一种基于计算机视觉的图像模糊边缘信息分割方法

摘要

本发明公开了一种基于计算机视觉的图像模糊边缘信息分割方法，属于图像处理技术领域，具体如下首先对图像进行去噪处理，对去噪处理后的图像进行锐化处理，提取出图像模糊边缘信息特征；通过设计超像素网格来对图像模糊边缘信息特征的像素进行匹配，分析图像模糊边缘的反调张量信息，来对多阈值进行归一化处理，将其处理结果分别覆盖在图中的单一目标对象上，进而实现对图像模糊边缘信息分割。本发明所提方法分割效果较好，完成时间较短、准确率较高。

说明书

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于计算机视觉的图像模糊边缘信息分割方法。

背景技术

近年来，计算机视觉技术的快速进步，对目标图像边缘信息分割的准确度的要求也越来越高，图像分割的主要原因为了能够更好的获取目标信息，但是因为有光照、噪声等干扰条件的出现，导致图像模糊边缘信息分割已经成为计算机视觉技术发展中最主要的难点。

很多专家学者们也对其进行了研究，并提出了很多关于图像模糊边缘信息分割的方法。例如基于近邻传播分类的图像模糊边缘信息分割方法。该方法根据图像内部所有像素点之间的相似度，考虑到图像模糊边缘信息色彩差异对像素点造成的影响，引入像素点邻近位置信息来构建图像模糊边缘信息相似度矩阵，增加分类的内聚性，以此来完成对图像模糊边缘信息分割。该方法具有一定的分割效果，但是分割完成时间较长。

基于小波变换的图像模糊边缘信息分割方法。该方法利用最大类间方差法来找到最好的分割阈值，以这个阈值对图像模糊边缘信息进行分割。该方法具有一定的分割效率，但是分割效果不是很理想。

基于超像素和K聚类的图像模糊边缘信息分割方法。该方法采用简单的分类方式来对图像模糊边缘信息进行多个超像素区域的分类，对比各个区域之间特征的相似性，通过K聚类方法来对分割过的区域进行合并，实现图像模糊边缘信息的有效分割。该方法具有较好的分割效果，但是分割准确率较高。

发明内容

本发明所要解决的技术问题是：针对上述问题，提出基于计算机视觉的图像模糊边缘信息分割方法。实验结果表明，所提方法对图像模糊边缘信息分割具有较好的分割效果，并且分割完成时间较短，准确率较高。

本发明为解决上述技术问题采用以下技术方案：

一种基于计算机视觉的图像模糊边缘信息分割方法，具体包含如下步骤；

步骤1，对原始图像进行去噪处理；

步骤2，对去噪处理后的图像进行锐化处理，提取出图像模糊边缘信息特征；

步骤3，通过设计超像素网格来对图像模糊边缘信息特征的像素进行匹配，分析图像模糊边缘的反调张量信息；

步骤4，对多阈值进行归一化处理，将其处理结果分别覆盖在图中的单一目标对象上，完成对图像模糊边缘信息的分割。

作为本发明一种基于计算机视觉的图像模糊边缘信息分割方法的进一步优选方案，在步骤1中，采用均值滤波法来对图像中的噪声进行抑制，具体如下：

设f(i,j)是一幅待进行平滑的原始图像，且它的平滑窗口W，其中,W＝(2N+1)×(2N+1)，其中N取正整数，则平滑处理后的图像g(i,j)，表达式具体如下：

