基于形態(tài)學(xué)和sobel算子的紅外圖像邊緣檢測算法研究(共7頁)

1、形態(tài)學(xué)和sobel算子(sun z)在紅外圖像邊緣(binyun)檢測中的應(yīng)用(yngyng)摘要：研究了紅外圖像邊緣檢測問題。針對紅外圖像對比度低、邊緣模糊的缺點，給出了基于改進(jìn)數(shù)學(xué)形態(tài)學(xué)并結(jié)合sobel算子的紅外圖像邊緣檢測方法。該方法首先利用數(shù)學(xué)形態(tài)四運算，采用不同尺度大小和類型的結(jié)構(gòu)元素，對紅外圖像進(jìn)行邊緣檢測并二值化，從而提取出紅外圖像的細(xì)節(jié)信息。然后利用sobel算子再對處理后的紅外圖像進(jìn)行銳化處理并細(xì)化，從而檢測出紅外圖像邊緣。實驗結(jié)果表明，與常用邊緣檢測算子相比，該方法能夠有效提取紅外圖像的邊緣信息，具有一定的實用性和可行性。關(guān)鍵詞：紅外圖像；邊緣檢測；數(shù)學(xué)形態(tài)學(xué)；sobel算

2、子1 引言 紅外圖像是利用紅外熱像儀對自然界中物體輻射的電磁波進(jìn)行探測和處理得到的可視化圖像，表征了周圍物體的溫度分布。隨著紅外技術(shù)的發(fā)展，紅外成像系統(tǒng)越來越廣泛地應(yīng)用于航天、遙感、工業(yè)、醫(yī)學(xué)、消防以及軍事等領(lǐng)域。由于紅外圖像對比度低、邊緣模糊、整幅圖像噪聲較大、成分復(fù)雜的缺點，使得紅外圖像一般難以達(dá)到理想的應(yīng)用水平，需要對其進(jìn)行一定的處理。圖像邊緣是圖像的基本特征之一，包含著圖像的豐富信息。圖像邊緣一般是指圖像中像素灰度有階躍變化或屋頂狀變化的像素幾何，它存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、基元與基元之間。邊緣檢測在圖像預(yù)處理中有非常重要的作用，其在圖像處理與智能識別等方面的應(yīng)用也十分

3、廣泛。因此，對紅外圖像中目標(biāo)邊緣提取也是對其進(jìn)行圖像處理的重要步驟。目前，空域中經(jīng)典的邊緣檢測算子有Roberts算子、Prewitt算子、Sobel算子、GaussLaplace算子和Canny算子等。其中，Roberts算子是利用局部差分尋找邊緣，定位精度較高，但不具備抑制噪聲的能力；Prewitt算子和Sobel算子都考慮了鄰域信息，對噪聲具有一定的抑制能力，但檢測結(jié)果容易出現(xiàn)虛假邊緣；由于GaussLaplace算子是一個二階導(dǎo)數(shù)，對噪聲具有無法接受的敏感性；Canny算子邊緣提取效果較好，但容易產(chǎn)生雙像素邊界，且對噪聲敏感。同時，由于紅外熱像儀的成像機理、成像系統(tǒng)特性及圖像顯示多樣性

4、等原因，將常用邊緣的檢測算子應(yīng)用到紅外圖像有一定的局限性。針對紅外圖像的特性，本文給出了一種利用數(shù)學(xué)形態(tài)學(xué)獲取紅外圖像的邊緣細(xì)節(jié)信息，然后再對圖像邊緣進(jìn)行細(xì)化的方法，可以有效提取紅外圖像邊緣。2 數(shù)學(xué)(shxu)形態(tài)學(xué)原理(yunl)2.1 基本(jbn)形態(tài)學(xué)運算數(shù)學(xué)形態(tài)學(xué)是一門建立在嚴(yán)格數(shù)學(xué)集合論基礎(chǔ)上的學(xué)科，是一種非線性濾波方法。它是以形態(tài)結(jié)構(gòu)元素為基礎(chǔ)對圖像進(jìn)行分析的數(shù)學(xué)工具，其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀以實現(xiàn)對圖像的分析和識別。數(shù)學(xué)形態(tài)學(xué)可以進(jìn)行相關(guān)的運算，其中主要的運算有：膨脹運算、腐蝕運算、開運算和閉運算。腐蝕運算可以減弱甚至消除小于結(jié)構(gòu)元素的

