一种子像素级阶跃边缘快速提取方法技术

本发明专利技术属于机器视觉及相关图像处理技术，涉及对图像边缘提取方法的改进。本发明专利技术的步骤是：对原图像进行平滑滤波处理；搜索阶跃边缘的稳态灰度最大值的边界点Ｐ↓［ｓ］和最小值的边界点Ｐ↓［ｅ］；计算边缘模型参数的初始值ａ↓［０］，ｂ↓［０］，ｃ↓［０］；计算ａ，ｂ，ｃ的最优值，确定阶跃边缘。本发明专利技术模型参数初值选取简单，阶跃边缘提取速度快、鲁棒性强、精度高。

【技术实现步骤摘要】

本专利技术属于机器视觉及相关图像处理技术，涉及对图像边缘提取方法的改进。
技术介绍
图像最基本的特征是边缘，所谓边缘是指图像中像素灰度有阶跃变化或屋顶状变化的那些像素的集合，它存在于目标与背景、目标与目标、区域与区域之间，并与图像亮度或图像亮度的一阶导数的不连续性有关，从而表现为阶跃边缘和线条边缘。阶跃边缘表现为图像亮度在不连续处的两边的象素灰度值有着明显的差异，这种差异从视觉上表观为图像从亮场景过渡到暗背景，或从亮背景过渡到暗场景。对于机器视觉及相关图像处理，像素级阶跃边缘提取还不能满足要求。阶跃边缘提取的精度直接影响机器视觉及相关图像处理的准确程度，因此子像素级的阶跃边缘提取在很多场合是很有必要的。目前，子像素级阶跃边缘提取方法主要有两类一类是在像素级阶跃边缘的一定区域进行内插，如曲线拟合或曲面拟合，并以曲线或曲面一阶导的极值位置作为阶跃边缘的准确位置。为了得到子像素级精度，曲线或曲面模型参数的估计采用非线性优化方法，由于初值选择比较困难，非线性优化过程较长，且精度受到一定的限制。子像素级阶跃边缘提取的另一类方法是先对原始图像进行一阶求导，使其变成线条边缘，然后再计算像素级线条边缘区域的一阶矩或Hessian矩阵，来实现子像素级的边缘提取。这两类方法的共同缺点是计算较为繁琐，图像处理的速度慢，不适于机器视觉及相关图像处理的快速实时要求。
技术实现思路
本专利技术的目的是针对现有方法存在的不足，提出，进一步提高机器视觉及相关图像处理的实时性。本专利技术的技术方案是，其特征在于，阶跃边缘轮廓模型定义为 y=a1+ex-bσ+c---]]>提取子像素级阶跃边缘的步骤如下(1)使用Gauss卷积核对原图像进行平滑滤波处理；(2)从上到下、从左到右按行/列扫描图像，若当前扫描点的灰度值比此前扫描点的灰度值的下降幅度＞30，则当前点即为阶跃边缘的稳态灰度最大值边界点Ps；然后在Ps点之后继续扫描，若当前扫描点的灰度值比此前扫描点的灰度值的变化幅度＜5，则当前点即为阶跃边缘的稳态灰度最小值的边界点Pe，灰度值的取值范围为0～255，于是有Ps点的灰度值ys和横坐标xs，Pe点的灰度值ye和横坐标xe满足下式ys＝ymax，xs＝xminye＝ymin，xe＝xmax(3)计算边缘模型参数的初始值a0，b0，c0；按照下式计算得到a、b和c的初始值分别为a0＝ymax-ymin＝ys-yeb0＝(xmax+xmin)/2＝(xs+xe)/2 c0＝ymin＝ye(4)计算a，b，c的最优值，确定阶跃边缘，其步骤为①在点Ps和Pe所在的行或列之间按行或列搜索灰度值ye≤yi≤ys的点Pi(xi，yi)，i＝1，2，…，m，其中m为搜索到的点的个数，m≥3；②由式，令f(x,y)=y-a1+ex-bσ-c---]]>取目标优化函数为下式minΣi=1mf2(xi,yi)---]]>③把点Pi(xi，yi)，i＝1，2，…，m带入式，得到一个超定的关于a，b，c的非线性方程组。利用Levenberg-Marquardt非线性优化算法求出a，b，c的最优值；则点x＝b，y=a2+c]]>即为阶跃边缘点的位置。