其中，w

利用下式给出3×3的均值滤波器表达式：

则这个模板所对应的计算为：

则加权滤波器为：

利用均值滤波方法可快速的去除图像中的噪声，并且图像噪声抑制的效果较好。

作为本发明一种基于计算机视觉的图像模糊边缘信息分割方法的进一步优选方案，在步骤2中，对去噪处理后的图像进行锐化处理，具体如下：

步骤2.1，利用一阶差分来定义微分算子，对于一个一元函数f(t)，,给出一阶微分算子的表达式：

对于一个二元函数f(x，y)，公式(6)将利用梯度来进行实现的，这是图像f(x，y)在坐标(x，y)上的梯度将由二维向量来进行表示的，其表达式：

给出一个二维图像f(x，y)的拉普拉斯微分算子的表达式：

将公式(10)代入到公式(9)可得：

将公式(11)变换成图像处理运算的模块的形式，则：

公式(12)给出了在图像在九十度旋转下的各向同性，如果还要进一步的考虑到图像对角线方向的问题，则利用公式(13)给出两个变形的拉普拉斯算子为：

设原始图像用f(x,y)来表示，处理后的图像用g(x,y)来表示，利用公式(14)来给出两者之间的关系表达式：

则利用运算模板形式为：

利用上述方法得到的锐化后的图像。

作为本发明一种基于计算机视觉的图像模糊边缘信息分割方法的进一步优选方案，在步骤2中，图像模糊边缘信息提取，具体如下：

利用高斯函

f

式中，*是代表两个图像函数之间正在进行二维卷积计算，则：

其中，δ代表高斯分布的方差，将其看成是平滑因子，对图像进行平滑处理后得到的新的图像在利用拉普拉斯算子进行卷积计算，可得：

利用公式(18)可提取出图像模糊边缘信息。

作为本发明一种基于计算机视觉的图像模糊边缘信息分割方法的进一步优选方案，其特征在于：所述步骤3具体如下：

步骤3.1，构建图像模糊边缘信息的张量测量模型，设图像用G＝(V,E)来表示，将它分割成两个不想交的集合A和B，并且两者之间为A∪B＝V，A∩B＝φ，利用二阶二维张量来对图像中的所有像素点的颜色信息进行描述，利用公式(19)给出用2×2来表示的二维张量表达式：

式中，T代表图像中所有像素点颜色信息转换矩阵；

步骤3.2，在图像模糊边缘信息分割的过程中，设

s≤t→κ

lim

lim

式中，κ

步骤3.3，将引入图像多阈值归一化的方，来提高图像模糊边缘信息分割的能力：

用

对图像中随意一个像素(x,y)∈E，它关于结构元素的阈值分布范围。

根据权利要求1所述的一种基于计算机视觉的图像模糊边缘信息分割方法，其特征在于：在步骤4中，图像模糊边缘信息分割具体如下：

将图像进行阈值归一化分割的不一样阈值范围差异设成是Dif(C

将目标图像按照从左到右，从高到低的顺序以此的进行分割，用t(x)来代表透射率的估计值，因为A>0，利用公式(25)得到图像的归一化约束条件为：

式中，A代表调节参数；

设灰度图像f，对随意图像像素(x,y)，通过平结构元素来确定局部邻域用B(x,y)来表示，对图像中像素点的张量信息的目前相位进行求偏导，通过计算得到图像相位加权u

在时域上的平移b

设定图像的差拍控制领域表达式为：

式中，θ

H(X)＝lim

利用灰度窗口相关系数匹配方法[24-25]，来得到的超像素只覆盖图像中一个比较单一的目标对象，利用公式(29)给出复原图像模糊边缘融合特征为：

以公式(29)为基础，采用基准特征提取方法来对得到的图像张量形态学分割算子进行定义：

利用公式(30)来实现对图像模糊边缘信息的分割。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)对图像中噪声进行去噪处理，对去噪处理后的图像进行锐化处理，提取出图像模糊边缘信息特征。

(2)通过设计超像素网格来对图像模糊边缘信息特征的像素进行匹配，分析图像模糊边缘的反调张量信息，根据不一样的信息来对多阈值进行归一化处理，将其处理结果分别覆盖在图中的单一目标对象上，以此来实现对图像模糊边缘信息分割。

(3)实验结果表明，所提方法分割效果较好，完成时间较短、准确率较高。

附图说明

图1是图像模糊边缘信息分割的张量模型；

图2是多阈值分布范围；

图3是不同方法去噪后的效果对比实验示意图，其中，(a)为原始图像；(b)噪声图像；(c)为所提方法去噪后效果图；(d)为基于近邻传播分类的图像模糊边缘信息分割方法去噪后效果图；(e)为基于超像素和K聚类的图像模糊边缘信息分割方法去噪后的效果图；

图4是不同方法分割效果图对比实验示意图；其中，(a)为样本图像，(b)为基于近邻传播分类的图像模糊边缘信息分割方法分割效果图，(c)为所提方法分割效果图；

图5不同方法图像模糊边缘信息分割准确率对比实验。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

随着图像处理在民用和商用领域的广泛应用，图像分割在视频监控、虚拟现实(VR)等领域起到日益重要的作用，也面临着更高的要求。本发明提出基于计算机视觉的图像模糊边缘信息分割方法。实验结果表明，所提方法对图像模糊边缘信息分割具有较好的分割效果，并且分割完成时间较短，准确率较高，具体实施方式如下：

