边缘分割

边缘分割（共6篇）

边缘分割 篇1

0 引言

产量预测是农业生产中的一项重要指标。单位面积密度、麦穗数和麦粒的饱满度是决定产量的三大要素[1]。小麦品种选定后,其麦粒饱和度也随之确定,但麦穗数却受环境条件的影响不易确定,如何识别出单位面积上麦穗的个数是小麦测产的关键。目前,产量预测的方法有:人工经验判断预测、遥感预测[2]、气候与供求关系分析预测等。但是从田间育种和考种的角度来看,人工经验判断费时费工,且容易因个人经验不同导致判断存在较大差异;遥感技术预测范围广、密度大,准确度低,难以实现小范围的育种和预测;气候和供求关系分析预测法更是无法实现田间的育种、考种和产量预测。随着信息技术的发展和当前各学科间交互现象的日益普遍,数字图像处理对小麦的研究已很多,如小麦的叶面积[3,4]、颜色特征[5,6]、小麦品种识别[7]和小麦群体图像特征[8,9]。数字图像处理技术应用于麦穗的识别,既可以实现小麦的分蘖率的考察,又能快速准确地测产,将会进一步提高农学专家育种、考种的效率。

图像分割是把图像分成各具特征性的区域并提取出感兴趣目标的技术和过程,是数字图像处理的一种重要的图像分析技术。为了识别和分析图像中的目标,需要将目标从图像中分离提取出来,在此基础上对目标进行进一步处理。本文处理的图像是相互独立无交叉重叠的一个或多个麦穗,对麦穗进行分割时为提取麦穗的特征做准备。因使用常用的加权平均法、分量法或最大值法只是对图像灰度值进行简单的判断,分割后图像的前景大部分被误判为背景,并且背景黑色区域较大。鉴于上述原因,本文首先从麦穗图像采集的方式上考虑,本文使用Canon A610数码摄像机微距近焦成像,麦穗部分像素点清晰明亮,背景较模糊;再从目标和背景的像素明亮度考虑,Sobel算子方法充分利用像素亮度的剧烈变化特点,根据梯度幅值变化剧烈性进行判断,达到对麦穗图像进行分割。最后在实验结果中给出了图像处理的效果和各步骤运行时间,并与加权平均值法、G分量法、最大值法以及中值滤波过程的耗时进行了比较。

1 Sobel边缘检测算子

对于一个连续图像函数f(x,y)其梯度可表示为一个矢量公式,即

这个矢量的幅度对应式(2),向量角对应式(3)

实际用区域模板对每个像素进行卷积近似计算以上各式的偏导数,对Gx和Gy各用一个模板,将两者结合起来构成一个梯度算子。Sobel算子是基于梯度边缘检测的一种方法,对邻域进行加权平均,图像中的每个像素的上下左右四邻域的灰度值加权差,与其接近的邻域的权最大。Sobel算子模板如图1所示。Gx对应像素点水平方向梯度,检测垂直边缘;Gy对应像素点垂直方向梯度,检测水平边缘。

使用上述算子对像素点按式(4)和式(5)作卷积运算,求出该像素点的梯度值:|fx|+|fy|。

通过设定阈值TH对图像二值化,梯度值大于或等于阈值的点为边缘点,反之则不是边缘点,从而实现边缘检测。算法步骤如下:

1)分别将两个方向模板按从下到上、从左到右顺序遍历图像中的每个像素点;

2)将模板内的系数与图像上相对应的像素值进行相乘;

3)将所有相乘的值相加;

4)利用两个卷积的值,计算梯度值并作为新的像素值;

5)若新像素灰度值≥HT,则判该像素点为图像边缘点。

Sobel算子在很多图像分割中都有应用[10,11,12,13,14,15,16],因本文要处理的麦穗图像,目标像素明亮背景较模糊,含有少量杂草的泥土,颜色变化较平坦,前景和背景相邻的边缘像素过度比较尖锐、梯度幅值变化较大,故选用Sobel算子对图像进行分割。

2 麦穗图像选取

实验使用的图像由河北农业大学小麦育种中心提供,便于对麦穗的识别,对穗头硕大麦粒饱满的乳熟期小麦在天气晴好光线不太强的下午16:00-17:00点时刻,由有效像素为500万的Canon A610数码摄像机选用微距近焦自动曝光方式进行实地拍摄,生成分辨率为2592×1944的原始彩色图像。为了防止麦穗交叉或重叠,以及小麦叶子的干扰,特将穗头部分平伸到麦陇间隙,保持麦穗水平方向摄像,背景为混有少量杂草的土地。

3 实验结果分析

3.1 实验设备

本文实验使用的硬件:Inter(R)CoreTMi3 2.26GHz CPU,2.00GB内存,NVIDIA Quadro NVS 3100M独立显卡,Windows7的32位操作系统的联想Think Pad T410i(2516A24)笔记本;Microsoft Visual C + +6.0软件编程环境,用面向对象的C + + 语言编程实现并测试。各种算法运行的时间如表1所示。

ms

3.2 实验结果与分析

分别采用Sobel算子法、加权平均法、G分量法和最大值法对50幅麦穗相互独立的图像进行了分割对比。实验发现:Sobel算子方法目标分割准确、运算速度快且满足实时处理需求。现给出其中3幅麦穗图像的不同方法处理后的结果。图2～图5分别对应不同方法处理的图像结果:(A)麦穗原始彩色图像、(B)Sobel算子边缘检测后图像、(C)负相处理后的图像、(a)灰度化图像、(b)基于Otsu法二值化图像、(c)中值滤波图像。各种方法运行的时间列于表1。为了便于比较,对表1数据进行提取,将采用的Sobel算子法与其他3种方法处理的时间在二值化降低的百分比、中值滤波提高的百分比数据列于表2中。

