β＜α＜2，α+β＝2。我們提出的復(fù)合導(dǎo)數(shù)的幅頻增益為ω^(α-β)(ω為頻率，α-β＞0)；由于α+β＝2，故該復(fù)合導(dǎo)數(shù)的相位特性為恒前移180度，即實(shí)現(xiàn)了傳統(tǒng)意義上的二階導(dǎo)數(shù)的相移，邊緣定位準(zhǔn)確。由于幅頻增益最終影響的是對(duì)噪聲的敏感度，我們可以通過調(diào)節(jié)α-β的值來調(diào)節(jié)最終的幅頻增益，進(jìn)而調(diào)節(jié)對(duì)噪聲的抵抗性以及邊緣檢測(cè)的敏感度。因此本方法可以方便地平衡檢測(cè)精度和抗噪性。其中：分?jǐn)?shù)階次微分采用模板卷積來實(shí)現(xiàn)，X方向模板如下：

X_mask＝[+a_m…+a₁0-a₁…+a_m]

其中：