一种基于计算机视觉的图像模糊边缘信息分割方法，具体包含如下步骤；

步骤1，对原始图像进行去噪处理；

步骤2，对去噪处理后的图像进行锐化处理，提取出图像模糊边缘信息特征；

步骤3，通过设计超像素网格来对图像模糊边缘信息特征的像素进行匹配，分析图像模糊边缘的反调张量信息；

步骤4，对多阈值进行归一化处理，将其处理结果分别覆盖在图中的单一目标对象上，完成对图像模糊边缘信息的分割。

本发明对图像模糊边缘信息分割具有较好的分割效果，并且分割完成时间较短，准确率较高，具体如下：

图像噪声抑制：

在通常情况下，在图像获取的过程中，由于摄像机等电子设备的抖动或者是操作水平的影响，都会导致获取的图像中存在一定的噪声，图像中的噪声会妨碍人们对图像的视觉感知。

图像中存在的噪声，一般分为两种情况，一种情况是目标图像像素中所存在的全部噪声的幅值都是相同的，但是这些噪声在目标图像中所出现的位置都是随机出现的，没有明确的规律，我们可以将它统称为椒盐噪声；另一种情况是目标图像中全部像素点中都存在噪声，并且这些噪声的幅值都是不定时出现的，通过噪声幅值的大小我们可以将其称为高斯噪声和瑞利噪声[5-6]。

本发明将采用均值滤波法来对图像中的噪声进行抑制，均值滤波法就是一种可以利用加权均值来代表原始图像中的全部像素值，在图像中所有像素，选取一个中心位置，用这个位置区域内的所有像素灰度的加权平均值来代替这个像素的灰度值。

选择一个方形区域，将它当成是一个平滑窗口，而且它是一个权值的二维矩阵，在整个目标图像噪声抑制的过程中，它主要是通过这个窗口在图像上进行平行滑动，但是这个窗口的中心一定要对应着像素，并且通过公式(1)来更新它的灰度值，当图像中所有的像素点都经过扫描一次后，则这幅图像的平滑处理就已经完成了。

假设，f(i,j)是一幅等待进行平滑的图像，它的平滑窗口W的大小用(2N+1)×(2N+1)来表示，利用公式(1)给出，平滑处理后的图像表达式：

式中，w

这时，公式(1)中就只有分子项。所以目标图像中所有模板像素都必须要除以一个系数，对目标图像像素进行归一化。

一般情况下，当平滑窗口越大，则它对图像的平滑效果就越好[7]，但是，图像中的噪声的去除程度和窗口的大小之间是呈现成正比的关系，为此也不完全就是平滑窗口越大就越好。在日常实际操作中一般经常使用3×3窗口大小，利用公式(3)给出3×3的均值滤波器表达式：

这个模板所对应的计算为：

经常使用的加权滤波器为：

利用均值滤波方法可以快速的去除图像中的噪声，并且图像噪声抑制的效果较好。图像的锐化处理：

对去噪后的目标图像进行锐化处理的主要目的就是突出图像中的细节，一般情况下，图像的锐化都是为后续图像模糊边缘信息提取奠定基础。

图像中的画面细节是指它的灰度变化情况，可以将这种变化情况的数学方式通过微分算子来进行表示，一阶微分和二阶微分它们两个都可以很好的对目标图像细节进行增强，一般情况下，采用一阶微分得到的目标图像边缘信息都比较粗，而二阶微分得到的目标图像边缘信息都比较细[8-9]。

在以前处理图像数据时，所提供的数据都是离散的，幅值都是受限制的，它发生的最短距离都只是发生在邻近的两个图像像素之间的，所以本发明将利用一阶差分来定义微分算子，对于一个一元函数f(t)，利用下式给出一阶微分算子的表达式：

对于一个二元函数f(x，y)，公式(6)将利用梯度来进行实现的，这是图像f(x，y)在坐标(x，y)上的梯度将由二维向量来进行表示的，其表达式：

在一个向量中存在方向的度量，为了能够更好的度量出目标图像灰度的变化，就必须要建立一个向量和数量之间的映射关系，当它们之间的映射关系不一样时，则它所对应图像处理的一阶微分算子也就不一样的[10]。

相对于一阶微分算子，二阶微分算子有着比它更加敏感的特征的，利用它得到的图像细节将比一阶微分算子得到的细节要多很多，尤其是对一些斜坡中的细节。最简单的各向同性算子则是拉普拉斯算子，利用公式(8)给出一个二维图像f(x，y)的拉普拉斯微分算子的表达式：