首先比较不同算法的分割效果。仔细对照辨别图2～图5各幅图像可以看出:基于Sobel算子边缘检测法图像背景干扰很少、目标形状轮廓更准确清晰。这是由于Sobel算子方法从水平和垂直两个方向的梯度信息考虑,计算时考虑了目标点和背景点梯度的不同,剔除了噪声点的影响,从而准确地判断出目标的边缘。

其次,再来比较不同算法的运行时间。分析表1和表2的数据可以看出:本文使用的Sobel算子法分割处理用时普遍较长,与其它3种方法比较,耗时最少达相差57ms,因为利用Sobel算子计算时,需要对每个像素点做卷积运算,耗时较多;但是中值滤波耗时相比较短,最低也提高了42.04%,最少提高了74ms,因为Sobel算子处理后的图像噪声干燥较小。从上述数据中可以看出,Sobel算子方法对麦穗图像进行分割的总体耗时,较其他3种方法还是有明显提高的。

4 结论

本文使用Sobel算子对背景为含有少量杂草的麦穗像素进行分割,由于图像采用的是微距近焦拍摄,图像上远景信息较前景模糊,即泥土和杂草像素的亮度变换较为平缓,而目标麦穗像素点亮度较高且清晰明亮;目标和背景相邻像素的像素值变化剧烈,目标边缘点极易达到极值,这样使用Sobel算子进行边缘检测时,目标边缘很容易从背景中分割出。实验结果表明:①本文考虑到图像采集的成像模式,即成像后的图像目标点和背景点的在亮度上的不同,采用Sobel算子法剔除了背景和噪声点影响,分割效果优于其他方法;②与其他方法相比,图像经Sobel算子分割法处理后,后续中值滤波处理环节运算时间大幅降低。因此,Sobe算子法在对麦穗图像分割是效果和运行速度方面都有优势。

边缘分割 篇2

图像分割被定义为这样的一个过程: 按照一定的规则, 把一幅图像分成些许个小区域, 然后将其中有意义的特征或者有需要的特征提取出来。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类: 基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

用计算机来研究植物的特性一般从其叶片着手, 叶片本身的形状、大小、色泽都能反映出植物本身的种类、健康状况等, 因而对叶片进行分割、提取叶片的特征是研究的关键。近几年出现了一些植物叶片分割的方法: 基于局部阈值的植物叶片图像分割算法研究[1], 它利用局部阈值和最佳阈值来分割叶片, 最终得到了比较清晰的叶片二值图像, 但是它所处理的叶片图像就只有一片叶子, 并没有受到噪声的干扰; 基于改进Sobel算法的叶片图像边缘检测[2], 通过增加方向模板来改进Sobel算子, 解决了边缘检测时边缘过粗的问题, 叶片图像所处的场景比较简单, 分割起来比较容易; 基于彩色通道相似性图像分割方法的植物面积计算[3], 该文献方法得到的植物叶片区域更准确, 具有更高的精度, 当光线不足时, 会使部分像素丢失彩色信息, 从而在分割时会造成一些错误。现有的许多植物叶片分割算法都针对的是简单叶片, 而对于复杂叶片的分割, 这些算法不能得到令人满意的分割效果。因此, 本文在改进Ostu法的基础上, 结合边缘检测与形态操作, 提出了一种针对复杂叶片的分割算法。

由于在现实生活中存在各式各样的叶片, 它们一般都是有重叠的, 在采样时也可能因为光线的因素导致叶片图像中噪声很多。本文的算法对提取此类叶片的相关特征提供了一种新的思路, 对于分割有病斑的叶片也有相当大的借鉴作用。

1阈值分割

本文采用的分块阈值分割算法是在Ostu法[4]的基础上进行了改进: 首先, 确定整幅图像的宽度和高度, 预先设定子块[5 - 6]的尺寸大小。然后, 判断整幅图像是否能完整的分出若干数目的子块, 主要有4种情况: 1宽度正好, 高度有多余; 2高度正好, 宽度有多余; 3宽度、高度正好; 4宽度、高度均有多余。确定对应的情况, 接着对每个子块用Ostu法进行分割, 得到小块的分割图像。最后, 再把所有子块中的图像拼接起来, 组成完整的目标图像。图1为具体的分块方案的示意图。

2边缘检测

经典Sobel边缘算子是一个梯度算子, 一幅数字图像的一阶导数是基于各种二维梯度的近似值。图像f ( x, y) 在位置 ( x, y) 的梯度定义为向量

由向量分析可知, 梯度向量指向坐标 ( x, y) 的f的最大变化率方向。设

则基于梯度的边缘检测方法就是设定门限 τ 。当S ( i, j) > τ 时, 则认为 ( i, j) 为边缘点。对于某像素z ( i, j) 及其相邻像素, 一种近似的梯度公式为

