[發明專利]一種基于植物群落行為的圖像邊緣檢測方法

在審

• 申請號: 202210142919.9
• 申請日: 2022-02-16
• 公開（公告）號: CN114581470A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 蔡政英;馬喆
• 申請（專利權）人: 三峽大學
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T5/00
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 余山

一種基于植物群落行為的圖像邊緣檢測方法，通過模擬植物群落的播種、生長、開花、結果的行為來優化邊緣檢測圖像，其包括以下步驟：步驟1，植物群落對待檢測圖像進行初始化；步驟2，植物群落在待檢測圖像中進行播種操作，并計算植物植株個體的邊緣檢測效果評價函數；步驟3，植物群落在待檢測圖像中進行生長操作并對圖像邊緣進行隨機搜索；步驟4，植物群落在待檢測圖像中進行開花操作，并隨機選擇鄰居植物植株個體的邊緣檢測圖像進行組合；步驟5，植物群落在待檢測圖像中進行結果操作并互相學習邊緣檢測圖像信息；步驟6，植物群落輸出最優邊緣檢測圖像并結束算法。本算法效率高、圖像邊緣檢測精度高、擴展性好。

技術領域

本發明屬于計算機圖像和人工智能領域，具體涉及基于植物群落行為的圖像邊緣檢測方法。

背景技術

邊緣檢測是一門重要的圖像處理技術。圖像的邊緣檢測指發現圖像中灰度變化率最大的地方，灰度驟變的位置即是圖像邊緣，通常也意味著圖像中對象語義的變化。圖像邊緣特征能夠描述圖像中不同語義變化的底層特征，并丟棄多余細節，從而大大簡化圖像。邊緣檢測是圖像信息提取的關鍵步驟，往往用于圖像預處理或指導圖像檢測的輔助性方法，也是模式識別、圖像分割和圖像壓縮等技術的基礎。現在，圖像邊緣檢測技術廣泛用于各類工業、農業、生產、生活、服務業領域，包括車牌識別、車道檢測、疾病診斷、細胞檢測等，對各行各業和未來社會發展都有重要意義。

圖像緣檢測作為圖像處理中的基礎問題，但其并非易事，而是一個經典的難題。在檢測圖像中邊緣點時，圖像中包含的各種噪聲很容易導致邊緣檢測圖像模糊，從而難以區分邊緣點和非邊緣點，邊緣點的定義在不同圖像中也千差萬別。近年來，國內外很多學者一直試圖尋求更高效和高精度的邊緣檢測算法，反映了邊緣檢測技術的重要性、困難性。通常，對圖像區域像素值計算灰度梯度可以發現灰度的突變特征。基于梯度的方法一般使用濾波器對圖像進行卷積操作，從而獲取灰度變化信息。根據不同的灰度梯度計算原理，圖像分割可分為一階算子和二階算子。

Prewitt算子是典型的一階算子，其計算附近像素點的灰度差異來識別圖像邊緣點，可去除一些虛假邊緣并抑制圖像噪聲。Prewitt算子使用了兩個方向模板，分別在水平和豎直方向對圖像實話卷積濾波操作，通過計算得到灰度梯度信息，再選取合適的閾值區分邊緣。Prewitt算子適合檢測灰度漸變和噪點較多的圖像。

Sobel算子屬于離散型差分算子，使用局部平均方法來平滑噪聲影響，可以推算圖像灰度函數的近似梯度。Sobel算子也使用兩個方向模板，但與Prewitt算子不同。Sobel算子根據像素位置的影響進行加權，在提升圖像邊緣的清晰度上效果更佳。

在一階微分算子中，像素灰度值有明顯變化的位置可能是局部極值點，如果將其標記為邊緣帶點，有可能造成檢測出過多的圖像邊緣點。二階微分算子更關注像素灰度突變位置，并不強調灰度變化緩慢的區域，從而更符合圖像邊緣檢測要求，使用二階導數找到更合適的圖像邊緣點。

常用的基于二階微分算子有Canny算子，其使用高斯濾波器抑制噪聲，再基于四個不同的角度計算灰度梯度向量，再使用非極大值抑制(NMS)保留最大梯度值。Canny算子通常使用雙閾值區分像素點，能夠消除兩個閾值之間的孤立的弱邊緣點，從而獲得更準確的圖像邊緣。Canny算子檢測效果比一階算子更好，難以受噪聲影響，但其編程困難，運算較復雜。

近年來，又出現了基于人工特征抽取的邊緣檢測算法，使用統計學的檢測框架，通過對多個低級圖像特征重新組合，再輸入到模型中進行學習和訓練。在國內外學者的努力下，各種基于人工智能的邊緣檢測算法不斷出現，包括如遺傳算法、小波變換、模糊數學、數學形態學、神經網絡、深度學習等都已逐步應用到邊緣檢測中。特別是基于深度學習的算法，近些年來吸引了國內外大批學者研究。受益于人工智能算法的學習特性，將人工智能應用在圖像邊緣檢測中優勢尤為突出，例如計算速度快，精度高，可學習性強。

但是，現有的圖像邊緣檢測算法，具有以下缺點：