数字图像测量亚像素边沿处理方法

摘要

数字图像测量亚像素边沿处理方法，采用梯度模型对图像边沿进行粗处理，以梯度均值作为二值化控制阀值；基于洪水充填原理实现二值化图像最大连通区域搜索；在四个方向上搜索包含各位置点的一段梯度值超过梯度控制阀值的连续点，点数最少的方向即为法矢方向，基于样条插值细分算法计算边沿法矢方向上的梯度峰值；从收集的目标粗边沿中对拟合曲线上所包含的边沿点进行标记；经过多轮迭代计算，如果收集的目标粗边沿点全部被标记，则表明精确亚像素边沿计算完毕。本发明是基于传统梯度边沿提取、洪水充填算法及样条插值细分算法，处理过程通过粗、精两步图像处理实现。对于目标边沿实行有目的搜索，计算效率高，并且算法过程兼顾噪声抑制的要求，提高了算法的免疫力。

说明书

技术领域

本发明涉及一种图像测量处理方法，具体涉及一种数字图像测量亚像素边沿处理方法。

背景技术

随着当前数字化信息技术的发展，数字图像处理技术正变得越来越重要，并在很多生产生活现场都得到广泛应用。目前数字图像测量技术在光电检测领域也占据了非常重要的地位，它最重要的一个内容就是实现图像目标边沿的精确定位。这点在数字图像测量应用中尤为重要，可以说在数字图像测量应用中准确快速提取图像边缘是提取图像相关信息的基础和关键。

目前的数字图像都是二维平面图像。根据CCD感光芯片的不同，目标图像被以不同的细分密度加以离散存储，图像上的最小尺寸单位为像素，存储形式上存储了每个像素位置的图像色彩信息。数字图像处理就是采用一定的计算方法对这些存储内容进行相关计算以提取图像中相关感兴趣信息的过程。

目前对图像处理采用最基本的处理算法主要是基于灰度或是梯度原理的计算方法。它们都是通过计算图像的某个特征值(灰度或梯度)，然后依据给定的特征值控制阀值对图形进行二值化处理。它所依据的主要思想就是图象中目标物体的边沿与背景有明显的视觉冲击，即视觉上在物体的边沿位置图像内容变化非常大。目前衡量这种图像内容变化的主要计算模型是灰度方差或是梯度。设图像上一以点(i，j)为中心的3×3图像区域。

  i-1  j+1  i  j+1  i+1  j+1  i-1  j  i j  i+1  j  i-1  j-1  i-1  j-1  i+1  j-1

每一点的灰度方差计算模型为

$V(i,j)=0.299\times \left[\underset{m=i-1,n=j-1}{\overset{m=i+1,n=j+1}{\Sigma }}{(r(i,j)-r(i+m,j+n))}^2\right]$

$+0.587\times \left[\underset{m=i-1,n=j-1}{\overset{m=i+1,n=j+1}{\Sigma }}{(g(i,j)-g(i+m,j+n))}^2\right]$

$+0.114\times \left[\underset{m=i-1,n=j-1}{\overset{m=i+1,n=j+1}{\Sigma }}{(b(i,j)-b(i+m,j+n))}^2\right]$

i，j，m，n为非负整数，r(i，j)，g(i，j)，b(i，j)为点(i，j)的RGB(红、绿、蓝三原色)分量值，V(i，j)为点(i，j)的灰度方差。

梯度计算模型为

$G(i,j)=0.299\times \left|\underset{m=i-1,n=j-1}{\overset{m=i+1,n=j+1}{\Sigma }}(r(m,n)\times \mathrm{Sobel}(j+1-n,m-i+1))\right|$

$+0.587\times \left|\underset{m=i-1,n=j-1}{\overset{m=i+1,n=j+1}{\Sigma }}(g(m,n)\times \mathrm{Sobel}(j+1-n,m-i+1))\right|$

$+0.114\times \left|\underset{m=i-1,n=j-1}{\overset{m=i+1,n=j+1}{\Sigma }}(b(m,n)\times \mathrm{Sobel}(j+1-n,m-i+1))\right|$