把该近似梯度算子用3 × 3的模板表示就是Sobel算子, 即

将这两个算子模板进行卷积, 得到的最大值作为该点的输出值, 最后的运算结果就是1幅边缘幅度图像[7-8]。

Sobel算子算法尽管计算简单、速度快, 但是由于只采用了2个方向的模板, 只能检测水平和垂直方向的边缘, 因此对于纹理较为复杂的图像, 其边缘检测效果不理想。为了增加算子在某一点像素点检测边缘的精度, 对Sobel算子算法进行优化, 将方向模板由2个增加到8个, 将水平算子 ( 即0°边缘算子) 按照逆时针方向, 以 π/4的间隔依次增加旋转, 得到如图2所示的8个方向的算子[9]

以上给出的8个方向模板, 对图像进行逐点计算, 并且取最大值为像素点的新灰度值, 最大值对应的模板所表示的方向为该像素点的边缘方向。

3本文植物叶片分割算法

植物叶片容易受到光照、温度等外界因素的影响, 因此一般在做分割前要先把植物叶片图像转成灰度图, 接着再对其进行预处理。这样既可以改善植物叶片图像的视觉效果, 又能减少噪声对分割的影响。 对叶片图像进行初分割时, 用未经优化的Ostu法不容易分割出叶片的细节, 使分割出来的目标图像过于模糊; 为了避免这种情况的发生, 本文选用的是分块阈值, 它能把细节也分割出来。因为改进的Sobel算子分割出的边缘清晰且较细, 精度也较高, 还具有计算简单、速度快的优点, 所以做边缘检测时采用改进的Sobel算子。 为了使分割效果更好, 采用形态学操作[10]来进行优化。比如: 膨胀既能使边界向外扩张, 又能填补叶片中的空洞; 腐蚀可以消去无意义的小叶片; 开操作可以除去叶片图像中小于结构元尺寸的亮点, 同时保留所有的灰度和较大的亮区域特征; 取反操作则可以使得到的叶片分割图像的视觉效果更加好等。

本文的算法主要步骤如下:

1) 先把植物叶片原图像I转变成灰度图像Im, 再对灰度图像Im进行滤波、增强等预处理处理, 然后得到图像I1;

2) 用分块阈值对预处理后的叶片图像I1进行分割, 得到图像I2, 再对图像I2依次用开操作、腐蚀操作来消去无意义的小叶片, 最后把不完整的地方用填洞操作进行补充, 得到用形态学操作优化后的分块阈值图像I3;

3) 用改进的Sobel算子对预处理后的叶片图像I1进行边缘检测, 得到叶片图像的轮廓I4, 再对I4采用膨胀的形态学操作, 得到优化后的边缘检测图像I5;

4) 将2) 和3 ) 得到的结果用相与的方法结合, 保留较优的结果I6, 对I6用膨胀、填洞的形态学操作得到图像I7, 再对图像I7进行取反得到最终的实验结果I8。

本文算法的流程框图如图3所示。

4实验结果与分析

本文选用的植物叶片图像[11]如图4所示。

此叶片图像大小为256 ×239, 文本算法中的分块阈值分割, 预先设定每个子块的大小为32 ×32, 然后对叶片图像进行划分, 但由于叶片图像的高度是239, 在划分完子块后还有多余, 此时就人为把多余的高度上的像素用Ostu法直接进行分割, 得到分块阈值后的目标图像。在进行形态学操作时, 使用半径为1的圆盘形结构元素, 它各向同性, 可以得到与方向无关的运算结果。

分别用分块阈值算法、边缘检测和本文算法对植物叶片进行分割, 结果如图5、图6、图7所示。

通过以上分割结果发现: 图7去掉了图像左上角和其他地方的噪声, 背景和对象的区分度也较高, 视觉效果明显优于图5和图6。

总之, 用单一的阈值分割或者边缘检测的方法对植物叶片进行分割时, 目标图像容易粘连在一起, 极易受到周围噪声的干扰, 得到的目标图像效果不是很好; 而本文算法可以较好地把目标和背景区分开, 且抗噪性也比较高, 具有很好的效果。

5结语

鉴于许多复杂的叶片无法用单一的边缘检测技术或者未经优化的阈值分割法处理, 本文提出了一种优化的算法: 把分块阈值、边缘检测和形态学操作结合起来。通过最后的实验, 发现此算法确实可行, 且能达到较好的效果, 这为以后复杂叶片分割提供了一种新的思路。同时, 这种算法也存在缺点, 最终的结果中仍然无法去除左下角和右上角中和主叶片相连的干扰小叶片, 这也为今后的植物叶片分割算法的改进提供了研究的方向。

参考文献

[1]马丽, 贾宇琛.基于局部阈值的植物叶片图像分割算法研究[J].农业网络信息, 2011 (7) :34-36.

[2]张辉, 马明建.基于改进Sobel算法的叶片图像边缘检测[J].农业化研究, 2012, 33 (5) :46-48.

[3]韩殿元, 黄心渊, 付慧.基于彩色通道相似性图像分割方法的植物面积计算[J].农业工程学报, 2012, 28 (6) :179-183.

[4]郭建星, 刘松林, 倪丽, 等.一种改进的基于最大类间方差的图像分割方法[C]//第三届全国信息获取与处理学术会议论文集.杭州:中国仪器仪表学会, 2005.

