法律状态公告日
法律状态信息
法律状态
2018-05-08
授权
授权
2017-11-24
实质审查的生效 IPC(主分类):G06T7/13 申请日:20170602
实质审查的生效
2017-10-27
公开
公开
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{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,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:xr={xi-1,j,xi+1,j,xi,j,xi,j-1,xi,j+1},其中r∈[1,M×N]。
(3)序列初始化:
x′0=x0,x′1=x1
其中xr(1)表示比较序列xr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γ0r(k):
式中ζ为分辨系数,令ζ=0.5,以保证γ0r(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H0r(k)及权重ω0r(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R0r。
同理可计算得另外两类序列x1和xr的灰色关联度R1r。
(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(R0r,R1r),N为噪声点,S为信号点,若xij={R0r≥R1r}∩{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xij为噪声像素,计算xij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xij的值;若M∈N,继续搜索当前xij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。
(a)垂直梯度方向,检测水平边缘
(b)水平梯度方向,检测垂直边缘
表1 Prewitt算子模板
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{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,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:xr={xi-1,j,xi+1,j,xi,j,xi,j-1,xi,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γ0r(k),取ζ=0.5,保证γ0r(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H0r(k)及权重ω0r(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R0r。
同理4-8计算得另外两类序列x1和xr的灰色关联度R1r。
本实例中共计算得到权重ω0r和ω1r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(R0r,R1r),N为噪声点,S为信号点,若xij={R0r≥R1r}∩{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xij为噪声像素,计算xij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xij的值;若M∈N,继续搜索当前xij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。
(a)垂直梯度方向,检测水平边缘
(b)水平梯度方向,检测垂直边缘
表1 Prewitt算子模板
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{xi-1,j,xi+1,j,xi,j,xi,j-1,xi,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:xr={xi-1,j,xi+1,j,xi,j,xi,j-1,xi,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γ0r(k),取ζ=0.5,以保证γ0r(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H0r(k)及权重ω0r(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R0r。
重复4-8计算得另外两类序列间灰色关联度R1r。
实例中共计算得到权重ω0r和ω1r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(R0r,R1r),N为噪声点,S为信号点,若xij={R0r≥R1r}∩{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xij为噪声像素,计算xij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xij的值;若M∈N,继续搜索当前xij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。
(a)垂直梯度方向,检测水平边缘
(b)水平梯度方向,检测垂直边缘
表1 Prewitt算子模板
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。
机译: 基于灰色关联分析的运动检测方法
机译: 基于模糊理论的彩色图像边缘检测方法
机译: 基于模糊理论的彩色图像边缘检测方法