高炉料面图像边缘检测方法及装置的制造方法
【专利摘要】本发明提供了一种高炉料面图像边缘检测方法及装置，该方法包括：对高炉料面图像进行边缘增强处理；从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边缘图像；其中，初步边缘图像包含高炉料面图像的边缘，第一斜边方向与第二斜边方向互相垂直；对初步边缘图像中的高炉料面图像的边缘进行去噪以及平滑化处理，得到高炉料面的最终边缘图像。通过采用分数阶微分算子的方法对边缘进行初步提取，提高了边缘定位的准确性，且本发明还进行平滑与去噪处理，有效提高边缘图像的准确性和清晰度，使最终得到的图像能够达到理想效果，为高炉布料操作提供有力依据。
【专利说明】
高妒料面图像边缘检测方法及装置
技术领域
[0001] 本发明属于图像处理技术领域，特别设及一种高炉料面图像边缘检测方法及装 置。
【背景技术】
[0002] 高炉炼铁是钢铁生产过程中的主要耗能和排放工序，高炉料面形状是调控高炉布 料操作的主要参考依据之一，而高炉料面图像边界则是最能直观反映高炉炉料分布情况的 信息，高炉工长可W通过料面图像的边界来调整布料方位。然而由于高炉内部高溫、高尘、 高速气流、密闭无光等恶劣环境，使得拍摄的高炉料面图像具有对比度不高、图像偏暗、细 节模糊、整个料面轮廓明显等特点，致使高炉料面图像边界提取困难。因此，如何能够高效、 快捷、准确的获取清晰的高炉料面图像边缘检测方法来为高炉实现精准定点布料控制提供 可靠的反馈信息已经成为了一个研究热点。
[0003] 目前，图像边缘检测的方法有很多，包括一阶微分算子方法，例如：SObel算子、 prewiit算子、Canny算子等，W及二阶微分算子算法，例如:Laplace算子、LoG算子等。然而， 每一种边界提取方法应用的对象都具有极强的针对性。对于高炉料面图像而言，采用现有 的运些检测方法在对其进行边界提取时均很难获得平滑、且定位准确的单像素边缘，从而 无法达到理想的边缘检测效果。
【发明内容】
[0004] 本发明的目的是，提供一种能够获得平滑且准确的高炉料面图像的边缘检测方 法。
[0005] 为了达到上述目的，本发明提供了一种高炉料面图像边缘检测方法及装置。
[0006] 第一方面，本发明提供了一种高炉料面图像边缘检测方法，包括：
[0007] 对高炉料面图像进行边缘增强处理；
[000引从水平方向、垂直方向、第一斜边方向W及第二斜边方向四个方向对边缘增强处 理后的高炉料面图像进行分数阶微分算子卷积处理，得到初步边缘图像;其中，所述初步边 缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂直；
[0009] 对所述初步边缘图像中的高炉料面图像的边缘进行平滑化W及去噪处理，得到高 炉料面的最终边缘图像。
[0010] 优选地，所述对高炉料面图像进行边缘增强的步骤包括：
[0011] 增强高炉料面图像的对比度；
[0012] 调整高炉料面图像的饱和度；
[0013] 增强高炉料面图像中的边缘光和高频部分；
[0014] 对高炉料面图像进行高反差保留处理。
[0015] 优选地，所述从水平方向、垂直方向、第一斜边方向W及第二斜边方向四个方向对 边缘增强处理后的高炉料面图像进行分数阶微分算子卷积处理，得到初步边缘图像的步骤 具体包括：
[0016] 基于Sobel算子原理，定义第一斜边方向算子W及第二斜边方向算子，并推出所述 第一斜边方向算子W及第二斜边方向算子的分数阶微分算子；
[0017] 从水平方向、垂直方向、第一斜边方向W及第二斜边方向四个方向对边缘增强后 的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。
[0018] 优选地，所述对所述高炉料面图像的边缘进行平滑化W及去噪处理，得到高炉料 面的最终边缘图像的步骤包括：
[0019] 将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的 二值图像进行开运算；
[0020] 采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高 炉料面的二值图像进行去噪处理；
[0021 ]用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