本专利技术的优点是模型参数初值选取简单，阶跃边缘提取速度快、鲁棒性强、精度高。附图说明图1是阶跃边缘轮廓模型示意图。图2是本专利技术方法阶跃边缘提取仿真实验示意图。图3是使用本专利技术方法进行边缘提取实例的示意图。具体实施例方式下面对本专利技术做进一步详细说明。阶跃边缘轮廓模型函数如图1。根据阶跃边缘形状，阶跃边缘轮廓模型可定义为y=-a1+ex-bσ+c---]]>其中a，b，c为位置参数，σ表示方差。三个参数的几何意义为a代表边缘的高度，即曲线的最大稳态值和最小稳态值之间的差值；b代表边缘的对称中心位置的横坐标；c代表边缘的基值，即曲线的最小稳态值。提出这一模型的依据是，这一数学函数是关于x＝b点反对称，这一特点与阶跃边缘的轮廓特点相吻合。模型参数估计。a，b，c参数的估计采用非线性优化方法。要保证非线性优化方法收敛到全局最优点，参数的初值的选择是很关键的环节。(1)初始值的选取。由于前面提出的阶跃边缘模型参数具有明显的几何意义，所以使得参数初值的选取变得简单。首先做理论分析，根据模型即式有ymax=limx→-∞,y=a+c,ymin=limx→∞,y=c---]]>所以可得到a和c的初始值a0＝ymax-ymin，c0＝ymin。由模型看出，显然x＝b，y=a2+c]]>是阶跃边缘的对称中心，所以b的初始值可选b0＝(xmax+xmin)/2， 其中的xmax、xmin分别为阶跃边缘的稳态灰度最小值边界点和最大值边界点对应的横坐标。根据模型即式，阶跃边缘点定义在阶跃边缘梯度值最大的点，该点是一阶导数最大值点，二阶导数过零点，即y″＝0，解得边缘点在x＝b处。实际图像是按行扫描离散化成二维数字图像，用0～255之间的数字表示图像每一个点的灰度(亮度)值。在实际操作时，提取子像素级阶跃边缘的步骤如下(1)使用Gauss卷积核对原图像进行平滑滤波处理。(参见马颂德，张正友编著，《计算机视觉—计算理论与算法基础》，北京科学出版社，1998.)(2)从上到下(从左到右)按行(列)扫描图像，若当前扫描点的灰度值(取值范围为0～255)比此前扫描点的灰度值有明显下降时(下降值＞30)，则当前点即为阶跃边缘的稳态灰度最大值边界点Ps；然后在Ps点之后继续扫描，若当前扫描点的灰度值比此前扫描点的灰度值没有明显的变化(变化值＜5)，则当前点即为阶跃边缘的稳态灰度最小值的边界点Pe。于是有Ps点的灰度值ys和横坐标xs，Pe点的灰度值ye和横坐标xe满足下式ys＝ymax，xs＝xminye＝ymin，xe＝xmax(3)计算边缘模型参数的初始值a0，b0，c0；按照下式计算得到a、b和c的初始值分别为a0＝ymax-ymin＝ys-yeb0＝(xmax+xmin)/2＝(xs+xe)/2 c0＝ymin＝ye(4)计算a，b，c的最优值，确定阶跃边缘，其步骤为①在点Ps和Pe所在的行或列之间按行或列搜索灰度值ye≤y≤ys的点Pi(xi，yi)，i＝1，2，…，m，其中m为搜索到的点的个数，m≥3；②由式，令f(x,y)=y-a1+ex-bσ-c---]]>取目标优化函数为下式minΣi=1mf2(xi,yi)---]]>③把点Pi(xi，yi)，i＝1，2，…，m带入式(10)，得到一个超定的关于a，b，c的非线性方程组。利用Levenberg-Marquardt非线性优化算法求出a，b，c的最优值；则点x＝b，y=a2+c]]>即为阶跃边缘点的位置。仿真实验。对本专利技术基于阶跃边缘轮廓模型的边缘提取方法边进行了仿真实验，步骤如下(1)产生一个理想阶跃信号，其理想阶跃边缘点为B＝1.50，如图2(a)。(2)用高斯函数平滑该阶跃信号，使之近似于一个现实世界的本文档来自技高网...

