一种基于Sobel算子和网格的彩色图像边缘检测方法

一种基于Sobel算子和网格的彩色图像边缘检测方法AColorEdgeDetectionBasedonSobelOperatorandGrid摘要:文章提出了一种基于Sobel算子和网格的二尺度彩色图像边缘检测方法.该方法将图像划分成预先设定大小的网格，在两个尺度上对图像进行分析，完成图像的边缘检测。首先用Sobel算子求得图像边缘，依据网格内含有边缘像素的数目以及连通情况将不同的网格分别处理。然后以网格为数据单元，在较大尺度上运用Sobel算子得到图像边缘。最后通过设定数据的优先级和使用形态学的方法合并两次计算边缘的结果。该方法充分考虑到了图像当中可能出现的各种复杂情况，从两个尺度分割图像，弥补了单一方法的不足，提高了分割的正确率。关键词:边缘检测网格形态学SobelAbstractAcoloredgedetectionapproachbasedonSobeloperatorandgridispresentedinthispaper.Themethoddividestheoriginalimageintogridsofcertainsize.Thenfinishtheedgedetectionoftheimageattwodifferentsizes.ThefirststepistouseSobeloperatortodetectedgesoftheoriginalimageanddealingwiththegridsaccordingtoedgepixelsandtheconnectconditionsineachgrid.Thengridsarechoseasdatacells.ThenSobeloperatorisusedagaintodetectedgeinlargerscale.Finally,bysettingdataprioritiesandusingmorphologicalmethods,thetworesultsarecombined.Thecomplicatecasesthatanimagemayhaveareconsideredinthismethod.Besides,itdealswiththeimageattwodifferentscales,soitisbetterthanjustusesinglemannerandhasgotbettersimulationresults.Keywords:edgedetectiongridmorphologySobel