将公式(10)代入到公式(9)可得：

将公式(11)变换成图像处理运算的模块的形式，则：

公式(12)给出了在图像在九十度旋转下的各向同性，如果还要进一步的考虑到图像对角线方向的问题，则利用公式(13)给出两个变形的拉普拉斯算子为：

因为该算子它也是一种微分算子，所以它主要用来体现图像中灰度的突然变化情况和降低图像灰度慢变换的区域，将原始图像与拉普拉斯处理过的图像叠加在一起可以有效的保护拉普拉斯算子对图像的锐化效果，而且还可以恢复图像的背景信息[11]。

假设，原始图像用f(x,y)来表示，处理后的图像用g(x,y)来表示，利用公式(14)来给出两者之间的关系表达式：

利用运算模板形式为：

利用上述方法得到的锐化后的图像，图像表面纹理比原始图像纹理更加清晰。

图像模糊边缘信息提取：

Canny算子是一个检测图像模糊边缘信息的最好的滤波器，可以说成是对图像噪声抑制和图像模糊边缘信息检测两个方面来综合考虑所设计的，它主要通过高斯函数对目标图像进行处理，在利用拉普拉斯算子，通过二阶倒数的过零点来提取出图像模糊边缘信息[12-13]。

利用高斯函

f

式中，*是代表两个图像函数之间正在进行二维卷积计算，则：

上述中的δ代表高斯分布的方差，可以将其看成是平滑因子。对图像进行平滑处理后得到的新的图像在利用拉普拉斯算子进行卷积计算[14]，可得：

利用公式(18)可以提取出图像模糊边缘信息。

边缘信息分割方法

在进行图像模糊边缘信息分割之前，要先构建图像模糊边缘信息的张量测量模型，图像的张量是指在一些向量空间上的多线性函数[15]，假设，图像用G＝(V,E)来表示，将它分割成两个不想交的集合A和B，并且两者之间为A∪B＝V，A∩B＝φ，利用二阶二维张量来对图像中的所有像素点的颜色信息进行描述，利用公式(19)给出用2×2来表示的二维张量表达式：

式中，T代表图像中所有像素点颜色信息转换矩阵。在图像模糊边缘信息分割的过程中，假设，

s≤t→κ

lim

lim

式中，κ

在上述张量空间的基础上，为了能够更好的实现图像模糊边缘信息的分割，本发明将引入图像多阈值归一化的方法[16-18]，来提高图像模糊边缘信息分割的能力。

假设，用

对图像中随意一个像素(x,y)∈E，它关于结构元素的阈值分布范围如图2所示。

在图2中，将图像进行阈值归一化分割的不一样阈值范围差异设成是Dif(C

结合上述图1和图2，将目标图像按照从左到右，从高到低的顺序以此的进行分割，用t(x)来代表透射率的估计值，因为A>0，利用公式(25)得到图像的归一化约束条件为：

式中，A代表调节参数。通过上式可以看出，根据图2给出的图像像素匹配窗口内找到一个干扰向量，利用多阈值归一化的标准[23]，来提高图像模糊边缘信息分割的质量，为下一步进行图像模糊边缘信息分割的性能提升奠定了一定的基础。

假设，灰度图像f，对随意图像像素(x,y)，通过平结构元素来确定局部邻域用B(x,y)来表示，对图像中像素点的张量信息的目前相位进行求偏导，通过计算得到图像相位加权u

设定图像的差拍控制领域表达式为：

式中，θ

H(X)＝lim

利用灰度窗口相关系数匹配方法[24-25]，来得到的超像素只覆盖图像中一个比较单一的目标对象，利用公式(29)给出复原图像模糊边缘融合特征为：

以公式(29)为基础，采用基准特征提取方法来对得到的图像张量形态学分割算子进行定义：

利用公式(30)来实现对图像模糊边缘信息的分割。

为了验证所提基于计算机视觉的图像模糊边缘信息分割方法的综合有效性，需要进行一次仿真实验，实验环境为VS2008编程，计算机硬件配置为Intel Core i5-28702.1GHz CPU为8G内存，实验在Matlab2011b平台上进行。

随机选取一个含有噪声的图像，分别利用所提方法和基于近邻传播分类的图像模糊边缘信息分割方法与基于超像素和K聚类的图像模糊边缘信息分割方法对其进行去噪效果对比实验，实验结果如图3所示。

