基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法

摘要

基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法，通过高像素摄影机对秦岭野生金丝猴基地追踪实地拍摄，建立图像样本库，对获取图像样本采用灰色B型关联改进Prewitt算子对秦岭金丝猴图像边缘进行检测，提取图像边缘，实现了计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。

说明书

技术领域

本发明涉及图像处理领域，特别涉及基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法。

背景技术

野生金丝猴是国家一级保护动物，主要分布于甘肃、四川、湖北和陕西地区，而分布于陕西秦岭地区的秦岭金丝猴由于品种珍贵数量稀少，更加引起人们的关注。通过对秦岭金丝猴图像降噪与边缘检测技术的研究，为金丝猴实现分类识别奠定基础，同时为深刻理解金丝猴等非人灵长类的社会生物学积累数据，为其他珍稀野生动物进行研究与保护提供技术支持。传统的空域抑噪方法如中值滤波去噪法等，常以模糊图像的细节特征为代价，会弱化细节信息，模糊信号边缘，经典边缘检测算子如Sobel、Prewitt等对含噪图像边缘检测结果不甚理想，易出现“削顶”现象，即对图像顶部检测困难，易丢失角点信息，图像边缘不够细锐和连续，对图像进一步准确识别效果欠佳。

发明内容

为了克服上述现有技术的不足，本发明目的在于提供一种基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法，通过高像素摄影机对秦岭野生金丝猴基地追踪实地拍摄，建立图像样本库，对获取图像样本进行检测，提取图像边缘，实现了计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。

为了达到上述目的，本发明的技术方案是这样实现的：

基于灰色B型关联改进Prewitt的秦岭金丝猴图像边缘检测方法，包括如下步骤：

(1)设一幅含噪秦岭金丝猴图像大小为M×N，图像中某个像素x(i,j)的一个噪声检测3×3窗口为：

建立图像一维数据序列，采用简单的四邻域一维化方法，分别取图像中像素x(i,j)及上、下、左、右四个相邻像素形成一维数据序列{x_i-1,j,x_i+1,j,x_i,j,x_i,j-1,x_i,j+1}。

(2)确定参考序列和比较序列，选择如下的参考序列：x₀＝{1,1,1,1,1}，x₁＝{0,0,0,0,0}，比较序列：x_r＝{x_i-1,j,x_i+1,j,x_i,j,x_i,j-1,x_i,j+1}，其中r∈[1,M×N]。

(3)序列初始化：

x′₀＝x₀，x′₁＝x₁

其中x_r(1)表示比较序列x_r的第一个分量，x'_r(1),x'_r(2),…x'_r(5)分别表示向量x'_r的各个分量。

(4)计算x'₀与x'_r对应分量的差的绝对值序列△'_0r(k)(k＝1,2…5)：

△'_0r(k)＝|x'₀(k)-x'_r(k)|(2)

(5)确定差序列的最大差值M与最小差值m，分别记为：其中k＝1,2…5。

(6)计算关联系数γ_0r(k)：

式中ζ为分辨系数，令ζ＝0.5，以保证γ_0r(k)∈(0,1]。

(7)由于各像素点在序列中包含的信息量不同，故确定信息熵H_0r(k)及权重ω_0r(k)(k＝1,2…5)：

式中则有权重为：

(8)建立两类序列间的灰色B型关联度R_0r。

同理可计算得另外两类序列x₁和x_r的灰色关联度R_1r。

(9)确定关联度阈值θ，关联度阈值θ∈(0,1]，关联度阈值θ取值越小，抑噪能力越强，但边缘丢失相对应也就越严重，反之，关联度阈值θ取值越大，抑噪能力变弱，保留的边缘也越多。

(10)确定噪声点与信号点。令R＝max(R_0r,R_1r)，N为噪声点，S为信号点，若x_ij＝{R_0r≥R_1r}∩{R≥θ}则其属于噪声点N，反之为信号点S。

(11)噪声点赋值，完成降噪算法。若x_ij为噪声像素，计算x_ij一阶像素邻域中像素中值M，若M∈S，则用中值M代替当前像素x_ij的值；若M∈N，继续搜索当前x_ij邻域内的非噪声像素。继续移动3×3窗口，直到所有像素遍历完毕。

(12)对遍历完毕的图像采用3×3卷积模板如表1，其中表1a、b分别为水平模板和垂直模板，将模板内的系数与其对应的图像像素相乘，表1(a)模板相乘后结果为表2所示，令A＝f₁₁+f₁₂+f₁₃，B＝f₃₁+f₃₂+f₃₃，改进的Prewitt算子为：