[5]姜允志, 郝志峰, 林智勇, 等.基于分块采样和遗传算法的自动多阈值图像分割[J].计算机辅助设计与图形学学报, 2011, 23 (11) :1860-1868.

[6]宋莹, 陈科, 林江莉, 等.基于图像分块的边缘检测算法[J].计算机工程, 2010, 36 (14) :196-200.

[7]Canny, John.A Computational Approach to Edge Detection[J].Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1986, 8 (6) :679-698.

[8]马艳, 张治辉.几种边缘检测算子的比较[J].工矿自动化, 2004 (1) :54-55.

[9]李宏贵, 李兴国.一种改进的梯度算子[J].中国图像图形学报, 2003, 8 (3) :253-256.

[10]王萍, 唐江丰, 王博, 等.基于数学形态学的植物叶片图像分割方法研究[J].浙江农业学报, 2012, 24 (3) :509-513.

[11]王萍, 王立地.自然场景下植物叶片图像分割方法研究[J].农业科技与装备, 2011 (2) :40-43.

边缘分割 篇3

图像的边缘是图像最基本的特征之一, 基于边缘的分割方法是图像分析与识别领域中的一个十分引人注目的课题。所谓边缘, 是指其周围像素灰度有变化的那些像素的集合。边缘检测方法试图通过检测不同区域间的边缘来解决图像分割问题[1]。为了找出图像中物体的边界, 需要先检测每个像素和其直接邻域的状态, 以判断该像素是否确实处于某个物体的边界上, 具有这种特性的像素被标记成边缘点。本文研究基于边缘检测的分割方法并在Matlab环境下予以实现, 对比各种边缘检测算子的优缺点及适用条件, 最后进行综合评价。

2 边缘检测分割方法研究及实现

经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化, 利用边缘邻近一阶或二阶方向导数变化规律, 用简单的方法检测边缘。这种方法称为边缘检测局部算子法[2]。边缘检测算子检查每个像素的邻域并对灰度变化率进行量化, 也包括方向的确定。常用的边缘检测方法的基础是微分运算, 边缘点对应于一阶微分幅度大的点, 或对应于二阶微分的过零点。Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、Log算子、Canny算子等是边缘检测的几种经典算子。

2.1 Roberts边缘算子

Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子, 原理是对对角线方向相邻两像素之差进行梯度幅值边缘检测, 可由式 (1) 表示:

其中, f (x, y) 是具有整数像素坐标 (x, y) 的输入图像值。该算子边缘定位效果好, 但对噪声很敏感。图1为利用Roberts算子的边缘检测的结果。

2.2 Prewitt和Sobel边缘算子

Prewitt从加大边缘检测算子的模板大小出发, 由2*2扩大到3*3来计算差分算子, 采用Prewitt算子不仅能用来检测边缘点, 而且能抑制噪声的影响。Sobel算子在Prewitt算子的基础上, 对4邻域采用带权的方法计算差分, 该算子不仅能检测边缘点, 且能进一步抑制噪声的影响, 但检测的边缘较宽。图2 (a) 为Sobel算子的边缘检测效果。图2 (b) 为Prewitt算子的边缘检测效果。

2.3 Laplacian算子和Log算子

Laplacian算子是一种二阶边缘检测算子, 定义为:

Laplacian算子是一个各向同性、线性和位移不变的边缘检测算子, 对细线和孤立点检测效果好, 但Laplacian算子丢失了边缘方向信息, 常产生双像素的边缘, 且对噪音有加强作用, 这些都是图像分割中不希望出现的[3]。由于拉普拉斯算子是一个二阶导数, 它将在边缘处产生一个陡峭的零交叉。由于这些原因, 通常不用Laplacian算子的原始形式来对边缘进行检测, 而是利用其零点交叉性质来对边缘进行定位或者判断一个像素是在一条边缘的亮的一侧还是暗的一侧。

由于Laplacian算子对噪声比较敏感, 因此, 通常情况下, 在对图像进行Laplacian算子进行边缘处理前, 应先对图像进行平滑滤波器处理, 一般采用的是高斯滤波器。把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来, 先平滑掉噪声, 再进行边缘检测的方法叫做高斯-拉普拉斯算子, 即Log算子 (Laplacian of Gaussian) [4]。由于在成像时, 一个给定像素所对应场景点, 它的周围点对该点的光强贡献成正态分布, 所以平滑函数应反映不同远近的周围点对给定像素具有不同的平滑作用, 成正态分布的高斯平滑函数可定义为:

式中, σ是方差。用h (x, y) 和原始图像f (x, y) 进行卷积, 可以得到平滑的图像g (x, y)

平滑的效果可以用方差σ来控制, 这样在对g (x, y) 利用Laplacian算子进行边缘检测时可以大大减少噪声的影响。

Log算子是根据图像的信噪比来检测边缘的最优设计, 综合考虑了对噪声的抑制和边缘的检测。由于Log算子与视觉生理中的数学模型相似, 因此在图像处理领域中得到了广泛的应用[5]。利用Log算子进行边缘检测的结果如图3所示。

图3 (a) 为自动阈值的Log算子边缘检测, (b) 为添加高斯噪声的Log算子边缘检测, 对比实验结果发现, Log算子有效地克服了Laplacian算子对噪声过于敏感的缺点, 取得了良好的效果。