5、明亮區(qū)域，從而可以有效地去除孤立噪聲點和邊界上不平滑的凸出部分。膨脹運算是將與目標(biāo)物體接觸的所有背景點合并到物體中的過程，可填補空洞和形成連通域以及填平圖像邊界上不平滑的凹陷部分。 腐蝕運算定義如下： （1） 膨脹運算定義如下： （2） 其中，A(x,y)表示的是灰度圖像，B(s,t)表示的是結(jié)構(gòu)元素。（2）開運算是先對圖像進(jìn)行腐蝕運算再對圖像進(jìn)行膨脹運算，能去除圖像中的孤立區(qū)域和毛刺，利用它可以消除形狀小于結(jié)構(gòu)元素的正峰值。閉運算先對圖像進(jìn)行膨脹運算再對圖像進(jìn)行腐蝕運算，主要用來對物體內(nèi)部細(xì)小空洞進(jìn)行填充，連接鄰近物體和平滑物體的邊界。 開運算定義如下： （3） 閉運算定義如下： （4）式中

6、，用來描述的是腐蝕(fsh)運算，用來描述的是膨脹運算。2.2結(jié)構(gòu)(jigu)元素結(jié)構(gòu)元素是形態(tài)學(xué)圖像處理中一個最重要也是最基本的概念。它是考察分析圖像時設(shè)計一種收集圖像信息(xnx)的探針，觀察在圖像中不斷移動的探針便可以考察圖像中各個部分的關(guān)系，從而提取圖像中的有用信息。選擇不同的結(jié)構(gòu)元素進(jìn)行運算會得到不同幾何信息的分析和處理結(jié)果，同時結(jié)構(gòu)元素也決定了變換的數(shù)據(jù)使用量。一般來講，結(jié)構(gòu)元素的尺寸大小和結(jié)構(gòu)形狀都會影響圖像邊緣檢測效果。小尺寸的結(jié)構(gòu)元素去噪能力弱，但能檢測到好的邊緣細(xì)節(jié)，大尺寸的結(jié)構(gòu)元素去噪能力強，但所檢測的邊緣較粗。因此，不同形狀的結(jié)構(gòu)元素對不同圖像邊緣的感應(yīng)能力不同。通常結(jié)

7、構(gòu)元素的選擇需要考慮兩個原則：一是結(jié)構(gòu)元素必須在幾何上比原圖像簡單，且有界；二是結(jié)構(gòu)元素的形態(tài)最好具有某種凸性，如圓形、十字形和方形（如圖1）。 （a）圓形 （b）方形 （c）十字形 圖1 結(jié)構(gòu)元素3 sobel算子Sobel算子是一個梯度算子，一幅數(shù)字圖像的一階導(dǎo)數(shù)都是基于各種二維梯度的近似值。其中，sobel算子水平方向和豎直方向的卷積算子分別為： fx ： fy ： 則梯度(t d)幅值為 , 為計算簡便(jinbin)，可近似為 ，選取適當(dāng)(shdng)閾值并進(jìn)行判斷，如果G(x,y),則點(x,y)的值為邊緣點，否則為0，所得邊緣點的幾何即為邊緣提取的二值化圖像。4 本文算法的具體實

8、現(xiàn)與結(jié)果分析4.1 形態(tài)邊緣檢測算子原理在膨脹運算、腐蝕運算、開運算和閉運算的基礎(chǔ)上，能夠得到三種常見的邊緣檢測算子，其數(shù)學(xué)定義如下:按照形態(tài)膨脹構(gòu)造的圖像邊緣檢測算子為： （5）按照形態(tài)腐蝕構(gòu)造的圖像邊緣檢測算子為： （6）按照形態(tài)膨脹腐蝕構(gòu)造的圖像邊緣檢測算子（又稱為形態(tài)學(xué)梯度算子）為：（7）上述三種算子可以分別提取圖像外邊緣、內(nèi)邊緣和騎跨在實際歐氏邊界上的邊緣，但對噪聲都很敏感，使用于噪聲較小的圖像。針對上述常見算子的不足，研究人員提出了多尺度多結(jié)構(gòu)元邊緣檢測算子解決灰度圖像邊緣檢測問題。其數(shù)學(xué)定義如下： （8）其中， 用來描述多結(jié)構(gòu)元圖像邊緣檢測結(jié)果, 用來描述多尺度圖像邊緣檢測結(jié)果，

