一种基于算法学习的边缘提取方法技术

本发明专利技术提出了一种基于算法学习的边缘提取方法，涉及图像处理领域。本发明专利技术为了克服现有技术在高噪声环境下边缘提取不完整，或无法提取出图像纹理边缘信息的缺点，采取先录入目标图像的相似图像进行像素纹理匹配，依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰，并根据上述鉴别结果对目标图像进行滤波处理；然后对目标图像进行细节强化，背景弱化处理；最后计算像素梯度幅值，做非极大值抑制处理，提取边缘信息，实现了在高噪声且无先验知识情况下，能够通过算法学习对图像进行预处理，克服高噪声的影响，完整的提取出图像边缘信息，克服传统算子边缘提取不完整、不连续和缺口等问题。

An edge extraction method based on algorithm learning

【技术实现步骤摘要】
一种基于算法学习的边缘提取方法
本专利技术涉及图像处理
，特别是一种基于算法学习的边缘提取方法。
技术介绍
随着人工智能的兴起，数字图像处理的应用也越来越广泛。其中，图像边缘提取直接影响图像处理结果的好坏，如人脸定位，车牌定位，文字识别等等。图像边缘提取目的，是将图像中目标信息与背景信息进行分离处理，降低实际工程的复杂度，提高信息处理效率。因此，边缘提取的研究意义巨大。目前，对于边缘提取算法，许多学者提出了不同的方法，在图像处理过程中常用到的边缘提取算法有利用一阶偏导的Sobel算子、Prewitt算子，利用二阶偏导的Log算子，Canny算子。张宁波等人提出基于图论的边缘提取方法，将图像看作无向图，再将所有权值的均值确定为阈值。任克强等人提出融合模糊增强的改进Canny算子，通过构造分段模糊隶属度函数对高低灰度进行不同处理的方法来提取图像边缘，能有效的实现边缘细化的目的。但目前的现有技术对于噪声较高的图像的边缘提取效果不理想，容易出现抖动、不完整、干扰过大等缺点。
技术实现思路
本专利技术的目的在于克服现有技术在高噪声环境下边缘提取不完整，或无法提取出图像纹理边缘信息的缺点，提供一种基于算法学习的边缘提取方法，通过算法学习对图像进行预处理，克服高噪声的影响。为了实现上述专利技术目的，本专利技术提供了以下技术方案：一种基于算法学习的边缘提取方法，包括以下步骤：S100、录入目标图像的相似图像进行像素纹理匹配，依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰，并根据上述鉴别结果对目标图像进行滤波处理；S200、对目标图像进行细节强化，背景弱化处理；S300、计算像素梯度幅值，做非极大值抑制处理，提取边缘信息。其中，对计算出的值做非极大值抑制处理，目的是细化边缘上的像素点。边缘提取的原理是对图像中相邻两个像素点的值变化较大的点，将较大值的像素点作为轮廓的边缘点，以完成边缘提取过程。优选的，所述S100步骤包括：S101、录入目标图像的系列相似图像，筛选出与所述目标图像最相似的图像；S102、将相似图像R分成若干碎片，计算出相似图像各碎片的特征向量U和特征值Λ；S103、根据特征向量U和特征值Λ数据分别匹配出所述相似图像中与所述目标图像的各部分最相似的碎片对所述目标图像进行滤波。优选的，所述S101步骤具体为：给出待滤波图像，将若干幅相似图像记作A＝[A1，A2，···，Ak]∈Rm×n，其中，k为正整数，R表示由相似图像构成的向量矩阵，m、n分别表示矩阵的行和列，相似图像y的线性表示为：y＝Ax0+z式中，x0表示系数向量，只有当相似图像与待滤波图像相关时x0系数才有值，其余项无关项x0系数都为零，并且z∈Rm是一个能量有界的噪声项满足||z||2＜ε；为了降低待滤波图像A线性表示相似图像y∈Rm的计算复杂度，采用正则化最小二乘法化解，表达式如下：式中，λ为正则化参数，x为系数向量，对式上可解析推导为:式中，I表示单位矩阵，令P＝(ATA+λ·I)-1AT,则可将上表达为可以看出P与y无关，在给定测试样本y时，通过Py将y映射到P上求出协同表示分类器的快速特性就是由P决定的；再计算出正则化系数的残差：协同表示分类器最终输出结果如下所示：identity(y)＝argmin{r(y)}根据计算结果，相似图像与待滤波图像残差值最小的那幅图像为与待滤波图像最相似的图像。优选的，所述S102步骤包括筛选过程，所述筛选过程加入了对角权重矩阵；其中空间形状自适应性由权重W1∈R决定，碎片相似性强度由权重W2∈R决定，满足表达式：subjecttoUTU＝I其中，1，2表示群稀疏度的度量，P为图像碎片；令W1＝I，其中，η表示归一化常数，h表示稀疏度衰变参数；最终筛选碎片的特征分解结果满足：[U,S]＝eig(PPT)其中，U表示特征向量矩阵，S表示特征值矩阵。优选的，所述特征向量U表示各个碎片的特征向量，满足正交条件UTU＝I以及U＝(u1,···,uk)∈R，其中I为单位矩阵，特征值Λ满足其中S表示特征值矩阵，σ为噪声标准差；所述特征值矩阵Λ，由各相似碎片的特征向量值λi组成，λi的表达式满足：其中，p表示图像细节初始估计值，k为正整数。优选的，所述细节强化的过程满足公式：其中，x表示目标图像内的灰度值，y表示局部均匀稀疏处理后目标图像内的灰度值，M、N分别表示目标图像的行与列，L表示灰度级个数，nj表示像素占所有像素的比例，k为正整数。优选的，所述背景弱化的过程满足其中pz表示细节特征强化后的目标图像，是局部均匀稀疏处理前的目标图像整体变量F(x)，是局部均匀稀疏处理后的目标图像整体变量F(y)。优选的，所述像素梯度幅值M(x,y)满足其极大值θ(x,y)满足其中，Gx、Gy表达式如下：pz(x,y)表示边缘提取图像中某一点像素值。一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。与现有技术相比，本专利技术的有益效果：本专利技术通过在滤波过程前先录入相似图像，进行算法学习，依照相似图像与目标图像相互对比，来鉴别目标图像各个像素是否属于噪声的干扰，并以此为基础进行滤波、强化细节图像以及边缘提取，实现了在高噪声且无先验知识情况下，完整提取出图像边缘信息，能够减小滤除噪声时的错误概率，最大限度的去除噪声的干扰，克服了传统算子边缘提取不完整、不连续和缺口，直接滤波不能将噪声完全去除，也避免对目标图像细节纹理造成二次污染的问题。同时，本专利技术通过录入大量相似图像进行筛选从而选获得一张最相似的图的方式，极大的避免了人为选择的影响，使相似图像更加接近目标图像，满足本专利技术的需求。附图说明图1为本专利技术实施例1中所述的一种基于算法学习的边缘提取方法流程图。图2为本专利技术实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-无噪声图像的边缘提取的效果图中的原图。图3为本专利技术实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Sobel算子进行无噪声图像的边缘提取的效果图。图4为本专利技术实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Robers算子进行无噪声图像的边缘提取的效果图。图5为本专利技术实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Prewitt算子进行无噪声图像的边缘提取的效果图。图6为本专利技术实施例1中所述的一种基于算法学习的边缘提取方法的对比试验-采用Log算子进行无噪声图像的边缘提取的效果图。图7为本专利技术实施例1中本文档来自技高网...