[0022] 将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯 度幅值为局部梯度极大值的点；
[0023] 对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算 高阔值，从而得到高阔值边缘图像，其中所述高阔值边缘图像中的高炉料面边缘为间断的 边缘，且包含真边缘W及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占 高炉料面边缘的比例；
[0024] 根据所述初步边缘图像，对于所述高阔值边缘图像间断的边缘，在所述初步边缘 图像包含的边缘的八邻点位置上寻找连接高阔值边缘图像轮廓的边缘点，直至所述高阔值 边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像;其 中，所述八邻点为图像上任意一点周围八个邻域的点。
[0025] 优选地，所述第一斜边方向与所述水平方向的夹角为45±5度。
[0026] 第二方面，本发明提供了一种高炉料面图像边缘检测装置，包括：
[0027] 边缘增强单元，用于对高炉料面图像进行边缘增强处理；
[0028] 初步提取单元，用于从水平方向、垂直方向、第一斜边方向W及第二斜边方向四个 方向的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边 缘图像;其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边 方向互相垂直；
[0029] 平滑去噪单元，用于对所述初步边缘图像中的高炉料面图像的边缘进行平滑化W 及去噪处理，得到高炉料面的最终边缘图像。
[0030] 优选地，所述边缘增强单元进一步用于：
[0031] 增强高炉料面图像的对比度；
[0032] 调整高炉料面图像的饱和度；
[0033] 增强高炉料面图像中的边缘光和高频部分；
[0034] 对高炉料面图像进行高反差保留处理。
[0035] 优选地，所述初步提取单元进一步用于：
[0036] 基于Sobel算子原理，定义第一斜边方向算子W及第二斜边方向算子，并推出所述 第一斜边方向算子W及第二斜边方向算子的分数阶微分算子；
[0037] 从水平方向、垂直方向、第一斜边方向W及第二斜边方向四个方向对边缘增强后 的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。
[0038] 优选地，所述平滑去噪单元进一步用于：
[0039] 将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的 二值图像进行开运算；
[0040] 采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高 炉料面的二值图像进行去噪处理；
[0041 ]用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
[0042] 将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯 度幅值为局部梯度极大值的点；
[0043] 对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算 高阔值，从而得到高阔值边缘图像，其中所述高阔值边缘图像中的高炉料面边缘为间断的 边缘，且包含真边缘W及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占 高炉料面边缘的比例；
[0044] 根据所述初步边缘图像，对于所述高阔值边缘图像间断的边缘，在所述初步边缘 图像包含的边缘的八邻点位置上寻找连接高阔值边缘图像轮廓的边缘点，直至所述高阔值 边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像;其 中，所述八邻点为图像上任意一点周围八个邻域的点。
[0045] 优选地，所述第一斜边方向与所述水平方向的夹角为45±5度。
[0046] 本发明提供的高炉料面图像边缘检测方法中，通过从四个方向的分数阶微分算子 对边缘进行初步提取，提高了边缘定位的准确性，且本发明还对初步提取图像进行了平滑 与去噪处理，有效提高了边缘图像的准确性和清晰度，使最终得到的最终边缘图像能够达 到理想的显示效果，为高炉布料操作提供有力依据。
