一种改进的基于Otsu的Canny自适应边缘提取方法与流程

本发明涉及数字图像处理领域，具体涉及一种改进的基于otsu的canny自适应边缘提取方法。

背景技术：

canny边缘检测法是一种常用的图像边缘检测方法，其具有定位精度高、信噪比高以及单边缘响应等优点，因此得到了广泛的应用。

但传统的canny边缘检测法进行边缘检测时，需要根据检测图像的具体情况手动设置高低阈值，在实际应用中通常是采用试凑法对高低阈值不断进行调整直至得到理想的边缘图像，一旦被测物体或者环境有变化，需要重新调整参数。这种方法效率低下，难以实现自动实时地检测。

otsu也称为最大类间方差法，广泛应用于图像分割中，主要思想是遍历寻找一个将数据集分割为两类的阈值，若某一阈值使得这两个类之间的方差达到最大值，则该阈值即为最佳分割阈值。将otsu的思想应用于canny中，可实现canny的高低阈值自适应选取，但传统的采用otsu确定canny高低阈值方法耗时较长，难以满足实时性要求。

技术实现要素：

针对上述问题，本发明提供一种改进的基于otsu的canny自适应边缘提取方法，可以实现自动地、实时地、准确地确定canny的高低阈值，从而实现图像边缘的自适应提取，可以应用于需要快速自动提取图像边缘的场合。

为实现上述目的，本发明的技术方案是：

一种改进的基于otsu的canny自适应边缘提取方法，包括以下步骤：

(1)采用某一降采样比对原图像进行降采样；

(2)对降采样后的图像采用otsu法进行高、低阈值的粗计算，在进行粗计算时，按某一压缩比对梯度幅值级进行压缩，得到高、低阈值后进行等倍放大，由此得到高阈值的估计值th′和低阈值的估计值tl′；

(3)最后在原图尺度上根据估计值采用otsu进行高、低阈值的精确计算，得到高阈值的精确值th和低阈值的精确值tl；

(4)根据高低阈值精确计算的结果在原图像上进行canny边缘提取。

本方案中所述步骤(1)中以某一降采样比对原图像进行降采样，其目的是减少计算高低阈值所用的时间，图像的分辨率越大，包含的像素点数越多，则计算量越大，耗时越长；当图像尺寸在一定范围发生改变时，各类像素点所占比例通常不会发生剧烈的变化，因此可以通过对原始图像进行降采样，在低分辨率的图片上用otsu法计算其高低阈值的初始值，从而提高计算效率。

进一步地，所述步骤(1)中的降采样比为r，且r>1，若原图像分辨率为a×b，则降采样后的图片分辨率为(a/r)×(b/r)。

进一步地，所述降采样比r与降采样后的图像分辨率及耗时成反比，即降采样比r越大，降采样后的图像分辨率越低，耗时也就越少。

进一步地，所述步骤(2)中的压缩比为r，且r>1，通过以某一压缩比r(r>1)压缩梯度幅值级，从而进一步提高算法效率。

进一步地，所述步骤(2)中的高低阈值粗计算具体包括以下步骤：

(21)设降采样后的图像为g，其总像素数为n′，压缩后的梯度幅值级为[0,m′]，此时图像g总的梯度幅值范围为[t0′,tm′]，梯度幅值tl和th将该梯度幅值范围分为三个类；

(22)若梯度幅值为ti的像素数为ni，则该梯度幅值的像素频率为：

(23)计算步骤(21)所述三个类各自的像素数占图像总像素数的比例分别为：

(24)计算步骤(21)所述三个类的平均梯度幅值和图像总的平均梯度幅值分别为：

(25)定义类间方差为：

δ＝w1(u1-u)²+w2(u2-u)²+w3(u3-u)²；(9)

(26)当δ取得最大值时第h和第l级对应的梯度幅值th和tl即为最佳阈值，根据式(10)和式(11)可得到粗计算的高阈值的估计值th′和低阈值的估计值tl′的结果：

th′＝r·th(10)

tl′＝r·tl。(11)

本方案中由于图像的分辨率已经发生改变，因此计算得到的高低阈值只是估计值，同时，在求取类间方差最大值时，需要遍历每一个梯度幅值级，梯度幅值级越多则计算量越大，若能减少梯度幅值级，则能够较大程度地提高计算效率。

进一步地，所述步骤(21)中的三个类分别为[t0′,tl-1]、[tl,th]和[th,tm′]。

进一步地，所述步骤(3)中在原图尺度上采用otsu进行高低阈值的精确计算时，根据粗计算得到的高阈值的估计值th′和低阈值的估计值tl′的左右邻域[th′±δth]和[tl′±δtl]确定高阈值的精确值th和低阈值的精确值tl，可大大减少不必要的遍历时间，从而提高高低阈值的计算速度。

进一步地，所述步骤(4)中进行canny边缘提取时，将步骤(3)得到的高阈值的精确值th和低阈值的精确值tl作为canny的高阈值和低阈值进行边缘点的筛选，从而提取出最终的图像边缘。

相比现有技术，本发明通过降采样及压缩梯度幅值级提高了算法的效率，能够准确且快速地自动计算canny的高低阈值，从而实现图像边缘的实时的自适应提取。

附图说明

图1为本发明实施例的改进的基于otsu的canny自适应边缘提取方法的流程示意图。

图2为采用本发明实施例的改进的基于otsu的canny自适应边缘提取方法得到的边缘检测结果。

具体实施方式

下面通过具体实施例对本发明的目的作进一步详细地描述，实施例不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施例。

如图1所示，一种改进的基于otsu的canny自适应边缘提取方法，具体包括以下步骤：

s1、对分辨率为640×480的原始图像以降采样比r＝4，进行降采样，得到了低分辨率的图像；

s2、对于该降采样得到的低分辨图像，以压缩比r＝4对其梯度幅值级进行压缩，用otsu法进行高、低阈值粗计算，得到高、低阈值后进行等倍放大由此得到高阈值的估计值th′和低阈值的估计值tl′，具体包括以下步骤：

s21、该降采样得到的低分辨图像总像素数为19200，压缩后的梯度幅值级为[0,63]，此时图像g总的梯度幅值范围为[t0′,tm′]，梯度幅值tl和th将该梯度幅值范围分为三个类；

s22、若梯度幅值为ti的像素数为ni，则该梯度幅值的像素频率为：

s23、步骤s21所述三个类各自的像素数占图像总像素数的比例分别为：

s24、步骤s21所述三个类的平均梯度幅值和图像总的平均梯度幅值分别为：

s25、定义类间方差为：

δ＝w1(u1-u)²+w2(u2-u)²+w3(u3-u)²；

s26、当δ取得最大值时第h和第l级对应的梯度幅值59和19即为最佳阈值，由此可得到粗计算的高阈值th′＝236和低阈值tl′＝76；

s3、在原图尺度上在[236±10]和[76±10]采用otsu进行高低阈值的精确计算，得到高阈值的精确值th＝243、低阈值的精确值thtl＝83；

s4、以243和83分别作为canny的高阈值和低阈值进行边缘点的筛选，从而提取出最终的图像边缘如图2所示。

对传统的基于otsu的canny自适应边缘检测方法与本发明进行比较，结果如表1所示。可以看出本发明方法计算出的高低阈值与传统的基于otsu的canny自适应边缘检测方法一致，因此二者在边缘检测的效果方面没有差别，但运行时间却减少了50％以上，因此本发明可以在得到理想的边缘检测效果的同时提高边缘检测的实时性。

表1

本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。