2.4 Canny算子

Canny算子是一种寻找图像梯度的局部极大值。在图像边缘检测过程中, 一个阈值的判断往往是不够的, 由于噪声影响边缘信号的响应只有近乎半数是大于这个阈值的, 由此造成了斑纹现象, 也就是说边缘是断开的。如果把这个阈值降低, 错误的边缘数量就会增多。滤波器的尺度选择也是边缘检测的一大难题。尺度越大, 则检测出的边缘效果就越好, 噪声的影响就越小, 但是定位就变得不准确。为了解决这样的矛盾, Canny提出了多尺度空间边缘检测, 即Canny算子。

Canny算子的具体应用步骤如下:

(1) 首先用二维高斯滤波模板对图像进行滤波以消除噪声, 得到的图像与原始图像相比有些轻微的模糊。这样, 单独的一个像素噪声在经过高斯平滑的图像上变得几乎没有影响。

(2) 用倒数算子 (比如Prewitt算子、Sobel算子) 找出图像灰度沿着两个方向的偏导数 (Gx, Gy) , 并求出梯度的大小和梯度的方向。

(3) 把边缘的梯度方向大致分为四种:水平、竖直、45°方向、135°方向。各个方向用不同的邻近像素进行比较, 以决定局部极大值。若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的, 那么将这个像素值置为0, 即不是边缘, 这个过程称为非极大抑制。

(4) 使用累计直方图计算两个阈值。凡是大于高阈值的一定是边缘;凡是小于低阈值的一定不是边缘;如果检测结果大于低阈值但又小于高阈值, 那就要看这个像素的邻接像素中有没有超过高阈值的边缘像素:如果有的话那么它就是边缘, 否则它就不是边缘。

Canny算子的边缘检测结果如图4所示。

3 边缘检测分割方法的综合评价

综上所述, 各种算子各有各的特点和应用领域, 不同的边缘检测算子对同一幅图像分割出来的效果是不同的, 因为每一种边缘算子的卷积形式是不同的, 对于图像的明暗程度、分辨率、灰度变化的敏感程度也是不同的。每种算子只能反映出边缘检测分割算法性能的一个方面, 没有哪一种边缘算子是绝对合适的, 在许多情况下需要综合考虑。例如:Canny算子的整体效果最好, 它的分割结果很明显没有Log算子分割得细致, 这是它不足的地方。每一种边缘检测算子分割的图像都有相应的优缺点, 我们只能选取当中效果较好的一种, 但是这也不能判定为这种算子就是最好的, 只能说对于特定的图片, 这种算子达到的效果最好。

通过对上述几个在边缘检测技术中常用的算子应用, 可以总结出在边缘检测时要注意以下几点:首先要找到待检测图像的各个区域的变化特征, 根据这些特征再进一步找到合适的检测方法;其次, 因为不同区域的变化特征可能不同, 所以不能期望值通过一种方法就可以成功完成检测, 而要尝试综合应用多种算子进行操作;再次, 要考虑图像中噪声的影响, 在分割前最好滤出噪声;最后, 可以综合各类方法, 如先进行边缘检测, 再通过函数内插法获得高精度定位等。

4 结束语

本文研究了边缘检测技术中应用的Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、Log算子、Canny算子等, 并分别进行了检测分割实验, 对比了分割结果, 给出了综合评价。指出不同的边缘检测算子对同一幅图像分割出来的效果是不同的, 没有哪一种边缘算子是绝对合适的, 在许多情况下需要综合考虑。为人们选择选择合适的分割方法及合适的边缘算子提供了一定的依据。

摘要：本文对基于边缘检测的分割方法进行研究, 并在Matlab环境下予以实现, 对比各种边缘检测算子的优缺点及适用条件, 最后进行综合评价。指出不同的边缘检测算子对同一幅图像分割出来的效果是不同的, 没有哪一种边缘算子是绝对合适的, 在许多情况下需要综合考虑。为人们在不同的应用场合及针对不同的图像数据条件选择合适的分割方法及合适的边缘检测算子提供了一定的依据。

关键词：边缘检测,算子,Matlab

参考文献

[1]刘刚.MATLAB数字图像处理[M].北京:机械工业出版社, 2010:180~182.

[2]高丽, 杨树元, 李海强.一种基于标记的分水岭图像分割新算法[J].中国图象图形学报, 2007, 12 (6) :1025-1030.

[3]周强.图像分割算法研究[J].世界科技研究与发展, 2012, 32 (3) :157-158.

[4]阮秋琦.数字图像处理学[M].成都:电子工业出版社, 2001:180-182..

边缘分割 篇4

数字图像处理是利用图像复原、去噪、分割、边缘检测等技术对图像进行处理的过程,现今,数字图像处理在日常生活中发挥着至关重要的作用,包括医疗诊断、天气预报、模式匹配和识别(车牌识别、指纹识别)、工业工程[2]、电子商务[3]、通信技术[4]、交通运输[5]、遥感和卫星图像处理。中国伟大的哲学家孔子说:“我听,我忘记了,我看到,我记住了,我做,我理解了”。所以说,结合视觉媒体和交互媒体方法比单纯的理论教学对学生的影响更深刻。数字图像处理的概念如果使用视觉媒体和交互媒体的方式教学就很容易理解。Matlab(矩阵实验室)是美国Mathworks公司推出的集成计算和开发环境[6],具备完善的矩阵和科学计算功能,允许用数学形式的语言来编写程序,有相应的函数支持,一行Matlab代码通常可以取代几行C或C++代码。Matlab还提供了传统编程语言的流量控制、错误和面向对象编程。自带有图像处理工具箱,其强大的矩阵处理与三维显示功能,特别适合数字图像处理的仿真实验[7]。Matlab为用户设计图形界面提供了一个高效、方便的集成环境。这个交互式的图形用户界面可以帮助老师让学生更好地理解图像处理技术的概念。本文介绍的图像分割和边缘检测是图像处理教学中的基础环节,图像处理的首要任务是对目标区域进行识别,其次是提取图像的形状区域,在此基础上对图像理解分析。数字图像的分割和边缘检测是目前机器视觉领域广泛研究的的课题之一。本文中使用Matlab软件对图像分割和图像边缘检测做了仿真,仿真实验的成功能很好的激发学生学习图像处理的兴趣。