【附图说明】
[0047] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些 示例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据运些附图 获得其他的附图。
[0048] 图1是本发明提供的高炉料面图像边缘检测方法实施例流程图；
[0049] 图2是图1中步骤SlOl方法流程图；
[0050] 图3是图1中步骤S102方法流程图；
[0051 ]图4是本发明提供的分数阶微分推导原理流程图；
[0052] 图5是采用传统基于SOB化算法得到的边缘提取示意图；
[0053] 图6是采用本发明实施例提供的改进型SOB化算法得到的边缘提取示意图；
[0054] 图7是图1中步骤S103方法流程图；
[0055] 图8是本发明实施例提供的高阔值图像示意图；
[0056] 图9是本发明实施例提供的最终边缘图像示意图；
[0057] 图10是采用传统化nny算法得到的边缘图像示意图；
[0058] 图11是本发明提供的高炉料面图像边缘检测装置实施例结构示意图。
【具体实施方式】
[0059] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人在没有作出创造性劳动前提下所获得的所有其他实 施例，都属于本发明保护的范围。
[0060] 第一方面，本发明提供了一种高炉料面图像边缘检测方法实施例，如图1所示，包 括：
[0061] Sioi、对高炉料面图像进行边缘增强处理；
[0062] S102、从水平方向、垂直方向、第一斜边方向W及第二斜边方向四个方向的分数阶 微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边缘图像;其中， 所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂 直；
[0063] S103、对所述初步边缘图像中的高炉料面图像的边缘进行平滑化W及去噪处理， 得到高炉料面的最终边缘图像。
[0064] 本发明实施例提供的高炉料面图像边缘检测方法中，通过从四个方向的分数阶微 分算子对边缘进行初步提取，提高了边缘定位的准确性，且本发明还对初步提取图像进行 了平滑与去噪处理，有效提高了边缘图像的准确性和清晰度，使最终得到的最终边缘图像 能够达到理想的显示效果，为高炉布料操作提供有力依据。
[0065] 在具体实施时，步骤SlOl还可W通过W下方式实现，如图2所示，包括：
[0066] S1011、增强高炉料面图像的对比度；
[0067] 高炉料面图像光源附近亮度较大，其他地方较小，通过改变各灰度区域的波动范 围使对比度增强，使高炉料面轮廓更明显；
[0068] S1012、调整高炉料面图像的饱和度；
[0069] 由于图像的颜色过深，降低图像的颜色饱和度；
[0070] S1013、增强高炉料面图像中的边缘光和高频部分；
[0071] S1014、对高炉料面图像进行高反差保留处理。
[0072] 主要删除图像中颜色变化不大的像素，保留色彩变化较大的部分，使图像中的阴 影消失，边缘像素得W保留，亮调部分更加突出。可W将图像边缘进行强化。在有强烈颜色 转变发生的地方按指定的半径保留边缘细节，并且不显示图像的其余部分。
[0073] 在本实施例中，通过对对高炉图像进行边缘增强后，与原图相比，亮度增大，对比 度增强，边缘信息增强，边界轮廓更清晰，方便后续边界提取。
[0074] 在具体实施时，步骤S102还可W通过W下方式实现，如图3所示，包括：
[0075] S1021、基于Sobel算子原理，定义第一斜边方向算子W及第二斜边方向算子，并推 出所述第一斜边方向算子W及第二斜边方向算子的分数阶微分算子；
[0076] 分数阶微分理论是整数阶微分理论的推广，相比一阶微分和二阶微分能更好的提 升图像边缘和纹理细节信息，能避免噪声的干扰，提高信噪比。近年来分数阶微分被引用到 图像处理方面来解决整数阶微分不能解决的问题。
[0077]分数阶微分的定义没有统一规定，目前有S种，运里只介绍最适合图像处理的G-L 定义，它是根据整数阶微分的定义直接将微分的定义从整数推广到分数，对于任意可微函 数f (X)的n阶微分表达式如下：
[007引
[0079] >数乂，则有V阶微分的 定义：
[0080] (2)
[0081] :都是实数，在数学上， G-L分数阶微分具有有界性、连续性、齐次可加性、满足交换律等。
