专利名称：一种采用非下采样轮廓波变换的图像边缘检测方法
技术领域：
本发明属于图像处理技术领域，涉及图像边缘检测方法，具体而言是一种借鉴人 眼视觉微动机理，采用非下采样轮廓波变换的图像边缘检测方法。
背景技术：
图像边缘是指其周围像素灰度有阶跃变化和屋顶变化的那些像素的集合，是图像 最基本的特征之一。图像边缘往往携带一幅图像的大部分信息。边缘检测在计算机视觉、 图像处理等应用中起着重要的作用，是图像分析与识别的重要环节，因此图像的边缘检测 一直是人们研究的热门课题。传统的边缘检测方法多数都是在空域中基于一阶或二阶微分算子，如罗伯茨 (Roberts)、索贝尔(Sobel )、拉普拉斯(Laplacian)等微分算子，它们对清晰图像检测效果 较好，但在实际应用中存在着去除噪声影响与边缘准确定位之间的矛盾，存在着误检和漏 检的问题。这是由于微分算子对噪声非常敏感，而噪声和边缘点都具有灰度突变的特性。因 此采用微分算子进行边缘检测，很有可能将噪声点作为边缘点检测出来，或由于受到噪声 干扰而无法将真正的边缘检测出来。1991年，美国学者Carmy J.对传统算法进行了改进， 在边缘检测之前采用高斯平滑去除噪声，并对最终检测得到的弱边缘进行连接以得到较为 完整的边缘。然而，高斯平滑滤波器在去除噪声的同时，会造成边缘模糊和细节信息的丢 失，虽然弱边缘连接考虑到了这一点，保证了边缘的连续性，但最终检测到的边缘会出现抖 动、定位不准现象，且由于残留噪声的影响，会出现较多的边缘毛刺现象。随着小波变换的 兴起，出现了一些基于小波变换的边缘检测方法，它们基本上都是基于小波系数的模极大 值和过零点的方法，但是小波变换只能最优地表示具有点奇异的目标函数，在具有线奇异 的目标检测中细节部分信息丢失得比较严重，难以克服伪检、漏检等检测不准的问题。张悦庭等结合轮廓波变换与小波模极大提出了一种轮廓波变换模极大的边缘检 测方法，得到的边缘较为完整。然而，该方法所需的重构操作和轮廓波的下采样特性会导致 最终的边缘粗大、定位不准。与此同时，基于仿生机理的图像处理方法得到了研究者的青 睐，闫金铭、李言俊等提出了一种仿生机理的空域方法用于红外目标的边缘检测，实验结果 表明了该方法的有效性。然而，该方法可能会同时强化噪声的影响，导致检测的边缘残留噪 声较多。既要提取出图像中的重要边缘，又要抑制不必要的细节和噪声，同时还要获得高 精度的定位，对于单一尺度的边缘检测算子来说是很难做到的。NSCT是一种非下采样的、具有平移不变性的多尺度变换，比较而言，各向异性的轮 廓波基使得NSCT具有刻画图像的线奇异优势，这一点要优于采用小波基的非降采样小波 变换；同时NSCT具有平移不变性，在这一点上又优于轮廓波、Curvelet等多尺度几何分析 方法。因此，NSCT可以提供更为丰富的时域信息和精确的频率局部化信息，各个图像子带 系数中的元素与图像空间域中的像素是一一对应关系，很容易利用NSCT域系数的分布规 律直接检测到图像空间域中的边缘信息，不需要重构等操作。
人眼视觉信息处理具有多层次性和复杂性，国内外研究表明，人眼在观察景物时 处于微动状态，微动有三种模式高频振颤、漂移运动和闪动。在微动情形下将出现微动对 场景图像的调制，将原来静止的场景图对应的视网膜图像调制为动态序列图。人眼微动与 视觉适应性和超分辨存在密切的联系。国内外的专家学者对人眼微动及其机理进行了深入 的研究，当前有以下重要结论1、人眼微动的方向是多变的，上下、左右、前后各个方向均存 在；2、视网膜节细胞的种类很多，并证实已经具备对线条刺激的朝向选择，具有方向性；3、 眼球的运动会产生焦距的变换，进而触发视觉系统的多尺度通道，具有多尺度性。西北工业 大学李言俊等人将人眼微动引入到红外成像制导技术中，取得了大量的研究成果，具有很 好的借鉴意义。基于非下采样轮廓波变换的多尺度、多方向边缘表达优势、定位优势及噪声去除 优势，同时借鉴人眼微动对边缘的强化和定位机理，提出了一种非下采样轮廓波变换域的 图像边缘检测方法。专利检索及对国内外各种科技文献的最新检索表明，尚未有基于人眼 微动机理的非下采样轮廓波域边缘检测方法见诸文献。