其中$\mathrm{Sobel}=\left(\begin{array}{ccc}\mathrm{Sobel}\left(\mathrm{0,0}\right)& \mathrm{Sobel}\left(\mathrm{0,1}\right)& \mathrm{Sobel}\left(\mathrm{0,2}\right)\\ \mathrm{Sobel}\left(\mathrm{1,0}\right)& \mathrm{Sobel}\left(\mathrm{1,1}\right)& \mathrm{Sobel}\left(\mathrm{1,2}\right)\\ \mathrm{Sobel}\left(\mathrm{2,0}\right)& \mathrm{Sobel}\left(\mathrm{2,1}\right)& \mathrm{Sobel}\left(\mathrm{2,2}\right)\end{array}\right).$

i，j，m，n为非负整数，r(m，n)，g(m，n)，b(m，n)为点(m，n)的RGB(红、绿、蓝三原色)分量值，G(i，j)为点(i，j)的梯度，Sobel(i，j)(i，j＝0，1，2)为Sobel算子对应(i，j)位置的元素值。

目前传统的图像处理算法都是基于这两种计算模型。比如Moravec算子就是一种利用灰度方差提取特征点的算子，此外还有Roberts、Sobel、Laplace等梯度算子。梯度计算模型还可以通过改变计算算子中的相关元素值达到不同的图像处理目的。另外还有一种通过图像空间向参数空间转换实现图像目标提取的Hough变换算法。传统算法在图像处理前与处理后一般还采用噪声滤波、平滑与锐化等辅助处理算法。

这些图像处理算法对于目标图像质量非常好的对象具有较好的处理效果，但在实际工程应用中，尤其是在实时图像处理中还存在许多的应用难点：

一、由于二值化结果受特征值控制阀值影响，图像处理结果人为影响因素太大，算法对于不同应用场合图像不具备通用性，而且不利于计算机自动程序实现；

二、处理图像中存在多种噪声，传统算法虽然希望通过改变相关算子或是辅助滤波算法以达到噪声抑制的目的，但对于不同图像应用效果甚微，不利于实时图像处理；

三、对目标图像边沿定位不精确，处理结果太粗燥，难以满足精密图像测量应用需求，同时在许多有精密图像处理要求的应用场合也存在很大的局限性。

发明内容

本发明的目的在针对实时图像测量的应用需求，提供了一种效率高，并且兼顾噪声抑制的要求，提高了算法的免疫力的数字图像测量亚像素边沿处理方法。

为达到上述目的，本发明采用的技术方案是：

1)首先采用梯度模型对图像边沿进行粗处理，以梯度均值作为二值化控制阀值；

2)基于洪水充填原理实现二值化图像最大连通区域搜索；

通过对起始位置向四面八方蔓延方式得到整个连通区域的大小，搜索出边沿最大连通区域，并记录这些边沿数据，而其它小的连通区域被当作噪声加以抑制；

3)在四个方向上搜索包含各位置点的一段梯度值超过梯度控制阀值的连续点，点数最少的方向即为法矢方向，也就是精确图像边沿定位的计算方向，图像边沿位置沿边沿的法矢方向梯度值具有单峰性，而梯度峰值位置就是精确的边沿位置；

4)基于样条插值细分算法计算边沿法矢方向上的梯度峰值

由于物体在边缘处的梯度值最大，则对一段在边沿法矢方向且包含该边缘点的连续像素点的梯度值利用样条拟合得到一条曲线，在拟合得到的曲线上进行10倍细分，即定位精度达到0.1个像素，比较细分后各点位置的梯度幅值，取最大值位置即为精确边缘点；

5)从收集的目标粗边沿中对拟合曲线上所包含的边沿点进行标记；

6)经过多轮迭代计算，如果收集的目标粗边沿点全部被标记，则表明精确亚像素边沿计算完毕。

本发明是基于传统梯度边沿提取、洪水充填算法及样条插值细分算法，处理过程通过粗、精两步图像处理实现。对于目标边沿实行有目的搜索，计算效率高，并且算法过程兼顾噪声抑制的要求，提高了算法的免疫力。

附图说明

图1是本发明的流程图；

图2是本发明基于最大连通区域搜索的目标边沿提取图，其中图2(a)是原始图像，图2(b)是梯度二值化处理结果的图像，图2(c)是基于最大连通区域的目标边沿图；

图3是过点(x₀，y₀)的图像边沿法矢方向搜索图，其中图3(a)是边沿曲线切矢与法矢图，图3(b)是目标边沿图像，图3(c)是目标边沿图像法矢搜索示意图；

图4是样条曲线插值细分示意图，其中横坐标与纵坐标均为像素值。

具体实施方式

下面结合附图对本发明作进一步详细说明。

参见图1，本发明首先进行第一步采集图像数据，采集结果如图2(a)。

对第一步所采集图像进行第二步梯度算子全域搜索。采用梯度算子模型进行图像边沿粗处理，以梯度均值作为二值化控制阀值，防止二值化处理结果中目标边沿信息丢失，同时也利于程序自动实现；