[0082] 当对图像进行处理时，由于像素间隔为1，所W在[a, t] W单位间隔等分，即h = l， 可W推导出一元信号f(x)的分数阶微分的差分表达式为：
[0083] (3)
[0084] 传统的梯度算子都是整数阶的，虽然边缘检测效果好，但是会丢失一些纹理细节， 抗噪能力差。所W提高图像边缘检测的性能有待提高，根高炉图像的特点，提出了一种基于 Sobel算子原理定义斜边算子并进行分数阶微分推导的边缘检测算法。
[0085] 《基于分数阶微分和Sobel算子的边缘检测新模型》根据Sobel算子推出分数阶微 分算子，最后得到的分数阶微分Sobel算子行、列梯度模板为：
[0086]
[0087]利用该算子对图像进行处理，相对于其他整数阶算子得到的边界图像纹理细节更 多，准确性好，视觉效果更佳。但是边缘存在许多断续现象，运是因为Sobel算子是基于行梯 度模板和列梯度模板来检测边缘的，通过对高炉图像的分析，在135度方向和45度方向上有 料面边缘，所W基于Sobel算子原理定义135度和45度的斜边算子：
[008引
[0089] 运两个算子能检测出135度和45度上的边缘。将上述算用分数阶微分进行改进，推 理过程如图4所示。
[0090] 在处理图像时，135度上的梯度差分形式可表达为：
[0091] (4)
[0092] 巧报吾狱吿公.悠差亲化古巧巧责微亲化古.
[0093]
[0094]
[0095]
[0096]
[0097]
[009引
[0099] (8)
[0100] 利用一元信号f(t)的分数阶微分的差分表达式(3)取其前=项或两项作为近似计 算表达式 (9)
[0101]
[0102]
[0103]
[0104]
[0105]
[0106] S1022、从水平方向、垂直方向、第一斜边方向W及第二斜边方向四个方向对边缘 增强后的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图 像。
[0107] 将S1021步骤中得到的两个模板加上《基于分数阶微分和Sobel算子的边缘检测新 模型》Sobel算子推出来的两个微分模板对图像进行四个方向的卷积，把卷积结果相加初步 得到图像边缘。
[0108] 为了体现本发明的优越性，特利用现有技术中基于Sobel算子的处理方法与本实 施例提供的方法进行对比。基于Sobel算子分数阶微分处理结果如图5所示，改进分数阶微 分处理结果如图6所示。从图5W及图6可W看出本实施例提供的采用改进的分数阶微分的 算法提取的初步边缘的定位精确，且应用灵活，噪声少。
[0109] 在上一实施例的基础上，在具体实施时，步骤S103还可W通过W下方式实施，如图 7所示，包括：
[0110] S1031、将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉 料面的二值图像进行开运算；
[0111] 其中，运里的图像的二值化，就是将图像上的像素点的灰度值设置为0或255,也就 是将整个图像呈现出明显的只有黑和白的视觉效果。运里的开运算在数学上是先腐蚀后膨 胀的结果。开运算的结果为完全删除了不能包含结构元素的对象区域，平滑了对象的轮廓， 断开了狭窄的连接，去掉了细小的突出部分。
[0112] 具体地，在对图像进行滤波之后，用迭代法求阔值分割图像，得到二值图像。通过 观察二值图像，在高炉炉壁区域有由于粉尘引起的亮斑，运对后续的边界提取有影响，所W 先对其进行开运算，它的作用是消除小物体、在纤细点处分离物体、平滑较大物体的边界的 同时并不明显改变其面积，所W通过开运算消除小亮斑，使而图像的边缘变得平滑。
[0113] S1032、采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从 而对高炉料面的二值图像进行去噪处理；
[0114] 采用自适应滤波代替高斯滤波对图像进行滤波，相比高斯滤波，它能在滤除图像 噪声的同时很好地保留图像边缘，能根据局部信息来改变滤波窗口的大小，从而有效地去 噪。具体实现过程如下：
[0115] ①自适应调整滤波窗口，保证窗口内的中值不是噪声。首先确定最大的滤波半径， 然后用一个合适的半径r对图像进行滤波。计算当前滤波半径像素灰度的Imin, Imax, Imed,然 后判断Imed是否在IminW及Imax中间，如果在则向下一步进行，否则扩大当前半径r继续滤波 直到r等于最大滤波半径。
