一種基于Sobel算子和網(wǎng)格的彩色圖像邊緣檢測方法

一種基于Sobel算子和網(wǎng)格的彩色圖像邊緣檢測方法AColorEdgeDetectionBasedonSobelOperatorandGrid摘要:文章提出了一種基于Sobel算子和網(wǎng)格的二尺度彩色圖像邊緣檢測方法.該方法將圖像劃分成預(yù)先設(shè)定大小的網(wǎng)格，在兩個尺度上對圖像進(jìn)行分析，完成圖像的邊緣檢測。首先用Sobel算子求得圖像邊緣，依據(jù)網(wǎng)格內(nèi)含有邊緣像素的數(shù)目以及連通情況將不同的網(wǎng)格分別處理。然后以網(wǎng)格為數(shù)據(jù)單元，在較大尺度上運用Sobel算子得到圖像邊緣。最后通過設(shè)定數(shù)據(jù)的優(yōu)先級和使用形態(tài)學(xué)的方法合并兩次計算邊緣的結(jié)果。該方法充分考慮到了圖像當(dāng)中可能出現(xiàn)的各種復(fù)雜情況，從兩個尺度分割圖像，彌補了單一方法的不足，提高了分割的正確率。關(guān)鍵詞:邊緣檢測網(wǎng)格形態(tài)學(xué)SobelAbstractAcoloredgedetectionapproachbasedonSobeloperatorandgridispresentedinthispaper.Themethoddividestheoriginalimageintogridsofcertainsize.Thenfinishtheedgedetectionoftheimageattwodifferentsizes.ThefirststepistouseSobeloperatortodetectedgesoftheoriginalimageanddealingwiththegridsaccordingtoedgepixelsandtheconnectconditionsineachgrid.Thengridsarechoseasdatacells.ThenSobeloperatorisusedagaintodetectedgeinlargerscale.Finally,bysettingdataprioritiesandusingmorphologicalmethods,thetworesultsarecombined.Thecomplicatecasesthatanimagemayhaveareconsideredinthismethod.Besides,itdealswiththeimageattwodifferentscales,soitisbetterthanjustusesinglemannerandhasgotbettersimulationresults.Keywords:edgedetectiongridmorphologySobel

