[發(fā)明專(zhuān)利]基于灰色B型關(guān)聯(lián)改進(jìn)Prewitt的秦嶺金絲猴圖像邊緣檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710409939.7
• 申請(qǐng)日: 2017-06-02
• 公開(kāi)（公告）號(hào): CN107301647A
• 公開(kāi)（公告）日: 2017-10-27
• 發(fā)明（設(shè)計(jì)）人: 爨瑩;薛繼軍;史瑤杰
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安石油大學(xué)
• 主分類(lèi)號(hào): G06T7/13
• 分類(lèi)號(hào): G06T7/13;G06T7/136
• 代理公司: 西安智大知識(shí)產(chǎn)權(quán)代理事務(wù)所 61215
• 代理人: 弋才富

1.基于灰色B型關(guān)聯(lián)改進(jìn)Prewitt的秦嶺金絲猴圖像邊緣檢測(cè)方法，其特征在于，包括如下步驟：

(1)設(shè)一幅含噪秦嶺金絲猴圖像大小為M×N，圖像中某個(gè)像素點(diǎn)x(i，j)的一個(gè)噪聲檢測(cè)3×3窗口為：

x ( i - 1 , j - 1 ) x ( i - 1 , j ) x ( i - 1 , j + 1 ) x ( i , j - 1 ) x ( i , j ) x ( i , j + 1 ) x ( i + 1 , j - 1 ) x ( i + 1 , j ) x ( i + 1 , j + 1 ) ]]>

建立圖像一維數(shù)據(jù)序列，采用簡(jiǎn)單的四鄰域一維化方法，分別取圖像中像素x(i，j)及上、下、左、右四個(gè)相鄰像素形成一維數(shù)據(jù)序列{xi-1，j，xi+1，j，xi，j，xi，j-1，xi，j+1}；

(2)確定參考序列和比較序列，選擇如下的參考序列：x0＝{1，1，1，1，1}，x1＝{0，0，0，0，0}，比較序列：xr＝{xi-1，j，xi+1，j，xi，j，xi，j-1，xi，j+1}，其中r∈[1，M×N]；

(3)序列初始化：

x'0＝x0，x'1＝x1

x r ′ = x r x r ( 1 ) = { x r ′ ( 1 ) , x r ′ ( 2 ) , ... x r ′ ( 5 ) } - - - ( 1 ) ]]>

其中xr(1)表示比較序列xr的第一個(gè)分量，x'r(1)，x'r(2)，…x'r(5)分別表示向量x'r的各個(gè)分量；

(4)計(jì)算x'0與x'r對(duì)應(yīng)分量的差的絕對(duì)值序列Δ'0r(k)(k＝1，2…5)：

Δ'0r(k)＝|x'0(k)-x'r(k)| (2)

(5)確定差序列的最大差值Mmax與最小差值mmin，分別記為：其中k＝1，2…5；

(6)計(jì)算關(guān)聯(lián)系數(shù)γ0r(k)：

γ 0 r ( k ) = m m i n + ζM m a x Δ 0 r ′ ( k ) + ζM m a x , ζ ∈ ( 0 , 1 ) , k = 1 , 2 ... 5 - - - ( 3 ) ]]>

式中ζ為分辨系數(shù)，令ζ＝0.5，以保證γ0r(k)∈(0，1]；

(7)由于各像素點(diǎn)在序列中包含的信息量不同，故確定信息熵H0r(k)及權(quán)重ω0r(k)(k＝1，2…5)：

H 0 r ( k ) = - 1 l n 5 Σ k = 1 5 γ 0 r ( k ) l n ( γ 0 r ′ ) - - - ( 4 ) ]]>

式中則有權(quán)重為：

ω 0 r ( k ) = 1 - H o r ( k ) Σ k = 1 5 ( 1 - H o r ( k ) ) - - - ( 5 ) ]]>

(8)建立兩類(lèi)序列間的灰色B型關(guān)聯(lián)度R0r：

R 0 r = Σ k = 1 5 ω 0 r ( k ) · γ 0 r ( k ) , k = 1 , 2 ... 5 - - - ( 6 ) ]]>

同理可計(jì)算得另外兩類(lèi)序列x1和xr的灰色關(guān)聯(lián)度R1r；

(9)確定關(guān)聯(lián)度閾值θ，關(guān)聯(lián)度閾值θ∈(0，1]，關(guān)聯(lián)度閾值θ取值越小，抑噪能力越強(qiáng)，但邊緣丟失相對(duì)應(yīng)也就越嚴(yán)重，反之，關(guān)聯(lián)度閾值θ取值越大，抑噪能力變?nèi)酰Ａ舻倪吘壱苍蕉啵?/p>

(10)確定噪聲點(diǎn)與信號(hào)點(diǎn)，令R＝max(R0r，R1r)，Noise為噪聲點(diǎn)，Sig為信號(hào)點(diǎn)，若xij＝{R0r≥R1r}∩{R≥θ}則其屬于噪聲點(diǎn)Noise，反之為信號(hào)點(diǎn)Sig；

(11)噪聲點(diǎn)賦值，完成降噪算法，若xij為噪聲像素，計(jì)算xij一階像素鄰域中像素中值Mid，若Mid∈Sig，則用中值Mid代替當(dāng)前像素xij的值；若Mid∈Noise，繼續(xù)搜索當(dāng)前xij鄰域內(nèi)的非噪聲像素，繼續(xù)移動(dòng)3×3窗口，直到所有像素遍歷完畢；

(12)對(duì)遍歷完畢的圖像采用3×3卷積模板如表1，其中表1a、b分別為水平模板和垂直模板，將模板內(nèi)的系數(shù)與其對(duì)應(yīng)的圖像像素相乘，表1(a)模板相乘后結(jié)果為表2所示，令A(yù)＝f11+f12+f13，B＝f31+f32+f33，改進(jìn)的Prewitt算子為：

▿ f s = | A - B | A + B × 255 - - - ( 7 ) ]]>

同理根據(jù)表1(b)計(jì)算垂直邊緣模板值取兩個(gè)模板計(jì)算的最大值，賦給圖像對(duì)應(yīng)模板中心位置的像素值，作為該像素的新灰度值；

111000-1-1-1

(a)垂直梯度方向，檢測(cè)水平邊緣

-101-101-101

(b)水平梯度方向，檢測(cè)垂直邊緣

表1 Prewitt算子模板

11]]>12]]>13]]>00031]]>32]]>33]]>

表2 Prewitt算子水平邊緣模板計(jì)算后形式。