[0116] ②如果当前处理的像素 img(i，j)在IminW及Imax之间，则输出当前像素，否则输出 当前滤波半径中值像素 Imed。
[0117] S1033、用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯 度方向；
[0118] 用一阶偏导的有限差分来计算梯度的幅值和方向。分别求取滤波后幅值平方图像 在X方向和Y方向的梯度巧Of, .V)和(/? (x, _)，），利用一阶差分卷积模板：
[0119]
[0120] ( 10 )
[0121] (U)
[0122] 其中f(x，y)是进过滤波后的图像数据。
[0123] 根据所述梯度巧(X，.的和巧(X，y)计算幅值平方图像的梯度值I A f I与梯度方向角
白：
[0124] ( 12 )
[01 剧 (13)
[01%] 将0-360度梯度方向角归并为4个方向:0度、45度、90度、135度。
[0127] S1034、将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图 像中梯度幅值为局部梯度极大值的点；
[0128] 仅仅得到全局的梯度并不足W确定边缘。为确定边缘，必须保留局部梯度最大的 点，而抑制非极大值，即将非局部极大值点置零W得到细化的边缘。用3x3窗口对梯度图像 在邻域的中屯、像素 M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相 邻像素梯度值大，则令M=0。
[0129] S1035、对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方 图计算高阔值，从而得到高阔值边缘图像，其中所述高阔值边缘图像中的高炉料面边缘为 间断的边缘，且包含真边缘W及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假 边缘占高炉料面边缘的比例；
[0130] 需要说明的是，运里主要采用的改进型化nny算子双阔值算法来进行的。
[0131] 传统化nny算子的双阔值的确定是根据T2>2Ti来估计的，T2-般是人为工设定，当 定得太高时，图像边缘会丢失，当太低时，会检测到图像中由噪声引起的伪边缘，当不同图 像使用相同阔值时，边缘检测效果会很差，不具有普适性。双阔值方法的主要思想是高阔值 T2来连接边缘轮廓，在达到轮廓端点时，在Tl的八邻域内寻找可W连接到轮廓上的边缘，运 样就可W将T2中所有的间隙连接起来。根据分数阶定位精确运一特点，可W用分数阶微分 检测的边缘位置代替低阔值能确定的边缘位置，运样在确定高阔值之后，不需用T2>2Ti来 估计，运样连接边缘时位置更精确，同时能克服分数阶微分单独检测时不平滑的缺点。
[0132] 本发明实施例提供的改进型化nny算子双阔值算法首先利用自适应方法确定高阔 值，具体地：
[0133] 高阔值的确定根据梯度直方图来选择，经过化nny算子的非极大值抑制之后，对梯 度幅值进行统计得到梯度直方图。将梯度直方图中拥有最多像素数的梯度值称为最值梯度 Hmax ,计算全部像素与Hmax的方差,称之为Gmax。
[0134] (14)
[0135] K为像素数不为0的梯度最大值，N为像素总数。Hmax反映了非边缘区域在梯度直方 图分布的中屯、位置，而像素最值梯度方差emax则反映了梯度直方图中梯度分布相对于像素 最值梯度的离散程度，可W认为它们两之和在非边缘区域，所W高阔值的确定按如下公式 计算：
[0136] T2 = Hmax+emax (15)
[0137] 据此，得到的高阔值边缘图像如图8所示。
[0138] S1036、根据所述初步边缘图像，对于所述高阔值边缘图像间断的边缘，在所述初 步边缘图像包含的边缘的八邻点位置上寻找连接高阔值边缘图像轮廓的边缘点，直至所述 高阔值边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图 像;其中，所述八邻点为图像上任意一点周围八个邻域的点。
[0139] 运里主要是基于双阔值算法来进行的。其中双阔值算法对非极大值抑制图象作用 两个阔值低阔值T1和高阔值T2，且2T1 >T2，从而可W得到两个阔值边缘图象Nl [ i，j ]和N2 [i，j]。由于N2[i，j]使用高阔值得到，因而含有很少的假边缘，但有间断(不闭合）。双阔值 法要在N2[i，j]中把边缘连接成轮廓，当到达轮廓的端点时，该算法就在Nl[i，j]的8邻点位 置寻找可W连接到轮廓上的边缘，运样，算法不断地在Nl [ i，j ]中收集边缘，直到将N2 [ i，j ] 连接起来为止。