9、 用來描述加權(quán)系數(shù)。但是，因為該算法計算量大等原因，該算法在灰度圖像中未能得到廣泛應(yīng)用。同樣(tngyng)，為了能更好地獲得紅外圖像的邊緣(binyun)細(xì)節(jié)并抑制(yzh)噪聲，并考慮到計算量，本文采用雙結(jié)構(gòu)多尺度形態(tài)學(xué)邊緣檢測算子，其數(shù)學(xué)定義如下： （9）式中，A為5*5的圓形結(jié)構(gòu)元素，B為3*3的方形結(jié)構(gòu)元素，I表示的是紅外圖像。其中，A為大尺度的結(jié)構(gòu)元素，能夠有效去除噪聲；B為小尺度的結(jié)構(gòu)元素，可以很好地提取圖像的邊緣細(xì)節(jié)信息。A = ， B = 4.2 本文方法具體步驟本文方法流程圖如圖2所示：圖2 其具體執(zhí)行步驟為：首先，讀入需要檢測的紅外圖像I。根據(jù)公式（9），利用圖1中的方形

10、結(jié)構(gòu)元素(即小尺度元素)分別對原圖像I進(jìn)行開運算和閉運算處理，得到圖像I1和I2。然后(rnhu)，利用圖1中的圓形結(jié)構(gòu)(jigu)元素(即大尺度(chd)元素)分別對圖像I1和I2進(jìn)行膨脹運算和腐蝕運算處理，得到圖像I3和I4。將得到的圖像I3和I4做差值運算并進(jìn)行二值化處理得到圖像I5。利用sobel算子對圖像I5進(jìn)行邊緣檢測、細(xì)化后得到最后的邊緣圖像。4.3 實驗結(jié)果與分析為了驗證本文算法的有效性和可行性，這里采用對大小為320240的紅外圖像進(jìn)行邊緣檢測。將本文的方法與經(jīng)典的常用算法進(jìn)行比較，本實驗中，選取二值化閾值為=0.05。紅外圖像的處理結(jié)果： (a)原圖 (b) 本文方法 (c

11、) Roberts算子 (d) Prewitt算子 (e) LoG算子(sun z) (f) Canny算子(sun z)如圖所示，(a)是原始(yunsh)紅外圖像，(b)為采用本文算法處理后得出的邊緣圖像，(c)- (f)分別是采用Roberts算子、Prewitt算子、LoG算子和Canny算子處理得到的邊緣圖像。從圖像處理結(jié)果中，可以明顯看出，傳統(tǒng)邊緣算子檢測到的紅外圖像邊緣信息較少，難以表達(dá)圖像的特征；而本文方法得到的邊緣圖像包含了更多的有效邊緣細(xì)節(jié)，獲得了較好的效果。 5 結(jié)語圖像邊緣檢測是圖像處理系統(tǒng)和計算機視覺的一個重要研究方向，對后期圖像處理、智能識別等有著重要的影響。從本實驗結(jié)果分析，由于紅外圖像的梯度小，邊緣模糊，使得傳統(tǒng)的邊緣檢測算法難以獲得圖像的邊緣細(xì)節(jié)信息，從而說明了將梯度算子直接用于紅外圖像的邊緣檢測中具有很大局限性。本文算法通過利用數(shù)學(xué)形態(tài)學(xué)對紅外圖像的邊緣信息進(jìn)行提取，再對圖像進(jìn)行梯度檢測，較好地提取出了紅外圖像的邊緣細(xì)節(jié)，驗證了該方法的有效性。The morphological edge detection algorithms based on multi-scale and multi-structuring elements are offered, which h