資源描述:
《基于改進(jìn)sobel算子和遺傳算法圖像邊緣檢測(cè)》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、基于改進(jìn)Sobel算子和遺傳算法的圖像邊緣檢測(cè)張金玉,陳彥,黃先祥(西安高新技術(shù)研究所,陜西西安)摘要:在計(jì)算機(jī)視覺和圖像處理里,圖像邊緣檢測(cè)是一個(gè)經(jīng)典的問題。邊緣檢測(cè)的關(guān)鍵是閾值的選擇;閾值的選擇直接,決定了邊緣檢測(cè)的結(jié)果。如何自動(dòng)確定最優(yōu)閾值是邊緣檢測(cè)的難點(diǎn)之一。在本文中,Sobel邊緣檢測(cè)算子及其改進(jìn)算法最先討論涉及到最優(yōu)閾值。然后基于遺傳算法和改進(jìn)Sobel算子,一種對(duì)圖像處理的新興的自動(dòng)閾值算法被提出。最后,通過兩種算法邊緣檢測(cè)的兩個(gè)真正的圖像試驗(yàn)被實(shí)施。對(duì)比實(shí)驗(yàn)結(jié)果表明,自動(dòng)閾值的新算法是非常有效的。結(jié)果也
2、比經(jīng)典的Otsu方法更好。關(guān)鍵字—邊緣檢測(cè),Sobel算子,遺傳算法,類平方誤差,圖像處理I.介紹一個(gè)計(jì)算機(jī)圖像分析和處理非常重要的目標(biāo)是產(chǎn)生某些適合人們或者機(jī)器來觀察和識(shí)別的特定圖像。圖像邊緣是一張圖片最基本的特征。所謂的圖像邊緣指的是圖像中強(qiáng)度變化的最突出的部分。在邊緣之間存在主要目標(biāo)和戰(zhàn)略目標(biāo),目標(biāo)和背景,區(qū)域和區(qū)域(包括不同的顏色),是圖像分析和處理的重要標(biāo)準(zhǔn),如圖像分割、紋理、形狀特征。在數(shù)字圖像處理與模式識(shí)別中,邊緣檢測(cè)都是最基本的任務(wù)之一。在圖像處理中,邊緣提取和檢測(cè)扮演一個(gè)重要的角色。這算法的優(yōu)點(diǎn)直接影
3、響到系統(tǒng)性能。如何快速、準(zhǔn)確地提取圖像邊緣信息一直是一個(gè)熱門的研究課題。我們的前輩也研究出許多的邊緣檢測(cè)算法。Sobel算子是其中的一個(gè)經(jīng)典算法[1]。經(jīng)典的邊緣檢測(cè)算法的關(guān)鍵就是閾值的選擇。閾值直接地決定了邊緣檢測(cè)的成功。如何可以自動(dòng)獲得最佳邊緣的閾值已經(jīng)是邊緣檢測(cè)的難點(diǎn)之一。如果選定的閾值過低,不僅會(huì)產(chǎn)生錯(cuò)誤的邊緣,而且邊緣非常厚。這些需要再次重精確和重處理邊緣位置的邊緣通常都不足夠精確。如果閾值太高了,許多邊緣可能不被檢測(cè)出或檢測(cè)到的邊界也是太分段了。目前,許多人使用的最大熵方法[2],Otsu閾值分割方法[3]