[0140] 因此，在确定好高阔值之后，按改进的化nny算子计算步骤得到高阔值确定的边缘 图像，然后用分数阶微分确定的边缘位置对高阔值确定的边缘进行连接，得到最终的边缘 检测结果，如图9所示。
[0141] 同样地，为了体现本发明的优越性，本发明还利用传统的化nny算法进行了边缘检 ，如图10所示，可W看出本实施例提供的方法得到的边界更为平滑。
[0142] 因此，本实施例提供的方法通过对化nny算法进行改进，采用自适应中值滤波代替 高斯滤波，在保持图像的边缘信息的同时更好滤除了噪声，采用自适应的方法确定高阔值， 然后用改进的分数阶微分算法对高阔值确定的强像素边缘进行连接，得到了平滑，定位精 确的单像素边缘。
[0143] 在具体实施时，上述实施例中的第一斜边方向与水平方向的夹角为45±5度，优选 地可W为45度，因此第二斜边方向可W为135度。可W理解的是，运里的第一斜边方向W及 第二斜边方向可W根据实际情况而更改，本发明对此不作具体限定。
[0144] 第二方面，本发明提供了一种高炉料面图像边缘检测装置，如图11所示，包括：
[0145] 边缘增强单元1，用于对高炉料面图像进行边缘增强处理；
[0146] 初步提取单元2,用于从水平方向、垂直方向、第一斜边方向W及第二斜边方向四 个方向的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步 边缘图像;其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜 边方向互相垂直；
[0147] 平滑去噪单元3,用于对所述初步边缘图像中的高炉料面图像的边缘进行平滑化 W及去噪处理，得到高炉料面的最终边缘图像。
[0148] 在具体实施时，所述边缘增强单元1进一步用于：
[0149] 增强高炉料面图像的对比度；
[0150] 调整高炉料面图像的饱和度；
[0151] 增强高炉料面图像中的边缘光和高频部分；
[0152] 对高炉料面图像进行高反差保留处理。
[0153] 在具体实施时，所述初步提取单元2进一步用于：
[0154] 基于Sobel算子原理，定义第一斜边方向算子W及第二斜边方向算子，并推出所述 第一斜边方向算子W及第二斜边方向算子的分数阶微分算子；
[0155] 从水平方向、垂直方向、第一斜边方向W及第二斜边方向四个方向对边缘增强后 的高炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。
[0156] 在具体实施时，所述平滑去噪单元3进一步用于：
[0157] 将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的 二值图像进行开运算；
[0158] 采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高 炉料面的二值图像进行去噪处理；
[0159] 用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向；
[0160] 将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯 度幅值为局部梯度极大值的点；
[0161] 对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算 高阔值，从而得到高阔值边缘图像，其中所述高阔值边缘图像中的高炉料面边缘为间断的 边缘，且包含真边缘W及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占 高炉料面边缘的比例；
[0162] 根据所述初步边缘图像，对于所述高阔值边缘图像间断的边缘，在所述初步边缘 图像包含的边缘的八邻点位置上寻找连接高阔值边缘图像轮廓的边缘点，直至所述高阔值 边缘图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像;其 中，所述八邻点为图像上任意一点周围八个邻域的点。
[0163] 在具体实施时，所述第一斜边方向与所述水平方向的夹角为45±5度。