1 图像分割概念的教学

图像分割是将图像中的像素灰度值、轮廓、纹理等原始特性进行提取,图像分割是图像理解的基础,也是进行图像分析的关键,正确的图像分割使更高层的图像理解和图像分析成为了可能。图像分割技术成功的应用于交通路口的电子警察、光学字符识别、指纹识别、机动车牌号识别等领域。图像分割方法分类[6]见表1。

区域并行技术分类中的阈值分割法是通过设置阈值,把像素点按灰度级分若干类来实现图像分割的一种方法。根据分割得到的结果有二元阈值和多元阈值分割[8](图1和图2)。二元阈值图像分割将图像分为两个区域即提取的对象和背景区域,本文图1显示了二阈值分割的结果,在二阈值分割中将灰度值小于100的区域定义为提取的目标,灰度值大于100的区域定义为背景区域。图2显示了多阈值图像分割,将图像分为三个区域:像素的灰度强度小于100对应0(黑色),像素的灰度强度大于200对应255(白色),其余的像素灰度值对应150(浅色的灰色),这样老师讲解基于阈值的图像分割概念时很清晰,学生也比较容易理解和掌握。利用Matlab实现二阈值分割的代码如下:

利用Matlab实现多阈值分割的代码如下:

图1显示了二阈值分割的结果,图2显示了多阈值分割的结果,利用Matlab实现图像分割代码简单,学生易于理解并掌握,图像分割结果中可以看到多阈值分割结果比单阈值分割结果更接近于原始图像,学生可以很容易对分割结果进行对比分析。

2 图像边缘检测的教学

边缘检测是利用物体和背景的灰度、颜色或纹理特征的差异完成的,边缘是一个区域的结束,同时也是另一个区域的开始,同一区域内的特征一致,不同区域内的特征不同。边缘检测的基本思想是首先利用边缘增强算子,突出图像中的局部边缘,然后定义像素的“边缘强度”,通过设置阈值的方法提取边缘点集[9]。边缘检测时可将一阶导数的局部极大值和二阶导数的过零点作为相应点的边界强度,通过设置门限的方法,提取边界点集。边缘检测是实现图像分割的基础,是图像处理中的重要环节。

图3中(1)显示了hua.jpg的灰度原始图像,图3(2-7)分别显示了Soble算子、Robherts算子、Prewitt算子、Lo G算子、Canny算子和零交叉算子边缘提取的结果。从仿真结果可以看到Lo G算子、Canny算子和零交叉算子提取到的边缘结果较之其他算子提取到的边缘结果更逼真,更多的反映出了花瓣的边缘细节。利用Matlab简单的代码和直观逼真的图像显示结果,学生很容易理解边缘检测的概念和思想。

3 结论

边缘分割 篇5

图像在军事、医疗、工农业等领域应用十分广泛, 彩图能提供更多样准确的信息, 彩色图像处理在现阶段备受关注, 如何有效的分割处理彩色图像成为现阶段分析图像分析的关键。灰度图像分割技术发展相对成熟, 可在灰度图像分析处理的基础上完善彩色图像分割方法。图像分割是指按照一定的规则、约束将目标图像分割成多个互不相交的区域, 使相同特征在同一区域表现一致性, 在不同区域表现明显的差异性[1]。光学模拟、电学模拟、数字图像是图像处理技术发展较成熟的技术。图像分割技术中典型的有基于区域的图像分割、基于边缘检测的分割和基于神经网络的分割方法等, 综合考虑彩色图像的特点和现阶段图像分割技术的优缺点, 本文最终决定采用边缘检测和区域生长技术处理彩色图像。使用边缘检测技术可以快速、准确地找到目标图像的边缘, 并通过边缘确定区域内的灰度或颜色信息, 从而达到对图像的快速分割[2]。

使用区域生长技术去除边缘检测技术中存在的毛刺和虚假边缘, 提供更准确, 清晰的封闭图像。本文分析了图像边缘检测和区域生长的优缺点, 将二者巧妙、有效的结合, 完成了彩色图像的分割处理。

二、常用图像分割方法

图像分割人员在进行图像处理时, 根据图像特点和具体问题采用不同的分割方法, 常用彩色图像分割方法有直方图阈值法、特征空间聚类、基于区域的方法, 基于边缘检测、基于模糊理论的方法和基于神经元网络方法等, 彩色图像分割中经常会使用到RGB、YIQ、YUV、I1I2I3、HSI、Nrgb、CIE (L*a*b*) 、CIE (L*u*v*) 等彩色空间。在彩色图像分割时, 通常将灰度图像分割方法和颜色空间相结合, 形成更有效的分割方法。