发明内容
本发明的目的在于提供一种顾噪声去除和边缘定位准确的采用非下采样轮廓波 变换的图像边缘检测方法。本发明实现上述目的的技术方案是，一种图像边缘检测的方法，其创新点在于对 含噪图像的边缘进行检测的步骤依次为
(1)对含噪图像进行非下采样轮廓波变换对含噪图像进行
/级非下采样轮廓波变换，得到低频子带系数矩阵Q和各尺度上的高频方向子带系数矩 阵qk (1 < j彡J，ι < k )，其中表示尺度,k表示子带方向，G表示尺度j上分解的 方向数；
(2)对步骤(1)得到的低频子带系数矩阵C0和各尺度上的高频方向子带系数矩阵Cj,k 进行微动与边缘强化对低频子带系数矩阵C0及各尺度上的高频方向子带系数矩阵Clk在 0°、45°、90°、135°四个方向上进行1个像素距离的微动，得到低频子带系数矩阵Q3所 对应的4个系数微动矩阵和各尺度上的高频方向子带系数矩阵qk所对应的4个系数微动 矩阵，将低频子带系数矩阵Q所对应的4个系数微动矩阵和低频子带系数矩阵C0相减，得
到低频子带系数矩阵CfD所对应的4个微动变化矩阵，将各尺度上的高频方向子带系数矩阵 Cj,k所对应的4个系数微动矩阵和高频方向子带系数矩阵相减，得到高频方向子带系数 矩阵qk所对应的4个微动变化矩阵，对低频子带系数矩阵Q5所对应的4个微动变化矩阵 和高频方向子带系数矩阵qk所对应的4个微动变化矩阵取模极大值，得到低频子带系数 矩阵Q1和高频方向子带系数矩阵qk所分别对应的强化子带边缘矩阵；
(3)低频去噪对步骤(2)得到的低频子带系数矩阵Q所对应的强化子带边缘矩阵直 接设置小阈值，得到低频子带粗边缘4(4)高频去噪对步骤(2)得到的各尺度上的高频方向子带系数矩阵qk所对应的强化 子带边缘矩阵，计算其灰度值所对应的累积概率，并选取累积概率与其所在尺度的噪声水 平值相等时对应的灰度值作为其阈值，得到各尺度方向子带粗边缘图；然后，对同一尺度的 各方向子带粗边缘图进行叠加，得到各尺度粗边缘(5)边缘细化对步骤(3)得到的低频子带粗边缘图进行细化，得到低频子带细边缘 图；同时对步骤(4)得到的各尺度粗边缘图进行细化，得到各尺度细边缘(6)边缘融合取或运算融合低频子带细边缘图与各尺度细边缘图，得到最终的边缘图。本发明综合利用NSCT在边缘表达、边缘定位和噪声去除上的优点，同时借鉴了人 眼微动对边缘等奇异的强化和定位。图像经NSCT分解后，小系数对应噪声，大系数对应边 缘，基于竞争机制的人眼微动进一步突出了边缘并弱化了噪声的影响，通过设置合适的阈 值则可以抑制噪声对边缘提取的影响。NSCT不具有下采样过程，分解得到的各系数矩阵与 原始图像大小相同，各个图像子带系数中的元素与图像空间域中的像素是一一对应关系， 很容易利用NSCT域系数的分布规律直接检测到图像空间域中的边缘定位信息，也有利于 融合各子带的边缘信息。因此，最终得到的多尺度融合边缘图将具有较少的噪声干扰，且检 测的边缘完整，定位也较为准确。
图1为本发明的实施示意图； 图2为本发明的实现示意图3为针对仿真图像的实验结果图； 图4为实际SAR图像的实验结果图。
具体实施例方式以下结合附图对本发明做进一步详细描述。一种图像边缘检测的方法，对含噪图像的边缘进行检测的步骤依次为
(1)对含噪图像进行非下采样轮廓波变换对含噪图像进行J级非下采样轮廓波变换， 得到低频子带系数矩阵C0和各尺度上的高频方向子带系数矩阵qk(i < j^ja^k^/,·
)，其中j表示尺度，k表示子带方向，~表示尺度j上分解的方向数；
(2)对步骤(1)得到的低频子带系数矩阵cD和各尺度上的高频方向子带系数矩阵qk 进行微动与边缘强化对低频子带系数矩阵Qj及各尺度上的高频方向子带系数矩阵Clk在 0°、45°、90°、135°四个方向上进行1个像素距离的微动，得到低频子带系数矩阵Cf0所 对应的4个系数微动矩阵和各尺度上的高频方向子带系数矩阵qk所对应的4个系数微动 矩阵，将低频子带系数矩阵Q1所对应的4个系数微动矩阵和低频子带系数矩阵C0相减，得