[0164] 由于本实施例所介绍的高炉料面图像边缘检测装置为可W执行本发明实施例中 的高炉料面图像边缘检测方法的装置，故而基于本发明实施例中所介绍的高炉料面图像边 缘检测方法，本领域所属技术人员能够了解本实施例的高炉料面图像边缘检测装置的具体 实施方式W及其各种变化形式，所W在此对于该高炉料面图像边缘检测装置如何实现本发 明实施例中的高炉料面图像边缘检测方法不再详细介绍。只要本领域所属技术人员实施本 发明实施例中高炉料面图像边缘检测方法所采用的装置，都属于本申请所欲保护的范围。
[0165] W上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可 W是或者也可W不是物理上分开的，作为单元显示的部件可W是或者也可W不是物理单 元，即可W位于一个地方，或者也可W分布到多个网络单元上。可W根据实际的需要选择其 中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性 的劳动的情况下，即可W理解并实施。
[0166] 通过W上的实施方式的描述，本领域的技术人员可W清楚地了解到各实施方式可 借助软件加必需的通用硬件平台的方式来实现，当然也可W通过硬件。基于运样的理解，上 述技术方案本质上或者说对现有技术做出贡献的部分可WW软件产品的形式体现出来，该 计算机软件产品可W存储在计算机可读存储介质中，如R0M/RAM、磁碟、光盘等，包括若干指 令用W使得一台计算机设备(可W是个人计算机，服务器，或者网络设备等)执行各个实施 例或者实施例的某些部分所述的方法。
[0167] 应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领 域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中， 不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词"包含"不排除存在未 列在权利要求中的元件或步骤。位于元件之前的单词"一"或"一个"不排除存在多个运样的 元件。本发明可W借助于包括有若干不同元件的硬件W及借助于适当编程的计算机来实 现。在列举了若干装置的单元权利要求中，运些装置中的若干个可W是通过同一个硬件项 来具体体现。单词第一、第二、W及第=等的使用不表示任何顺序。可将运些单词解释为名 称。
[0168] 最后应说明的是：W上实施例仅用W说明本发明的技术方案，而非对其限制;尽管 参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:其依然可 W对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换； 而运些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和 范围。
【主权项】
1. 一种高炉料面图像边缘检测方法，其特征在于，包括： 对高炉料面图像进行边缘增强处理； 从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强处理后 的高炉料面图像进行分数阶微分算子卷积处理，得到初步边缘图像;其中，所述初步边缘图 像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向互相垂直； 对所述初步边缘图像中的高炉料面图像的边缘进行平滑化以及去噪处理，得到高炉料 面的最终边缘图像。2. 如权利要求1所述的方法，其特征在于，所述对高炉料面图像进行边缘增强的步骤包 括： 增强高炉料面图像的对比度； 调整高炉料面图像的饱和度； 增强高炉料面图像中的边缘光和高频部分； 对高炉料面图像进行高反差保留处理。3. 如权利要求1所述的方法，其特征在于，所述从水平方向、垂直方向、第一斜边方向以 及第二斜边方向四个方向对边缘增强处理后的高炉料面图像进行分数阶微分算子卷积处 理，得到初步边缘图像的步骤具体包括： 基于Sobel算子原理，定义第一斜边方向算子以及第二斜边方向算子，并推出所述第一 斜边方向算子以及第二斜边方向算子的分数阶微分算子； 从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强后的高 炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。4. 