【技术保护点】
1.一种基于算法学习的边缘提取方法，其特征在于，包括：/nS100、录入目标图像的相似图像进行像素纹理匹配，依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰，并根据上述鉴别结果对目标图像进行滤波处理；/nS200、对目标图像进行细节强化，背景弱化处理；/nS300、计算像素梯度幅值，做非极大值抑制处理，提取边缘信息。/n

【技术特征摘要】
1.一种基于算法学习的边缘提取方法，其特征在于，包括：
S100、录入目标图像的相似图像进行像素纹理匹配，依照相似图像与目标图像相互对比来鉴别目标图像各个像素是否属于噪声的干扰，并根据上述鉴别结果对目标图像进行滤波处理；
S200、对目标图像进行细节强化，背景弱化处理；
S300、计算像素梯度幅值，做非极大值抑制处理，提取边缘信息。


2.根据权利要求1所述的一种基于算法学习的边缘提取方法，其特征在于：所述S100步骤包括：
S101、录入目标图像的系列相似图像，筛选出与所述目标图像最相似的图像；
S102、将筛选出的相似图像R分成若干碎片，计算出相似图像各碎片的特征向量U和特征值Λ；
S103、根据特征向量U和特征值Λ数据分别匹配出所述相似图像中与所述目标图像的各部分最相似的碎片对所述目标图像进行滤波。


3.根据权利要求2所述的一种基于算法学习的边缘提取方法，其特征在于：所述S101步骤具体为：
给出待滤波图像，将若干幅相似图像记作A＝[A1，A2，···，Ak]∈Rm×n，其中，k为正整数，R表示由相似图像构成的向量矩阵，m、n分别表示矩阵的行和列，相似图像y的线性表示为：
y＝Ax0+z
式中，x0表示系数向量，z∈Rm是一个能量有界的噪声项满足||z||2＜ε；采用正则化最小二乘法化解，表达式如下：



式中，λ为正则化参数，x为系数向量，对式上可解析推导为:



式中，I表示单位矩阵，令P＝(ATA+λ·I)-1AT,则可将上表达为可以看出P与y无关，在给定测试样本y时，通过Py将y映射到P上求出协同表示分类器的快速特性就是由P决定的；
再计算出正则化系数的残差：



协同表示分类器最终输出结果如下所示：
identity(y)＝argmin{r(y)}
根据计算结果，相似图像与待滤波图像残差值最小的那幅图像为与待滤波图像最相似的图像。


4.根据权利要求2所述的一种基于算法学习的边缘提取方法，其特征在于：所述S102步骤包括筛选过程，所述筛...

【专利技术属性】
技术研发人员：林国军，董林鹭，熊兴中，陈明举，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：四川;51