到低频子带系数矩阵C0所对应的4个微动变化矩阵，将各尺度上的高频方向子带系数矩阵 Cj,k所对应的4个系数微动矩阵和高频方向子带系数矩阵qk相减，得到高频方向子带系数矩阵qk所对应的4个微动变化矩阵，对低频子带系数矩阵G所对应的4个微动变化矩阵 和高频方向子带系数矩阵qk所对应的4个微动变化矩阵取模极大值，得到低频子带系数 矩阵q和高频方向子带系数矩阵qk所分别对应的强化子带边缘矩阵；
(3)低频去噪对步骤(2)得到的低频子带系数矩阵Q所对应的强化子带边缘矩阵直
接设置小阈值，得到低频子带粗边缘(4)高频去噪对步骤(2)得到的各尺度上的高频方向子带系数矩阵qk所对应的强化 子带边缘矩阵，计算其灰度值所对应的累积概率，并选取累积概率与其所在尺度的噪声水 平值相等时对应的灰度值作为其阈值，得到各尺度方向子带粗边缘图；然后，对同一尺度的 各方向子带粗边缘图进行叠加，得到各尺度粗边缘(5)边缘细化对步骤(3)得到的低频子带粗边缘图进行细化，得到低频子带细边缘 图；同时对步骤(4)得到的各尺度粗边缘图进行细化，得到各尺度细边缘(6)边缘融合取或运算融合低频子带细边缘图与各尺度细边缘图，得到最终的边缘图。本发明在具体实施时，多尺度分解的层数及每层分解的方向数的选取有较大的灵 活性，但每层的方向数应为2的幂数。不同的分解参数选取产生的边缘提取效果可能不同， 多尺度分解层数通常可取为3，按照从低分辨率层到高分辨率层，方向分解数通常可取为 4、8和16，尺度分解的1D原型滤波器组一般采用‘9-7’滤波器，方向分解的1D原型滤波器 组一般采用‘dmaxflat’滤波器。低频方向子带阈值选取较小，略大于0，各尺度噪声水平从 低分辨率层到高分辨率层依次增加。本发明效果可通过以下仿真结果进一步说明。仿真条件
本发明采用含有混合噪声的模拟图像与实际包含混合噪声的SAR图像进行仿真实验。 计算机硬件配置为Pentium (R) 4，主频3GHz。本发明的软件平台为Matlab R2007。仿真内容
采用Sobel算子、Canny算子、小波模极大、Ratio算子以及本发明提供的方法分别对仿 真的三角形图像及实际的机场跑道SAR图像进行了实验，两幅图的分辨率分别为128X128 及 256X256。仿真结果
1、本发明的检测结果如图3、图4所示，其中
图3(al)为仿真的多边形图像进行边缘检测，该多边形包含了水平、45度及22. 5度等 典型方向上的细微边缘，图像大小为128X128像素。图3(a2)为图3(al)的仿真多边形 图像添加斑点噪声及高斯噪声后得到的含噪图像，其中，斑点噪声的方差为0. 02，高斯噪声 的方差为0.01。图3(b)为采用Sobel算子得到的最佳边缘图，其最佳阈值经实验选取为 0.15。图3(c)为采用Canny算子得到的最佳边缘图，其最佳阈值经实验选取为0.76。图 3(d)为采用小波模极大方法得到的最佳边缘图，其最佳阈值经实验选取为0.44。图3(e) 为采用Ratio算子得到的最佳边缘图，其最佳阈值经实验选取为0.65。图3(f)为采用本发 明提供的方法得到的最佳边缘图，其低频方向子带阈值选取约为0. 025，各尺度噪声水平从 低分辨率层到高分辨率层分别为0. 4,0. 52，0. 58。
图4(a)为实际的机场跑道SAR图像，该图像包含了多方向的跑道边缘，图像大小 为256X256像素。图4(b)为采用Sobel算子得到的最佳边缘图，其最佳阈值经实验选取 为0.15。图4(c)为采用Canny算子得到的最佳边缘图，其最佳阈值经实验选取为0.6。图 4(d)为采用小波模极大方法得到的最佳边缘图，其最佳阈值经实验选取为0.4。图4(e)为 采用Ratio算子得到的最佳边缘图，其最佳阈值经实验选取为0. 5。图4(f)为采用本发明 提供的方法得到的最佳边缘图，其低频方向子带阈值选取约为0. 035，各尺度噪声水平从低 分辨率到高分辨率分别约为0. 8,0. 8,0. 9。2、同时给出了与图3相关的定量的边缘检测指标，如表1所示 表1图3边缘检测结果的定量分析表
权利要求
