1.一种混合外区抑制与贝叶斯模型的轮廓检测方法,包括以下步骤:
根据灰度图像定义图像高斯梯度,以去除噪声;
建立方向滤波器,求得外区抑制量,并对高斯梯度处理的图像进行外区抑制,以生成轮廓响应;
采用非极大值抑制与迟滞阈值进行图像处理,得到图像的二值边缘图;
通过并集与交集联合运算获得任一二值边缘图整合到一幅边缘图;
采用基于贝叶斯概率模型的轮廓判决机制,求得边缘点的后验轮廓概率,以获得轮廓输出。
2.根据权利要求1所述的一种混合外区抑制与贝叶斯模型的轮廓检测方法,其特征在于,根据灰度图像定义图像高斯梯度,包括以下步骤:
定义任一幅灰度图像i(x,y)的高斯梯度,其表达式为:
其中,i表示灰度图像,
3.根据权利要求1所述的一种混合外区抑制与贝叶斯模型的轮廓检测方法,其特征在于,所述建立方向滤波器,求得外区抑制量,并对高斯梯度处理的图像进行外区抑制,包括以下步骤:
建立滤波器生成函数kθ(x,y),其表达式为:
其中rθ表示旋转矩阵,h(x,y)表示hermite函数;
根据滤波器kθ计算公式:kθ=θv(a)(x,y),通过滤波器生成函数kθ(x,y)与梯度幅值
其中,
将滤波器kθ=θv(a)(x,y)与图像纹理性边缘上的点的邻域作局部加权平均,对高斯梯度处理的图像进行外区抑制。
4.根据权利要求3所述的一种混合外区抑制与贝叶斯模型的轮廓检测方法,其特征在于,还包括对所述外区抑制量进行修正,包括以下步骤:
将(x,y)转换成极坐标形式(ρ,φ),令x=ρcos(φ),y=ρsin(φ),转换公式(2)中的h(x,y)得到:
分别定义基函数v-2、v0、v2为:
则:
h(ρ+θ,φ)=exp(-2iθ)v-2+v0+exp(2iθ)v2(5)
定义基函数v-2、v0、v2一一对应的系数a-2、a0、a2分别为:
a-2=exp(-2iθ),a0=1,a2=exp(2iθ),
有:
其中,n∈{-2,0,2},kθ(x,y)表示三个固定基函数、且不含角度变量的线性组合;
将式(3)修正得到:
将梯度幅值
5.根据权利要求1所述的一种混合外区抑制与贝叶斯模型的轮廓检测方法,其特征在于,所述采用非极大值抑制与迟滞阈值进行图像处理,包括以下步骤:
根据梯度幅值
其中λ表示抑制水平,t(x,y)表示外区抑制量;
采用线性插值方法分别求出响应
若点(x,y)的响应值大于点(x′,y′)和点(x″,y″)的响应值,则点(x,y)属于局部极大值点予以保留,否则将点(x,y)置零,对轮廓响应
利用迟滞阈值对轮廓响应
其中,card函数用于统计集合中非零元素的个数,m表示响应点总数,式(9)表明强轮廓点至少包含前pm个最大响应点;
令tl=th/2;
舍弃响应
6.根据权利要求1所述的一种混合外区抑制与贝叶斯模型的轮廓检测方法,其特征在于,所述通过并集与交集联合运算获得任一二值边缘图整合到一幅边缘图,包括以下步骤:
定义二值边缘图b(p,λ)在不同抑制水平λk下二值边缘图b(p,λk)的强边缘和弱边缘为b(p,λk)的交集和并集,得:
其中,λk表示不同的抑制水平,交集bp,i表示图像强边缘,包含大量的离散轮廓片段以及少量的噪声边缘,且bp,i中的点在所有二值图像b(p,λk)中都出现过,并集bp,u表示图像弱边缘,包含完整的轮廓信息和噪声边缘,且bp,u中的点在二值图像b(p,λk)中至少出现一次;
以交集bp,i作为种子点集,在并集bp,u中遍历所有弱边缘eu,将与种子点集有部分边缘点发生重叠的弱边缘eu,加入到组合结果b(p,c)中,得:
获得较为完整的目标轮廓。
7.根据权利要求6所述的一种混合外区抑制与贝叶斯模型的轮廓检测方法,其特征在于,所述基于贝叶斯概率模型的轮廓判决机制,包括以下步骤:
根据组合结果b(p,c),定义组合结果b(p,c)中每条边缘轮廓e的先验轮廓概率为:
其中,emax表示b(p,c)中的最长边缘,length(*)表示计算边缘长度;
根据边缘的先验轮廓概率定义p(e),定义边缘点(x,y)的后验轮廓概率为:
其中,ωr(x,y)表示边缘点(x,y)的r邻域,边缘点(x,y)的后验轮廓概率等于该点周围所有边缘的先验轮廓概率的最大值;
根据边缘点的后验轮廓概率p(x,y,r),给定阈值tp,得到最终的轮廓输出b(x,y):
b(x,y)=p(x,y,r)>tp(14)。