利用梯度算子全域搜索的结果，对采集图像进行第三步的处理即洪水填充区域面积搜索。由于实时图像中存在许多因素干扰目标图像，通过梯度算子全域搜索处理后，图像存在多种随机噪声。这类噪声一般通过传统的滤波方式难以奏效。根据图像处理的基本原理，在图像测量中一般一次只关心某一具体的目标边沿，在只包含目标边沿的目标区域内，二值化处理后的目标边沿应该具有最大的图像面积。通过洪水搜索算法对起始位置向四面八方蔓延方式得到整个连通区域的大小，搜索出边沿最大连通区域，并记录这些边沿数据集P＝{pi，0＝＜i＜＝n n为正整数}，而其它小的连通区域被当作噪声加以抑制。

从图2(b)与(c)的对比中可以看出噪声抑制的效果：处理结果中除目标边沿信息外，其余噪声得到完全抑制。设定不同的图像处理区域，就可以得到所感兴趣的不同目标边沿。

接着进行第四步——选取pi，搜索pi处边缘法矢方向。前三步得到的图像边沿检测结果还只是一个粗边沿，一般为3至5个像素宽度，这在精密图像测量中还无法满足测量要求，必须对图像边沿进行精确定位。如图3(a)，如果从连续的角度讲，边沿在某点位置(x₀，y₀)处的法矢方向的计算应该首先计算一段过(x₀，y₀)点的曲线y＝f(x)，然后通过求导、求切矢的方式实现点(x₀，y₀)处的法矢方向的间接计算。但是这种计算方式在实时图像处理中过于复杂，且计算量太大。这里我们给出下面的简化计算模型。

由于实际图像中是通过离散后以像素为单位进行存储的，如图3(b)，因此计算中认为过点(x₀，y₀)的法矢方向只有四个(不分方向正反)，如图3(c)所示。

在四个方向上搜索包含点(x₀，y₀)的一段梯度超过梯度控制阀值的连续点，点数最少的方向即认为为法矢方向。这也就是精确图像边沿定位的计算方向。

经过pi处边缘的法矢方向搜索，得到第五步——得法矢方向点集Pij，Pij表示对应pi点的法矢方向搜索所得点集，1＝＜j＜＝n，并保存此点集。

这里只关心精确的图像边缘数据，所以要进行第六步——从点集P中删除点(P∩Pij)，保证处理的图像点集为精确图像边缘数据；

利用第六步结果，对图像进行第七步处理——对点集Pij对应梯度值为函数值进行杨条曲线拟合与曲线10倍插值细分得新的点集Pim，为实现图像边沿精确定位做准备。由于物体在边缘处的梯度值最大，则对一段在边沿法矢方向且包含点(x₀，y₀)的连续像素点(包含该方向上的全部边沿点)的梯度值利用样条拟合得到一条曲线，在拟合得到的曲线上进行10倍细分，即定位精度达到0.1个像素，具体如图4所示。利用第七步结果，接下来进行第八步——搜索Pim中梯度值最大点pim，对应点的位置即为该边沿法矢方向上的精确亚像素边缘。依据图像处理基本原理以及梯度计算原理，图像边沿位置沿边沿的法矢方向梯度值具有单峰性，而梯度峰值位置就是精确的边沿位置。比较细分后各点位置的梯度幅值，取最大值位置即为精确边缘点。

从收集的目标粗边沿中标记出当前拟合曲线上所包含的边沿点以免进行重复计算。并进行第九步判断——点集是否搜索完毕，如果输出为“N”则说明还有剩余点则转第四步继续处理。

经过多轮迭代计算，如果第九步判断——点集是否搜索完毕，如果输出为“Y”，则说明收集的目标粗边沿点全部被标记，则表明精确亚像素边沿计算完毕则最后第十步结束程序并输出——输出全部梯度值最大点集Pm＝{pim}即精确亚像素边缘。