分析图3可知，所提方法、基于近邻传播分类的图像模糊边缘信息分割方法和基于方法的去噪效果图中，基于超像素和K聚类的图像模糊边缘信息分割方法的去噪效果图3(e)中不仅剩下的噪声最多，并且去噪后得到的图像清晰度也最低；而基于近邻传播分类的图像模糊边缘信息分割方法的去噪效果图和所提方法去噪效果图相比，所剩下的噪声也比较多，去噪后的图像模糊程度还是比较高。通过图3中的图3(c)、图3(d)、图3(e)可见、3种方法的去噪效果图中，所提方法的去噪效果图中的噪声最少，并且去噪后的图像也最清晰，验证了上述理论证明的可行性，所提方法具有较好的去噪效果。

将所提方法与基于近邻传播分类的图像模糊边缘信息分割方法和基于超像素和K聚类的图像模糊边缘信息分割方法进行图像模糊边缘信息分割效果对比实验，实验结果如图4所示，

通过对比图4(b)和图4(c)可以看出，所提方法进行图像模糊边缘信息分割，能够更好的反映出图像模糊边缘信息的轮廓特征，使图像模糊边缘具有更好的连通性和宽度的一致性；而基于近邻传播分类的图像模糊边缘信息分割方法不能较好的反映出图像模糊边缘特征。通过对比可知，所提方法在对图像模糊边缘信息进行分割借助张量计算来更加准确的度量出图像各个像素之间的关系，在图像模糊边缘信息分割中具有一定的应用性能。

将所提方法与基于近邻传播分类的图像模糊边缘信息分割方法和基于超像素和K聚类的图像模糊边缘信息分割方法进行图像模糊边缘信息分割完成时间(s)对比实验，实验结果如表1所示，表1中，方法1代表所提方法；方法2代表基于近邻传播分类的图像模糊边缘信息分割方法；方法3代表基于超像素和K聚类的图像模糊边缘信息分割方法。

表1

分析表1可知，3种方法在实验次数相同时，所提方法图像模糊边缘信息分割完成时间明显低于基于近邻传播分类的图像模糊边缘信息分割方法和基于超像素和K聚类的图像模糊边缘信息分割方法昂发图像模糊边缘信息分割完成时间，说明所提方法具有较高的图像模糊边缘信息分割效率，可广泛的应用。

将所提方法与基于近邻传播分类的图像模糊边缘信息分割方法和基于超像素和K聚类的图像模糊边缘信息分割方法进行图像模糊边缘信息分割准确率(％)对比实验，实验结果如图5所示。图5中，A代表所提方法；B代表基于近邻传播分类的图像模糊边缘信息分割方法；C代表基于超像素和K聚类的图像模糊边缘信息分割方法。

分析图5可以看出，3种方法都随着实现次数的不断增加，图像模糊边缘信息分割的准确率都发生一定的变化。当实验次数从10个增加到80个时，所提方法图像模糊边缘信息分割的准确率大约在86％～70％区间范围内进行上下浮动；当实验次数从10个增加到80个时，基于近邻传播分类的图像模糊边缘信息分割方法图像模糊边缘信息分割的准确率大约在80％～55％区间范围内进行上下浮动；当实验次数从10个增加到80个时，基于超像素和K聚类的图像模糊边缘信息分割方法图像模糊边缘信息分割的准确率大约在68％～52％区间范围内进行上下浮动。通过对比可知，所提方法图像模糊边缘信息分割准确率明显高于基于近邻传播分类的图像模糊边缘信息分割方法和基于超像素和K聚类的图像模糊边缘信息分割方法图像模糊边缘信息分割准确率，具有一定的应用价值。

本发明对图像模糊边缘信息分割方法进行了研究，分析了传统方法中的不足，提出基于计算机视觉的图像模糊边缘信息分割方法。

(1)对图像中噪声进行去噪处理，对去噪处理后的图像进行锐化处理，提取出图像模糊边缘信息特征。

(2)通过设计超像素网格来对图像模糊边缘信息特征的像素进行匹配，分析图像模糊边缘的反调张量信息，根据不一样的信息来对多阈值进行归一化处理，将其处理结果分别覆盖在图中的单一目标对象上，以此来实现对图像模糊边缘信息分割。

(3)实验结果表明，所提方法分割效果较好，完成时间较短、准确率较高。

以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下本发明的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。上面对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。