如权利要求3所述的方法，其特征在于，所述对所述高炉料面图像的边缘进行平滑化 以及去噪处理，得到高炉料面的最终边缘图像的步骤包括： 将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的二值 图像进行开运算； 采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高炉料 面的二值图像进行去噪处理； 用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向； 将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯度幅 值为局部梯度极大值的点； 对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算高阈 值，从而得到高阈值边缘图像，其中所述高阈值边缘图像中的高炉料面边缘为间断的边缘， 且包含真边缘以及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占高炉料 面边缘的比例； 根据所述初步边缘图像，对于所述高阈值边缘图像间断的边缘，在所述初步边缘图像 包含的边缘的八邻点位置上寻找连接高阈值边缘图像轮廓的边缘点，直至所述高阈值边缘 图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像;其中，所 述八邻点为图像上任意一点周围八个邻域的点。5. 如权利要求1-4任一所述的方法，其特征在于，所述第一斜边方向与所述水平方向的 夹角为45±5度。6. -种高炉料面图像边缘检测装置，其特征在于，包括： 边缘增强单元，用于对高炉料面图像进行边缘增强处理； 初步提取单元，用于从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向 的分数阶微分算子对边缘增强处理后的高炉料面图像进行边缘初步提取，得到初步边缘图 像;其中，所述初步边缘图像包含高炉料面图像的边缘，所述第一斜边方向与第二斜边方向 互相垂直； 平滑去噪单元，用于对所述初步边缘图像中的高炉料面图像的边缘进行平滑化以及去 噪处理，得到高炉料面的最终边缘图像。7. 如权利要求6所述的装置，其特征在于，所述边缘增强单元进一步用于： 增强高炉料面图像的对比度； 调整高炉料面图像的饱和度； 增强高炉料面图像中的边缘光和高频部分； 对高炉料面图像进行高反差保留处理。8. 如权利要求6所述的装置，其特征在于，所述初步提取单元进一步用于： 基于Sobel算子原理，定义第一斜边方向算子以及第二斜边方向算子，并推出所述第一 斜边方向算子以及第二斜边方向算子的分数阶微分算子； 从水平方向、垂直方向、第一斜边方向以及第二斜边方向四个方向对边缘增强后的高 炉料面图像通过分数阶微分算子卷积运算进行边缘初步提取，得到初步边缘图像。9. 如权利要求8所述的装置，其特征在于，所述平滑去噪单元进一步用于： 将所述高炉料面图像进行二值化得到高炉料面的二值图像，并对所述高炉料面的二值 图像进行开运算； 采用自适应滤波器对经过开运算之后的高炉料面的二值图像进行滤波，从而对高炉料 面的二值图像进行去噪处理； 用一阶偏导的有限差分计算滤波后高炉料面的二值图像的梯度幅值和梯度方向； 将所述高炉料面的二值图像中的梯度幅值的非局部极大值点置零，保留图像中梯度幅 值为局部梯度极大值的点； 对所述局部梯度极大值的点进行统计得到梯度直方图，根据所述梯度直方图计算高阈 值，从而得到高阈值边缘图像，其中所述高阈值边缘图像中的高炉料面边缘为间断的边缘， 且包含真边缘以及假边缘，所述真边缘占高炉料面边缘的比例远大于所述假边缘占高炉料 面边缘的比例； 根据所述初步边缘图像，对于所述高阈值边缘图像间断的边缘，在所述初步边缘图像 包含的边缘的八邻点位置上寻找连接高阈值边缘图像轮廓的边缘点，直至所述高阈值边缘 图像间断的边缘全部被连接，从而得到边缘曲线平滑且含噪声少的最终边缘图像;其中，所 述八邻点为图像上任意一点周围八个邻域的点。10. 如权利要求6-9任一所述的装置，其特征在于，所述第一斜边方向与所述水平方向 的夹角为45±5度。
【文档编号】G06T7/00GK106023160SQ201610310559
【公开日】2016年10月12日
【申请日】2016年5月11日
【发明人】蒋朝辉, 吴巧群, 桂卫华, 阳春华, 谢永芳, 许天翔, 陈致蓬
【申请人】中南大学