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与流程

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。技术实现要素：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。111000-1-1-1(a)垂直梯度方向，检测水平边缘-101-101-101(b)水平梯度方向，检测垂直边缘表1prewitt算子模板f11f12f13000-f31-f32-f33表2prewitt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。111000-1-1-1(a)垂直梯度方向，检测水平边缘-101-101-101(b)水平梯度方向，检测垂直边缘表1prewitt算子模板f11f12f13000-f31-f32-f33表2prewitt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。111000-1-1-1(a)垂直梯度方向，检测水平边缘-101-101-101(b)水平梯度方向，检测垂直边缘表1prewitt算子模板f11f12f13000-f31-f32-f33表2prewitt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。当前第1页12