拍摄时光照变化、相机芯片感光因素、 不同芯片之间能量分布等各种因素都会体现在噪声图像上，因此噪声图像的成因一般没有 简单的模型可以得到。边缘提取过程当中，噪声因素会干扰最终的结果。多数图像处理的分 析都将高斯噪声试％!/,为=模型替代噪声图像，通过处理范围内的高斯信 号抑制该区域内的噪声图像。
[0031] -维边缘检测的数据模型是选择二维图像中的一个区域并提取区域范围内的数 据，通过分析数据变化的快慢判断某位置是否为边缘点。一维投影数据来源于二维图像，在 得到有效数据的同时也得到了噪声信号。附图5表示标准的一维边界点模型，边界点在位置 R处。该模型没有受噪声影响，可以不使用滤波操作。使用高斯滤波或其它滤波（如双边滤 波)处理附图5所示的模型时，在图像灰度阶跃处(位置R)会弱化边界点的梯度幅值。
[0032] -维数据生成过程中，在得到有效数据（附图5中R处附近）的同时会带来噪声信 息。传统的滤波操作在平滑噪声区域数据及特征区域数据的同时，降低特征区域梯度强度 并改变特征区域的数据走向。本发明所采用的算法的特点是在每个位置根据数据来源的特 性，决定各位置滤波与否或是滤波的程度。
[0033] 附图6的表示图像在生成一维数据时的步骤，粗线框是设定的检测范围，虚线是测 量线（测量数据采样点），大空心箭头表示投影方向垂直于测量线方向。边界点检测方向和 测量线方向平行。附图6中圆点左侧是强噪声区域，右侧是特征数据伴有弱噪声。本发明所 采用的算法在维持特征信号的前提下，减弱噪声对结果的干扰。测量线上每个点的数据由 检测范围内投影方向上的内容组成，决定滤波强弱及是否滤波的是投影线所处的环境。附 图6中圆点左侧垂直测量线的投影线为噪声区域，且噪声强度较大，需要加强滤波;在圆点 右侧附近是特征数据区域，为保持边界点的准确性，测量线保持原始数据;右侧偏右的弱噪 声区域弱化滤波处理。
[0034] -维投影数据来源于二维图像，如同图像模型表示为1(1)=汽1)+1!(^(^)。(^是测 量线上各点的噪声标准方差，由测量线上投影线范围内计算得到。噪声方差的估计值按照 统计方法直接得到。本发明所采用的算法流程如下：
[0035] (1)提取测量线方向数据；
[0036] (2)投影线范围内测量线局部噪声尺度计算；
[0037] (3)测量线上局部尺度的滤波操作。
[0038]附图7是测量线投影数据曲线示意图，附图8是一维测量线的数据不同处理方式结 果示意图，其中附图8中的点线即为附图7的曲线，虚线是全局滤波方式，实线是局部尺度滤 波方式，滤波方法是双边滤波。局部尺度滤波在噪声波动强烈范围内较大尺度的平滑处理 原始数据，在噪声较小区域或是无噪声范围内能更大程度的保持处理结果相对原始数据不 变。
[0039]尺度滤波处理后的数据后期利用一阶导数操作，选择| f g fT设定为边界点。数 据经过滤波操作降低噪声区的一阶导数幅值，更便于剔除噪声信号。
[0040] -维数据的边缘点检测
[0041] 边缘点的定义是灰度变化强烈的位置，如附图5的R坐标处。边缘滤波算法主要分 为一阶滤波和二阶滤波算法。一阶滤波算法的判断标准是选择梯度幅值极大值的位置，如 sobel算法ei= | f *h | i= | f*!/ | i;二阶滤波算法是选择导数过零点位置，如Laplace算法pi =产扑=押1//，其中11是滤波函数，如高斯函数。当边界点的模糊程度较大时，一阶导数方式 或二阶导数方法很难得到准确的单一边缘点信息。局部尺度的一阶算法及二阶算法能够针 对不同模糊程度的边缘位置使用合适的尺度数值，得到单一准确数值。
[0042]高斯信号的一阶导数为甙(a巧）=y劣(a灼 度阈值计算方法如下。设参数αΡ为逐点意义数据，<^为全局意义数据，两者关系为αΡ=1-(1-町严，设定 αι = 0.05，η是图像尺寸。此外需使用命题1:假设一个线性变化 定义域的方差，线性变化的方差为Sl= | |L| |2Sn。设概率分布函数pu，V = f(U)，得到如下概 率公式：
[0043]
(1)
[0044] 图像噪声设定为高斯噪声，标准方差为Sn，
[0045]
(2)
[0046] 其中si = I |gi(x，〇i| |2sn(上述命题1设定）。由公式（1奸(11)=112，推导并得公式 ：
[0047]
[0048]
(4)
[0049] 积分结果如下：
[0050]
(5)
[0051] 为保证αρ的阈值，设定积分下限值C1，该值满足如下等式：
[0052]
(6)
[0053] 其中 si = | | gi (X，σι) | 12，'以· ·《?/◎▽念},αΡ = 2.0 X 10-7，得到如下等式:
[0054]
〇)
[0055] 式(7)的图像噪声信号方差&由图像内容计算，模糊信号方差(〇1)为未知数。计算 一阶导数时也需要使用模糊信号方差。在应用中，为计算满足下列条件的模糊信号方差，在 系列参数中枚举匹配符合要求数据。
[0056] iaf : -r|M αι} > ?ri. € L2,4>8, li} +(8)
[0057] 同理，二阶导数的局部尺度数值使用上述方式计算得到，其中02 =
[0058] 拟合内点及噪声点分割与筛选
[0059]集合Ρ: ={Pi I Pi: = (Xi，yi)}是待拟合的点集，拟合模型（如直线ax-by+c = 0，圆（X-a)2+(y_b)2 = r2)参数为# (H…為)，.点集在函数变化后的误差为：
[0060] n = (9)
[0061] 其中F( ·)是拟合函数相关的用来计算误差的函数。后期需要对误差集合{|Γι I } 从小到大排序。
[0062] 设定内点分割尺度(比例)参数s，所有符合下面表达式的都属于内点集合：
[0063] 丨 ^ < 忍 (10)
[0064]阈值参数E设置为2.5能包含98%的符合高斯模型误差的内点。
[0065] 参数?$?是第J次拟合参数（θ〇的第i个绝对误差，￥是内点个数，尺度参数可以用 迭代邱介尺度估计（Iterative Scale K Estimation，ISKE)
[0066]
(.1.:1)
[0067]其中β'，?是高斯密度函数的正态分布累积函数;K是一个预设定的固定参数，数 值和输入点集的噪声信号相关，在〇到1之间，式（11)的关键是如何估计内点个数V。迭代Κ 阶尺度估计的算法设定V的初始值等于输入点集的势，根据s的特性迭代计算尺度数值，直 至得到收敛的尺度数值。集合表示第J次拟合参数的第t次迭代，该集合收敛 且单调递减，迭代K阶尺度估计算法描述如下所示：
[0068]
[0069] K值的选择与输入点集合的特性有关:噪声点的比率较高时，设置较小K值;反之， 设置较大的数据。默认Κ值设置为0.1。当该值设置较小时，存在原本属于内点的数据被分割 到噪声集合的可能性。在得到内点集合后，针对噪声集合中的数据进一