同理根据表1(b)计算垂直边缘模板值取两个模板计算的最大值，赋给图像对应模板中心位置的像素值，作为该像素的新灰度值。

111000-1-1-1

(a)垂直梯度方向，检测水平边缘

-101-101-101

(b)水平梯度方向，检测垂直边缘

表1 Prewitt算子模板

f₁₁f₁₂f₁₃000-f₃₁-f₃₂-f₃₃

表2 Prewitt算子水平边缘模板计算后形式。

本发明的优点：

(1)秦岭金丝猴为中国特有生物，品种珍贵、数量稀少，且其面部很难从背景中分割识别，本发明采用灰色B型关联改进Prewitt算子对秦岭金丝猴图像边缘进行检测，实现了计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测算子的抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。

(2)改进的Prewitt算子计算出的结果相对于传统算子结果更接近于理想值，具有更强的抗噪能力，理由如下：

由公式(7)知改进Prewitt算子公式为其中A，B分别为图像中间隔像素灰度值(0≤A,B≤255且A,B不同时为0)。

不妨设A≥B，且A,B不同时为0则易得：

∵A≥B且A,B不同时为0

∴

∴

同理当B>A，上式依然成立。

综上所述改进Prewitt算子差分结果小于255，故其不会出现计算结果溢出。

假设噪声幅值为△，则加入噪声后，传统的Prewitt算子计算值为f_噪＝|A-B+△|，而不考虑噪声的情况下，f_理想＝|A-B|，则：

而对于加入噪声后的改进算子计算值应为不考虑噪声的理想情况下，则：

故对于同样的噪声幅值，改进的Prewitt算子计算出的结果相对于传统算子结果更接近于理想值，具有更强的抗噪能力。

附图说明

图1为实施例一边缘检测前示意图。

图2为实施例一边缘检测后示意图。

图3为实施例二边缘检测前示意图。

图4为实施例二边缘检测后示意图。

具体实施方式

实施例一

本实例的图像处理以图1，200×221像素的原始图像为例说明本例的实施步骤：

(1)、大小为200×221的图像中某个像素x(i,j)的一个噪声检测3×3窗口为：

建立图像一维数据序列。采用简单的四邻域一维化方法，分别取图像中像素x(i,j)及上、下、左、右四个相邻像素形成一维数据序列{x_i-1,j,x_i+1,j,x_i,j,x_i,j-1,x_i,j+1}。

(2)、确定参考序列和比较序列：

选择如下的参考序列：x₀＝{1,1,1,1,1}，x₁＝{0,0,0,0,0}，比较序列：x_r＝{x_i-1,j,x_i+1,j,x_i,j,x_i,j-1,x_i,j+1}，其中r∈[1,200×221]。

(3)、序列初始化：

x′₀＝x₀，x′₁＝x₁

(4)、计算x'₀与x'_r的初值像对应分量之差的绝对值差序列△'_0r(k)(k＝1,2…5)：

△'_0r(k)＝|x'₀(k)-x'_r(k)|(2)

(5)、分别记：差序列最大值最小值其中k＝1,2…5，实例中获得最小差值m均为0。

(6)、计算关联系数γ_0r(k)，取ζ＝0.5，保证γ_0r(k)∈(0,1]：

(7)、由于各像素点在序列中包含的信息量不同，故确定信息熵H_0r(k)及权重ω_0r(k)(k＝1,2…5)：

式中则有权重为：

(8)、建立两类序列间的灰色B型关联度R_0r。

同理4-8计算得另外两类序列x₁和x_r的灰色关联度R_1r。

本实例中共计算得到权重ω_0r和ω_1r均为130963个值，同时信息熵确保了权重序列的和为1。

(9)、确定关联度阈值θ＝0.55。

(10)、区别噪声点和信号点：令R＝max(R_0r,R_1r)，N为噪声点，S为信号点，若x_ij＝{R_0r≥R_1r}∩{R≥θ}则其属于噪声点N，反之为信号点S。实例中R＝{0.5362，0.5362，0.5247，…，0.5394}共130963个值，其中最小值为0.5147，最大值为0.6619。

(11)、噪声点赋值，完成降噪算法。若x_ij为噪声像素，计算x_ij一阶像素邻域中像素中值M，若M∈S，则用中值M代替当前像素x_ij的值；若M∈N，继续搜索当前x_ij邻域内的非噪声像素。继续移动3×3窗口，直到所有像素遍历完毕。