1引言图像分割是图像分析和模式识别的第一步,它是图像分析和模式识别重要和基本的一个组成部分,是图像处理中难度最大的部分之一,决定了最终分析结果的质量。彩色图像是客观世界更准确的描述，能够提供比灰度图像更多的信息，并且随着计算机处理能力的快速提高，彩色图像处理的硬件条件成熟，彩色图像分割受到了人们更多的关注。边缘检测是图像分割中的一种重要方法,但目前主要是针对灰度图像。本文提出了一种针对彩色图像的二尺度边缘检测方法,通过Sobel算子和网格分析的方法有效地提取了图像当中的边缘像素，较单一尺度边缘检测利用了图像当中更多的信息，提高了检测的正确率。2方法介绍色彩是人们对于红，绿，蓝三基色混合后的感官感受，彩色空间的选取对于彩色图像的处理至关重要，本文选用HSV彩色空间。最常用的面向硬设备的彩色空间模型是RGB模型，用R、G、B三分量的值来表示颜色，但是R、G、B三分量之间常有很高的相关性，直接利用这些分量常常不能得到理想的效果。为了降低彩色特征空间中各个特征分量之间的相关性，以及为了使所选的特征空间更方便于边缘检测方法的具体应用,实际上常需要将RGB图像变换到其他的彩色特征空间中去。在本文中采用了HSV空间。HSV(色度、饱和度、亮度)空间比较接近人对颜色的视觉感知，其中V表示颜色的明暗程度"主要受光源强弱影响，H表示不同颜色，而S表示颜色的纯度。注意到HSV模型有两个重要的事实作为基础，首先V分量与彩色信息无关，其次H和S分量与人感受彩色的方式紧密相连。HSV空间比较直观并且符合人的视觉特性，这些特点使得HSV模型非常适合基于人眼视觉特性的彩色图像处理。从RGB到HSV空间的转换公式为：Sobel算子是通过求梯度得到图像边缘的典型方法,在一般情况下,用Sobel算子得到的图像边缘连续性较差，一种解决方法是寻找邻近的其它断点，根据断点处梯度的相似性将它们连接起来，这种方法带有一定的猜测成分，没有充分利用图像提供的信息。另外可以通过调整梯度处理的阈值来增加边缘,但这引入了很多不必要的边缘点,且对噪声十分敏感。针对以上问题，本文提出了一种利用网格的边缘检测方法，主要分成以下5个步骤：将原始图像转换到HSV彩色空间并使用Sobel算子得到边缘；分析网格图的边缘像素，将网格分类；按顺序处理各类网格；将原图进行插值缩放，再次使用Sobel算子得到更大尺度的边缘；合成两种尺度的边缘并显示。下面分别详细介绍：首先将原始图像（一般为JPEG格式）转换到HSV彩色空间，按照设定大小（这里设置为5个像素宽的方格）划分成网格。彩色图像信息包含于三个分量之中，人们一般将其区分为亮度信息和色度信息，本文在HSV空间中对亮度和色度分量分别采用Sobel算子以检测图像中的物体边缘，注意到色度分量为二维特征,令其为一复数，Sobel算子中的阈值参数仅针对模值。用或运算对亮度和色度边缘图像合并得到初始检测边缘，记为sobel图1。将网格分类。考虑到图像中可能出现如下的3种情况：网格有边缘穿过，网格内含有较少的边缘像素且非边缘像素相互连通，网格内由于含有纹理而产生较多的边缘像素。把网格分成对应的3类，即内部均匀的网格、含有边界的网格和含有纹理的网格。这里采用如下的规则：设n为网格内含有的边缘像素数目，n1、no、n2为预先设定的域值且0<n1<no<n2.n<n1,判断网格为内部均匀的。n的值在n1、n2之间，当非边缘像素连通（这里指在4邻域内连通）时，若n<=no,且边缘像素不连通(8邻域内),认为网格为内部均匀的，否则判断网格含有纹理；当非边缘像素不连通时，判断网格含有边缘。n>n2,判断网格含有纹理。在（1）中得到的sobel图1中处理已分类的网格：A.保留含有边缘的网格。当已经判断网格含有边缘时，说明网格被某条边界穿过或者网格内的边缘像素闭合成环。B.擦除内部均匀的网格和含有纹理的网格内的边缘像素。此步骤主要是为了排除噪声的干扰。C.。将sobel图1缩小到原来的1/5大小，则原图中的网格将对应小图中的像素，若网格含有纹理，小图中对应像素取1，否则取0。再通过双三次插值放大到原图大小并二值化。这样含有纹理的区域的边缘就被平滑。最后再用Sobel算子求得纹理区域边缘并与步骤B的结果作或运算，得到sobel图2。将原始图像缩小到原来的1/5大小，再次使用（1）中的方法求得边缘图像sobel图3。这里考虑到在步骤(1)中检测到的边缘更加精确,在合成结果时应优先采用步骤(1)中检测到的边缘，所以预先作如下处理：若与sobel图3中的边缘像素对应的sobel图2中的网格是内部均匀的，就保留sobel图3中的该边缘像素，否则去除该边缘像素。对结果再经过插值放大后二值化得sobel图4。合成两种尺度下的边缘检测结果。对步骤（3）和（4）得到的结果sobel图2和sobel图4作或运算，然后用形态学取骨架的方法处理结果，得到最终的边缘检测图。由于在步骤(4)中的处理，sobel图4是对sobel图2的补充，将两图作或运算不会影响sobel图2中的边缘信息。可以直观地看到，合成后的边缘图像是粗细不同的边缘连接在一起的。为了便于分析，需要将较粗的边缘细化。采用形态学取骨架的处理之后，图像的边缘就均匀了。3、实验结果从实验结果不难看出，在初始边缘检测结果(边缘图像)中，原始图像模糊的部分边缘像素的连续性较差。在更大尺度上检测到的边缘(网格补充边缘图像)是对初始检测结果的有效补充。这种补充是建立在利用图像信息基础上的，并且因为尺度较大，在补充边缘信息的同时，有效地抑制了噪声的干扰。

4、结论本文提出了一种结合Sobel算子和网格的2尺度彩色图像边缘检测方法。二尺度的边缘检测弥补了单一尺度边缘检测法不能识别缓慢变化和纹理区域边界的不足有效地延伸了图像中的有用边界，抑制了噪声的干扰。其中还用到了插值缩放和形态学的方法，更加充分地利用了图像信息，提高了边缘检测的正确率。

参考文献[1]IrisV,IoannisP,HichemS.Multiscalegradientwatershedsofcolorimages[J].IEEETransactionsonImageProcessing2003,12(6):617~626.[2]AmoldM,WilkinsonMH.Acomparisonofalgorithmsforconnectedsetopeningsandclosings[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2002,24(4):484~494.[3]章毓晋.图像处理[M].北京：清华大学出版社,2006.[4]侯志强，韩崇昭，左东广，等．基于局部多结构元素数学形态学的灰度图像边缘检测算法[J]．西安交通大学学报，2003，37(4)：439~440．[5]龙翔,金德琨,敬忠良,王安.运动图像多