4、,[4]來取得好的結(jié)果。在這些方法中,仍有一些缺點(diǎn)如大計(jì)算復(fù)雜度和較低的計(jì)算效率。在本文中,基于遺傳算法和改進(jìn)Sobel算子之間的最大方差法提出了自動(dòng)確定閾值。實(shí)驗(yàn)結(jié)果證明閾值選擇是合理、有效的。本文的結(jié)構(gòu)如下:在第2節(jié),經(jīng)典的Sobel邊緣檢測(cè)算子及其改進(jìn)Sobel邊緣檢測(cè)算子進(jìn)行了討論。在第3節(jié),介紹了基本Otsu算法。在第4節(jié),一個(gè)新的基于遺傳算法和改進(jìn)Sobel算子的算法被提出了。在第5節(jié),兩個(gè)實(shí)驗(yàn)檢查。最后,結(jié)論在第6節(jié)被提出。II.Sobel邊緣檢測(cè)算子A.經(jīng)典Sobel邊緣檢測(cè)算子Sobel算子廣泛應(yīng)用于
5、圖像處理,特別是邊緣檢測(cè)算法。從技術(shù)上講,它是一個(gè)離散的分化算子,計(jì)算一個(gè)圖像灰度函數(shù)梯度的近似值。在圖像上的每一個(gè)點(diǎn),Sobel算子的結(jié)果既是與梯度向量相應(yīng),也與矢量基準(zhǔn)一致。在計(jì)算3x3的鄰里中心x,y方向,Sobel算子是f(x,y)的偏導(dǎo)數(shù)。為了抑制噪聲,有一定的重量相對(duì)地增加了中心點(diǎn),數(shù)字梯度近似方程描述如下:一般來說,其梯度的大?。阂部梢圆捎妙愃朴冢核木矸e模板算子如下:如果我們用Sobel算子來檢測(cè)圖像M的邊緣,然后我們可以使用水平模板和垂直模板來盤旋圖像,在沒有考慮邊界條件下,可得到兩個(gè)同樣的尺寸的梯度
6、矩陣M1和M2作為原始圖像。然后,總梯度值G可通過增加兩個(gè)傾斜矩陣得到。最后,我們可以通過閾值方法得到邊緣。A.改進(jìn)Sobel邊緣檢測(cè)算子Sobel算子是基于使用一個(gè)小、可分離、整型重要的過濾器在水平和垂直方向來盤旋圖像。就計(jì)算能力而言,它也相對(duì)比較廉價(jià)。另一方面,它產(chǎn)生的梯度近似相對(duì)較粗糙,特別是對(duì)于圖像的高頻率變化。正如我們所知道的,因?yàn)橹挥袃蓚€(gè)模板方向被使用,它只能檢測(cè)到的水平和垂直方向的邊緣。因此,該算法邊緣檢測(cè)對(duì)于復(fù)雜的紋理圖像無效。為了補(bǔ)償Sobel的缺點(diǎn):去制造描述圖像邊緣點(diǎn)更為準(zhǔn)確的算子,降低噪音方面的
7、檢測(cè),四個(gè)方向上的尺寸5*5的模板、、、已經(jīng)被使用。每個(gè)模板的重量位置是由位置中心的距離以及位置的方向所決定。等距點(diǎn)有相同的重量。這些模板如下:在該算法中,我們選擇了模板梯度值最高輸出作為邊緣像素強(qiáng)度梯度。I.OTSU算法有許多閾值選擇方法。根據(jù)應(yīng)用的范圍,閾值的方法也可以分為1)整體閾值分割方法2)局部閾值和3)動(dòng)態(tài)閾值分割方法在本文中,遺傳邊緣檢測(cè)是屬于整體Otsu閾值分割方法。假設(shè)是我們想要分割的客觀圖像,它的灰度范圍是。通過閾值t圖像像素將被分為兩類:,。和分別代表目標(biāo)和背景。這類平方誤差在C0和C1之間如下:
8、這里t是閾值,是圖像灰度值小于閾值t的像素的數(shù)量。是圖像灰度值大于閾值t的像素的數(shù)量。是圖像灰度值小于閾值t的像素平均灰度值。是圖像灰度值大于閾值t的像素平均灰度值。使得最大值的t是最佳分割閾值。這里最佳閾值要求需要遍歷所有像素灰度值在一定范圍內(nèi),計(jì)算方差,最后獲得最佳的方差。很明顯,這計(jì)算成本很大,計(jì)算效率也很低。確定最優(yōu)閾值基