(12)、对遍历完毕的图像采用3×3卷积模板如表1，其中表1a、b分别为水平模板和垂直模板，将模板内的系数与其对应的图像像素相乘，表1(a)模板相乘后结果为表2所示，令A＝f₁₁+f₁₂+f₁₃，B＝f₃₁+f₃₂+f₃₃，改进的Prewitt算子为：

同理根据表1(b)计算垂直边缘模板值取两个模板计算的最大值，赋给图像对应模板中心位置的像素值，作为该像素的新灰度值。

111000-1-1-1

(a)垂直梯度方向，检测水平边缘

-101-101-101

(b)水平梯度方向，检测垂直边缘

表1 Prewitt算子模板

f₁₁f₁₂f₁₃000-f₃₁-f₃₂-f₃₃

表2 Prewitt算子水平边缘模板计算后形式

最终可得到经过本算法检测后的秦岭金丝猴含噪图形的边缘。如图2所示，计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测算子的抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。

实施例二

本实例的图像处理以图3，169×154像素的原始图像为例说明本例的实施步骤：

(1)、大小为169×154的图像中某个像素x(i,j)的一个噪声检测3×3窗口为：

建立图像一维数据序列。采用简单的四邻域一维化方法，分别取图像中像素x(i,j)及上、下、左、右四个相邻像素形成一维数据序列{x_i-1,j,x_i+1,j,x_i,j,x_i,j-1,x_i,j+1}。

(2)、确定参考序列：x₀＝{1,1,1,1,1}，x₁＝{0,0,0,0,0}，比较序列：x_r＝{x_i-1,j,x_i+1,j,x_i,j,x_i,j-1,x_i,j+1}，其中r∈[1,169×154]。

(3)、序列初始化：

x′₀＝x₀，x′₁＝x₁

(4)、计算x'₀与x'_r的初值像对应分量之差的绝对值差序列△'_0r(k)(k＝1,2…5)：

△'_0r(k)＝|x'₀(k)-x'_r(k)|(2)

(5)、分别记：差序列最大值最小值其中k＝1,2…5，实例中获得最小差值m均为0。

(6)、计算关联系数γ_0r(k)，取ζ＝0.5，以保证γ_0r(k)∈(0,1]。

(7)、由于各像素点在序列中包含的信息量不同，故确定信息熵H_0r(k)及权重ω_0r(k)(k＝1,2…5)：

式中则有权重为：

(8)、建立两类序列间的灰色B型关联度R_0r。

重复4-8计算得另外两类序列间灰色关联度R_1r。

实例中共计算得到权重ω_0r和ω_1r均为76761个值，同时信息熵确保了权重序列的和为1。

(9)、确定关联度阈值θ＝0.57。

(10)、区别噪声点和信号点：令R＝max(R_0r,R_1r)，N为噪声点，S为信号点，若x_ij＝{R_0r≥R_1r}∩{R≥θ}则其属于噪声点N，反之为信号点S。

实例中R＝{0.5714，0.5601，0.5618，…，0.5687}共76761个值，其中最小值为0.5352，最大值为0.6814。

(11)、噪声点赋值，完成降噪算法。若x_ij为噪声像素，计算x_ij一阶像素邻域中像素中值M，若M∈S，则用中值M代替当前像素x_ij的值；若M∈N，继续搜索当前x_ij邻域内的非噪声像素。继续移动3×3窗口，直到所有像素遍历完毕。

(12)、对遍历完毕的图像采用3×3卷积模板如表1，其中表1a、b分别为水平模板和垂直模板，将模板内的系数与其对应的图像像素相乘，表1(a)模板相乘后结果为表2所示，令A＝f₁₁+f₁₂+f₁₃，B＝f₃₁+f₃₂+f₃₃，改进的Prewitt算子为：

同理根据表1(b)计算垂直边缘模板值取两个模板计算的最大值，赋给图像对应模板中心位置的像素值，作为该像素的新灰度值。

111000-1-1-1

(a)垂直梯度方向，检测水平边缘

-101-101-101

(b)水平梯度方向，检测垂直边缘

表1 Prewitt算子模板

f₁₁f₁₂f₁₃000-f₃₁-f₃₂-f₃₃

表2 Prewitt算子水平边缘模板计算后形式

最终可得到经过本算法检测后的秦岭金丝猴含噪图形的边缘。如图4所示，计算颗粒轮廓线清晰，特征与背景对比度较好，增强了边缘检测算子的抗干扰能力，使检测边界精确连续性有明显提高，从而为金丝猴实现分类识别奠定了基础。