【技术保护点】
一种子像素级阶跃边缘快速提取方法，其特征在于，阶跃边缘轮廓模型定义为：＊＊＊［１］提取子像素级阶跃边缘的步骤如下：（１）使用Ｇａｕｓｓ卷积核对原图像进行平滑滤波处理；（２）从上到下、从左到右按行／列扫描图 像，若当前扫描点的灰度值比此前扫描点的灰度值的下降幅度＞３０，则当前点即为阶跃边缘的稳态灰度最大值边界点Ｐ↓［ｓ］；然后在Ｐ↓［ｓ］点之后继续扫描，若当前扫描点的灰度值比此前扫描点的灰度值的变化幅度＜５，则当前点即为阶跃边缘的稳态灰度最小值的边界点Ｐ↓［ｅ］，灰度值的取值范围为０～２５５，于是有Ｐ↓［ｓ］点的灰度值ｙ↓［ｓ］和横坐标ｘ↓［ｓ］，Ｐ↓［ｓ］点的灰度值ｙ↓［ｅ］和横坐标ｘ↓［ｅ］满足下式：ｙ↓［ｓ］＝ｙ↓［ｍａｘ］，ｘ↓［ｓ］＝ｘ↓［ｍｉｎ］ｙ↓［ ｅ］＝ｙ↓［ｍｉｎ］，ｘ↓［ｅ］＝ｘ↓［ｍａｘ］［５］（３）计算边缘模型参数的初始值ａ↓［０］，ｂ↓［０］，ｃ↓［０］；按照下式计算得到ａ、ｂ和ｃ的初始值分别为：ａ↓［０］＝ｙ↓［ｍａｘ］－ｙ↓［ｍｉｎ］＝ｙ↓［ｓ］－ｙ ↓［ｅ］［６］ｂ↓［０］＝（ｘ↓［ｍａｘ］＋ｘ↓［ｍｉｎ］）／２＝（ｘ↓［ｓ］＋ｘ↓［ｅ］）／２［７］ｃ↓［０］＝ｙ↓［ｍｉｎ］＝ｙ↓［ｅ］［８］（４）计算ａ，ｂ，ｃ的最优值，确定阶跃边缘，其步骤为： ①在点Ｐ↓［ｓ］和Ｐ↓［ｅ］所在的行或列之间按行或列搜索灰度值ｙ↓［ｅ］≤ｙ↓［ｉ］≤ｙ↓［ｓ］的点Ｐ↓［ｉ］（ｘ↓［ｉ］，ｙ↓［ｉ］），ｉ＝１，２，…，ｍ，其中ｍ为搜索到的点的个数，ｍ≥３；②由式［１］，令＊＊＊［ ９］取目标优化函数为下式：ｍｉｎ＊ｆ↑［２］（ｘ↓［ｉ］，ｙ↓［ｉ］）［１０］③把点Ｐ↓［ｉ］（ｘ↓［ｉ］，ｙ↓［ｉ］），ｉ＝１，２，…，ｍ带入式［１０］，得到一个超定的关于ａ，ｂ，ｃ的非线性方程组。利用Ｌｅｖｅｎｂｅｒ ｇ－Ｍａｒｑｕａｒｄｔ非线性优化算法求出ａ，ｂ，ｃ的最优值；则点ｘ＝ｂ，ｙ＝ａ／２＋ｃ即为阶跃边缘点的位置。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张广军，贺俊吉，魏振忠，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]