1引言圖像分割是圖像分析和模式識別的第一步,它是圖像分析和模式識別重要和基本的一個組成部分,是圖像處理中難度最大的部分之一,決定了最終分析結(jié)果的質(zhì)量。彩色圖像是客觀世界更準(zhǔn)確的描述，能夠提供比灰度圖像更多的信息，并且隨著計算機處理能力的快速提高，彩色圖像處理的硬件條件成熟，彩色圖像分割受到了人們更多的關(guān)注。邊緣檢測是圖像分割中的一種重要方法,但目前主要是針對灰度圖像。本文提出了一種針對彩色圖像的二尺度邊緣檢測方法,通過Sobel算子和網(wǎng)格分析的方法有效地提取了圖像當(dāng)中的邊緣像素，較單一尺度邊緣檢測利用了圖像當(dāng)中更多的信息，提高了檢測的正確率。2方法介紹色彩是人們對于紅，綠，藍(lán)三基色混合后的感官感受，彩色空間的選取對于彩色圖像的處理至關(guān)重要，本文選用HSV彩色空間。最常用的面向硬設(shè)備的彩色空間模型是RGB模型，用R、G、B三分量的值來表示顏色，但是R、G、B三分量之間常有很高的相關(guān)性，直接利用這些分量常常不能得到理想的效果。為了降低彩色特征空間中各個特征分量之間的相關(guān)性，以及為了使所選的特征空間更方便于邊緣檢測方法的具體應(yīng)用,實際上常需要將RGB圖像變換到其他的彩色特征空間中去。在本文中采用了HSV空間。HSV(色度、飽和度、亮度)空間比較接近人對顏色的視覺感知，其中V表示顏色的明暗程度"主要受光源強弱影響，H表示不同顏色，而S表示顏色的純度。注意到HSV模型有兩個重要的事實作為基礎(chǔ)，首先V分量與彩色信息無關(guān)，其次H和S分量與人感受彩色的方式緊密相連。HSV空間比較直觀并且符合人的視覺特性，這些特點使得HSV模型非常適合基于人眼視覺特性的彩色圖像處理。從RGB到HSV空間的轉(zhuǎn)換公式為：Sobel算子是通過求梯度得到圖像邊緣的典型方法,在一般情況下,用Sobel算子得到的圖像邊緣連續(xù)性較差，一種解決方法是尋找鄰近的其它斷點，根據(jù)斷點處梯度的相似性將它們連接起來，這種方法帶有一定的猜測成分，沒有充分利用圖像提供的信息。另外可以通過調(diào)整梯度處理的閾值來增加邊緣,但這引入了很多不必要的邊緣點,且對噪聲十分敏感。針對以上問題，本文提出了一種利用網(wǎng)格的邊緣檢測方法，主要分成以下5個步驟：將原始圖像轉(zhuǎn)換到HSV彩色空間并使用Sobel算子得到邊緣；分析網(wǎng)格圖的邊緣像素，將網(wǎng)格分類；按順序處理各類網(wǎng)格；將原圖進(jìn)行插值縮放，再次使用Sobel算子得到更大尺度的邊緣；合成兩種尺度的邊緣并顯示。下面分別詳細(xì)介紹：首先將原始圖像（一般為JPEG格式）轉(zhuǎn)換到HSV彩色空間，按照設(shè)定大?。ㄟ@里設(shè)置為5個像素寬的方格）劃分成網(wǎng)格。彩色圖像信息包含于三個分量之中，人們一般將其區(qū)分為亮度信息和色度信息，本文在HSV空間中對亮度和色度分量分別采用Sobel算子以檢測圖像中的物體邊緣，注意到色度分量為二維特征,令其為一復(fù)數(shù)，Sobel算子中的閾值參數(shù)僅針對模值。用或運算對亮度和色度邊緣圖像合并得到初始檢測邊緣，記為sobel圖1。將網(wǎng)格分類?？紤]到圖像中可能出現(xiàn)如下的3種情況：網(wǎng)格有邊緣穿過，網(wǎng)格內(nèi)含有較少的邊緣像素且非邊緣像素相互連通，網(wǎng)格內(nèi)由于含有紋理而產(chǎn)生較多的邊緣像素。把網(wǎng)格分成對應(yīng)的3類，即內(nèi)部均勻的網(wǎng)格、含有邊界的網(wǎng)格和含有紋理的網(wǎng)格。這里采用如下的規(guī)則：設(shè)n為網(wǎng)格內(nèi)含有的邊緣像素數(shù)目，n1、no、n2為預(yù)先設(shè)定的域值且0<n1<no<n2.n<n1,判斷網(wǎng)格為內(nèi)部均勻的。n的值在n1、n2之間，當(dāng)非邊緣像素連通（這里指在4鄰域內(nèi)連通）時，若n<=no,且邊緣像素不連通(8鄰域內(nèi)),認(rèn)為網(wǎng)格為內(nèi)部均勻的，否則判斷網(wǎng)格含有紋理；當(dāng)非邊緣像素不連通時，判斷網(wǎng)格含有邊緣。n>n2,判斷網(wǎng)格含有紋理。在（1）中得到的sobel圖1中處理已分類的網(wǎng)格：A.保留含有邊緣的網(wǎng)格。當(dāng)已經(jīng)判斷網(wǎng)格含有邊緣時，說明網(wǎng)格被某條邊界穿過或者網(wǎng)格內(nèi)的邊緣像素閉合成環(huán)。B.擦除內(nèi)部均勻的網(wǎng)格和含有紋理的網(wǎng)格內(nèi)的邊緣像素。此步驟主要是為了排除噪聲的干擾。C.。將sobel圖1縮小到原來的1/5大小，則原圖中的網(wǎng)格將對應(yīng)小圖中的像素，若網(wǎng)格含有紋理，小圖中對應(yīng)像素取1，否則取0。再通過雙三次插值放大到原圖大小并二值化。這樣含有紋理的區(qū)域的邊緣就被平滑。最后再用Sobel算子求得紋理區(qū)域邊緣并與步驟B的結(jié)果作或運算，得到sobel圖2。將原始圖像縮小到原來的1/5大小，再次使用（1）中的方法求得邊緣圖像sobel圖3。這里考慮到在步驟(1)中檢測到的邊緣更加精確,在合成結(jié)果時應(yīng)優(yōu)先采用步驟(1)中檢測到的邊緣，所以預(yù)先作如下處理：若與sobel圖3中的邊緣像素對應(yīng)的sobel圖2中的網(wǎng)格是內(nèi)部均勻的，就保留sobel圖3中的該邊緣像素，否則去除該邊緣像素。對結(jié)果再經(jīng)過插值放大后二值化得sobel圖4。合成兩種尺度下的邊緣檢測結(jié)果。對步驟（3）和（4）得到的結(jié)果sobel圖2和sobel圖4作或運算，然后用形態(tài)學(xué)取骨架的方法處理結(jié)果，得到最終的邊緣檢測圖。由于在步驟(4)中的處理，sobel圖4是對sobel圖2的補充，將兩圖作或運算不會影響sobel圖2中的邊緣信息?？梢灾庇^地看到，合成后的邊緣圖像是粗細(xì)不同的邊緣連接在一起的。為了便于分析，需要將較粗的邊緣細(xì)化。采用形態(tài)學(xué)取骨架的處理之后，圖像的邊緣就均勻了。3、實驗結(jié)果從實驗結(jié)果不難看出，在初始邊緣檢測結(jié)果(邊緣圖像)中，原始圖像模糊的部分邊緣像素的連續(xù)性較差。在更大尺度上檢測到的邊緣(網(wǎng)格補充邊緣圖像)是對初始檢測結(jié)果的有效補充。這種補充是建立在利用圖像信息基礎(chǔ)上的，并且因為尺度較大，在補充邊緣信息的同時，有效地抑制了噪聲的干擾。

4、結(jié)論本文提出了一種結(jié)合Sobel算子和網(wǎng)格的2尺度彩色圖像邊緣檢測方法。二尺度的邊緣檢測彌補了單一尺度邊緣檢測法不能識別緩慢變化和紋理區(qū)域邊界的不足有效地延伸了圖像中的有用邊界，抑制了噪聲的干擾。其中還用到了插值縮放和形態(tài)學(xué)的方法，更加充分地利用了圖像信息，提高了邊緣檢測的正確率。

參考文獻(xiàn)[1]IrisV,IoannisP,HichemS.Multiscalegradientwatershedsofcolorimages[J].IEEETransactionsonImageProcessing2003,12(6):617~626.[2]AmoldM,WilkinsonMH.Acomparisonofalgorithmsforconnectedsetopeningsandclosings[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2002,24(4):484~494.[3]章毓晉.圖像處理[M].北京：清華大學(xué)出版社,2006.[4]侯志強，韓崇昭，左東廣，等．基于局部多結(jié)構(gòu)元素數(shù)學(xué)形態(tài)學(xué)的灰度圖像邊緣檢測算法[J]．西安交通大學(xué)學(xué)報，2003，37(4)：439~440．[5]龍翔,金德琨,敬忠良,王安.運動圖像多