三、彩色空间表示

颜色空间是依据多维度的空间坐标, 实现颜色的量化。RGB是色彩基色, 肉眼观察的颜色是红、绿、蓝三种颜色的混合。彩色图像分割的难点在于彩色空间的选取。目前, 没有一种彩色空间能超越其它所有彩色空间适合于处理所有彩色图像[3~5]。

颜色显示会使用RGB, 但RGB分量相关性较高, 不适合分割、处理彩色图像。线性彩色空间和非线性彩色空间YIQ、YUV、I1I2I3及RGB、HSI、CIE等的引入在彩色图像分析中起了关键作用。本文采用RGB和HSI两种彩色空间相互转换得到实验结果。

RGB彩色空间模型是基于笛卡尔坐标系, 其中R (red) 指红色, G (green) 指绿色, B (blue) 指蓝色。HSI是一种基于色调、饱和度和亮度三分量的彩色空间模型, 自然而直观的描述不同图像, 其中H (hue) 指色调, S (saturation) 指饱和度, I (intensity) 指亮度。

计算机使用RGB彩色空间格式实现彩色图像存储, 但图像分割算法中用HSI模型实现彩色空间转换。本文据下述公式实现彩色图像格式转换:

四、边缘检测和区域生长

基于边缘检测的图像分割是实现图像分割最受欢迎的算法之一, 边缘检测技术是根据区域边缘差异, 观测像素变化值的剧烈程度选择合适的检测技术。串行和并行边缘检测技术是两种常用检测技术。传统的对灰度图像处理时采用的边缘检测方法有串行边界查找、并行微分算子法、边界曲线拟合、曲面拟合法、形变模型和反应一扩散方程等, 均在图像边缘检测时发挥重要作用, 能很好的完成边缘检测和图像分割。但其并不完全适用于彩色图像边缘分割、处理问题。彩色图像包含的每个像素都由多个不同纬度向量组成, 处理彩色图像关键是彩色空间转换, 使用canny算子将RGB空间转成HSI空间进行处理。

区域生长实质是将具有相似性质的像素点连接起来构成分割域[4~5]。使用区域生长分割图像的关键是种子点提取, 避免分割过度。

本文采用边缘检测和区域生长相结合的方法对彩色图像进行分割, 进行边缘检测时采用canny算子对HSI空间中的亮度变量I进行检测获取有效、合理的种子点, 并将合理的种子点进行标记, 压入堆栈中, 使用聚类消除不合理种子点, 实现RGB向HSI转换。并在HSI上计算分量I的梯度能够快速、准确的得到图像边缘, 且将边缘作为停止区域生长的约束。结果如图1和图2所示。

五、实验结果及分析

5.1实验环境

处理器:Intel Core i5-4670T@2.30GHz

软件:vs2012和opencv2.0

5.2实验步骤

本文采用边缘检测和区域生长实现彩色图像分割, canny算子分割、提取彩色图像边缘信息, 完成彩色图像空间转换。本实验关键是明确该实验中涉及的颜色空间聚类阈值有几个, 经考察本文共涉及三个阈值, 分别是颜色空间点间阈值, canny算子的两个阈值, 阈值的选取成为实验成功的关键。本文采用堆栈存储种子点。步骤如下:

(1) 明确编程工具:opencv2, 使用结构体的链表存储种子点值。

(2) 使用canny算子对H (色调) 、S (饱和度) 和I (亮度) 三分量边缘进行检测获取彩色图像边缘信息, 完成RGB到HIS空间转换。

(3) 使用递归方法沿着图像边界寻找种子点值, 并计算各个区域重心, 对四点领域做扩散, 计算区域颜色直到边界, 入栈新种子。

(4) 使用canny算子实现HIS到RGB颜色空间转换, 并使用滤波技术完善结果, 生成最终的分割图。结果如图1。

图1 (b) 是使用边缘检测法对原图分割的结果, 从结果可知, 利用边缘分割法能清楚得到目标图像的边缘, 基本符合肉眼对边缘的感知。

图2 (b) 是用区域增长法结合边缘分割法得到彩色图像分割的最终结果, 可以看出图2 (b) 中树叶颜色正确, 边缘清晰可见, 与原图叶子颜色和形状基本吻合, 因此使用边缘检测技术和区域生长方法能较准确清楚的实现彩色图像分割。

六、总结

分析实验结果, 本文算法在彩色图像分割中有很大优势, 所得结果与人眼观察值基本一致, 但也存在空洞点较多、纹理识别不清晰的缺陷, 后期的彩色图像分割算法应尽量避免这几个缺陷, 选取更完善的算法, 使处理结果更清楚、准确。

总之, 使用边缘检测和区域生长获得彩色图像分割结果与人的视觉感官系统对事物的观察、感知结果基本一致, 达到了预期目标。

摘要：彩色图像分割是计算机视觉领域研究的焦点和难点。本文通过介绍常用彩色图像分割方法, 论述彩色空间的表示方法, 在分析和综合所有方法基础上, 选取边缘检测和区域生长相结合的图像分割方法对彩色图像进行研究, 分析、总结实验结果, 提出彩色图像分割和处理技术的发展方向。