一种图像边缘检测的方法，其特征在于对含噪图像的边缘进行检测的步骤依次为(1)对含噪图像进行非下采样轮廓波变换对含噪图像进行级非下采样轮廓波变换，得到低频子带系数矩阵和各尺度上的高频方向子带系数矩阵Cj,k(1≤j≤J，1≤k≤)，其中表示尺度，表示子带方向，表示尺度上分解的方向数；(2)对步骤(1)得到的低频子带系数矩阵和各尺度上的高频方向子带系数矩阵Cj,k进行微动与边缘强化对低频子带系数矩阵及各尺度上的高频方向子带系数矩阵Cj,k在0°、45°、90°、135°四个方向上进行1个像素距离的微动，得到低频子带系数矩阵所对应的4个系数微动矩阵和各尺度上的高频方向子带系数矩阵Cj,k所对应的4个系数微动矩阵，将低频子带系数矩阵所对应的4个系数微动矩阵和低频子带系数矩阵相减，得到低频子带系数矩阵所对应的4个微动变化矩阵，将各尺度上的高频方向子带系数矩阵Cj,k所对应的4个系数微动矩阵和高频方向子带系数矩阵Cj,k相减，得到高频方向子带系数矩阵Cj,k所对应的4个微动变化矩阵，对低频子带系数矩阵所对应的4个微动变化矩阵和高频方向子带系数矩阵Cj,k所对应的4个微动变化矩阵取模极大值，得到低频子带系数矩阵和高频方向子带系数矩阵Cj,k所分别对应的强化子带边缘矩阵；(3)低频去噪对步骤(2)得到的低频子带系数矩阵所对应的强化子带边缘矩阵直接设置小阈值，得到低频子带粗边缘图；(4)高频去噪对步骤(2)得到的各尺度上的高频方向子带系数矩阵Cj,k所对应的强化子带边缘矩阵，计算其灰度值所对应的累积概率，并选取累积概率与其所在尺度的噪声水平值相等时对应的灰度值作为其阈值，得到各尺度方向子带粗边缘图；然后，对同一尺度的各方向子带粗边缘图进行叠加，得到各尺度粗边缘图； (5)边缘细化对步骤(3)得到的低频子带粗边缘图进行细化，得到低频子带细边缘图；同时对步骤(4)得到的各尺度粗边缘图进行细化，得到各尺度细边缘图； (6)边缘融合取或运算融合低频子带细边缘图与各尺度细边缘图，得到最终的边缘图。2010105614923100001dest_path_image001.jpg,2010105614923100001dest_path_image002.jpg,2010105614923100001dest_path_image003.jpg,2010105614923100001dest_path_image004.jpg,2010105614923100001dest_path_image005.jpg,53799dest_path_image003.jpg,33256dest_path_image004.jpg,127508dest_path_image002.jpg,585034dest_path_image002.jpg,212455dest_path_image002.jpg,97235dest_path_image002.jpg,675852dest_path_image002.jpg,937069dest_path_image002.jpg,418997dest_path_image002.jpg,474678dest_path_image002.jpg,561100dest_path_image002.jpg
全文摘要
本发明公开了一种采用非下采样轮廓波变换的图像边缘检测方法，对输入的含噪图像进行NSCT分解为低频系数和高频系数、对低频系数矩阵和各方向子带系数矩阵进行多方向微动得到多幅微动调制图像、将各微动调制图像与原子带图像相减以得到多幅微动变化图像、引入视觉竞争机制取模极大值进行竞争以得到强化的各子带边缘图、设置合适的阈值去除各子带边缘图中的噪声、对低频子带粗边缘图及同一尺度内各方向子带边缘叠加得到的各尺度粗边缘图进行中心细化以得到低频子带细边缘图及各尺度细边缘图，取或运算融合低频子带细边缘图与各尺度细边缘图，得到最终的融合边缘图。本发明提供的方法噪声适应性好，边缘检测完整且定位准确。
文档编号G06T5/00GK101980287SQ20101056149
公开日2011年2月23日 申请日期2010年11月28日 优先权日2010年11月28日
发明者李庆武, 王敏, 石丹, 程晓轩, 霍冠英 申请人:河海大学常州校区