关键词：彩色图像分割,边缘检测,区域生长

参考文献

[1]何俊, 葛红, 王玉峰.图像分割算法研究综述[J].计算机工程与科学, 2009 (12) :58-61

[2]翁秀梅, 肖志涛, 杨洪薇.基于边缘检测和区域生长的自然彩色图像分割[J].天津工业大学学报, 2008, 27 (1) :50-52

[3]Cheng H D, Jiang X H, Sun Y, etal.Color image segmentation:advances and prospects[J].Pattern Recogniti on, 2001, 34 (12) :2259-2281

[4]林开颜, 吴军辉, 徐立鸿.彩色图像分割方法综述[J].中国图象图形学报, 2005, 1 (1) :1-10

边缘分割 篇6

关键词：图像分割,阈值分割法,边缘检测法

0 引言

图像的分割是一个非常重要的图像处理技术, 普遍应用在理论研究和实践中。大家观察某个图像时, 图像里的一些内容会让你感兴趣, 通常把这样的内容叫做目标或者前景, 余下的被叫做背景。图像分割的就是要借助这些场景图像的特征信息把图像分成几个有意义的区域, 它们特征包含梯度、灰度和色彩以及形状等。还有, 图像处理到图像分析的关键步骤就是图像分割, 为更高层次的图像理解打下了基础。

图像分割方法有多种方式, 主要分为四类:一是阈值分割法, 二是区域提取法, 三是边缘检测法, 四是结合特定理论工具的分割法。这里重点介绍阈值分割法和边缘检测法。

1 阈值分割法

阈值分割法是图像分割中的常用方法, 此方法就是根据图像中要的目标物体和背景在灰度上的不同再改变其阈值把像素点根据灰度的不同分为很多类, 从而实现图像分割。通常利用判断图像中各个像素点的特征究竟是不是阈值所需要的, 最后判断图像里此像素点是否属于目标区, 利用这种方法就将一幅灰度图像转换成二值图像, 这是阈值分割的最简单形式。

设原始图像f (x, y) , T为阈值, 分割图像时则满足下式 (或把式中1和0颠倒) :

阈值分割法的优点是计算起来很简单, 还根据封闭连通的边界来得到不交叠的区域, 而且目标与背景的图像对比越强分割产生的效果就越好。这种方法的一个关键技术就是最优阈值的选择, 若是阈值选的很高, 就会有很多的目标区域被分为背景区;反之, 阈值选的很低, 就会把很多的目标区域划为目标区。

2 边界分割法

轮廓提取和边界跟踪都是边界分割法中十分重要的处理技术, 二者的目的都是获取图像的外部轮廓特征。

2.1 轮廓提取

提取轮廓的目的为获得图像的外部轮廓特征, 而且这种特征对进行图像外形理解、识别与分析这些较深层次的方法有非常重大的意义。

我们只讨论二值化图像的轮廓提取办法, 它的基本原理是掏空内部点。说的具体点, 对于一个背景是白色, 目标是黑色的二值图像, 若在图中找到一个黑色点, 其8邻域点也均为黑色, 那就表明该点是目标的内部点, 把它设置成白色, 变为被掏空的状态;要么保持黑色不变, 则此点是目标的边界点。整幅图像按此原理处理完毕后, 便得到了目标的轮廓。

其算法实现步骤如下:

首先获取源图像的首地址、图像的宽度和高度以及图像每行像素所占的字节数。开辟一块与原图存储大小一致的内存缓冲区, 初始化为255, 作为缓存图像。对源图像进行二值化预处理, 除四周的边缘像素外, 对源图像逐点进行扫描, 读取当前像素点的8邻域像素的灰度值, 并在新图像中置当前像素点位0 (即黑色) , 如果该点的8邻域都是黑点, 在新图像中置当前像素点为255 (即白色) , 否则保持不变。最后将处理后的新图像复制到源图像中。

2.2 边界跟踪

从图像的一个边界点出发是边界跟踪的一个基本思想, 按照某种探测准则得到目标物体轮廓的其他像素点, 一直到回到起始边界点, 进而得出目标边界。

如果有一幅二值图像, 它的背景是白色, 目标是黑色, 且只有一个具有闭合边界的目标。图2.13所示说明了边界的跟踪过程。第一步是确定起始边界点, 因为图像文件采用自左向右和自下向上的读取顺序。所以图像左下方搜索到第一个黑点要当成起始边界点, 并把它记录下来。一个中心像素点可以有8个跟踪方向。接下来把起始点的初始跟踪方向设定成左上方45°, 最后判定这个像素点是否是黑点。如果是黑点, 那么保存原起的始点, 把这个像素点当成新的起始点, 还要在原来跟踪方向基础上逆时针旋转90°作为又一个跟踪方向。若不是黑点, 就要在原方向基础上沿顺时针方向旋转45°, 再判断此时的像素点是不是为重点, 重复这个过程, 不断地寻找新的边界点, 并保存旧的边界点, 一直到监测点变成最初的起始点再停止。

参考文献

[1]董鸿燕.边缘检测的若干技术研究[D].国防科学技术大学, 2008

[2]毕婧, 宋凯.边缘跟踪算法在沥青改性过程中的应用[J].电脑开发与应用, 2004

[3]Kenneth.R.Castleman.数字图像处理[M].北京:电子工业出版社, 1998

[4]何斌.数字图像处理[M].北京:人民邮电出版社, 2001