一种应用于边缘检测的滤波去噪方法与流程

本发明涉及边缘检测技术领域，特别涉及，一种应用于边缘检测的滤波去噪方法。

背景技术：

前视摄像头通常安装在前挡风玻璃后面，通过前视摄像头即可获取前方车辆、会车车辆、前方行人、交通标志、车道线等多种交通目标信息。前视摄像头获取的图像信息由芯片进行识别和处理。图像的背景与目标图像的边界为图像边缘。

目前，前视摄像头图像采集过程中，由于受到摄像头本身电子元器，电子线路的影响，会使采集的图片带有噪声，影响检测与识别的结果。由于环境光照条件多变因素，导致前方目标的光照不均匀，影响前视摄像头的识别效果和应用价值，严重时引发交通事故。

针对汽车前视摄像头拍摄存在噪声及光照不均匀的问题，提出一种解决现有技术存在的采集的图片带有噪声及光照不均匀导致影响边缘检测精度的问题的方法，从而对光照不均匀图像进行预处理，降低光照对图像的影响。

技术实现要素：

针对上述缺陷，本发明解决的技术问题在于，提供一种应用于边缘检测的滤波去噪方法，以解决现在技术所存在的采集的图片带有噪声及光照不均匀导致影响边缘检测精度的问题。

本发明提供了一种应用于边缘检测的滤波去噪方法，具体步骤包括：

步骤1、获取并输入图像原始图像g；

步骤2、对原始图像g进行小波软阈值滤波去噪，得到去噪后的图像g′；

步骤3、对去噪后的图像g′进行加权平均灰度化处理，降低其维数，得到灰度图像g(i,j)；

步骤4、对灰度图像g(i,j)做顶帽变换得到图像wth(g)；

步骤5、对图像wth(g)进行边缘检测及提取，得到边缘特征。

优选地，所述步骤2具体步骤包括

步骤2.1、将原始图像g分成y、u、v三个空间分量，表示为gy、gu、gv，其中y为一个亮度信号，u、v为两个色度信号；

步骤2.2、对原始图像g的三个分量gy、gu、gv进行小波软阈值滤波去噪，得到新的分量g′y、gu′、gv′；

步骤2.3、将新的三个空间分量g′y、gu′、gv′重组，构成新的去噪后的图像g′。

优选地，所述步骤3具体步骤包括：

步骤3.1、将去噪后的rgb图像灰度化处理，降低维度；

步骤3.2、根据g(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j)对图像g′的red、green、blue三个分量r(i,j)、g(i,j)、b(i,j)进行加权平均计算，得到合理的灰度图像g(i,j)。

优选地，所述步骤4具体步骤包括：

步骤4.1、选取合适的结构元素；

步骤4.2、根据变换后的图像that(f)＝f-(fob)进行顶帽变换，提取出新的目标，得到图像wth(g)，其中，f是缩小后的灰度图，b是顶帽变换中的模板。

优选地，所述步骤5具体步骤包括：

步骤5.1、在图像wth(g)上建立xoy直角坐标系，每个像素点的坐标为(x，y)，使用高斯滤波器对图像wth(g)进行平滑处理，降低由噪声引起的错误检测概率；

步骤5.2、计算图像中像素点的方向及梯度强度，把x轴上的信息记作gx，y轴记作gy，则每个像素点方向和梯度g为

步骤5.3、用非极大值抑制消除边缘检测带来的杂散响应。

优选地，所述步骤2.2具体步骤包括：

步骤2.2.1、分量信号f(k)＝s(k)+n(k)小波变换后得到由两部分组成的小波系数wj,k，其中f(k)表示含噪的信号，s(k)表示原始信号，n(k)表示高斯白噪声，并且服从n(0,δ²)分布，真实信号s(k)对应小波系数为uj,k，噪声信号n(k)对应小波系数为vj,k；

步骤2.2.2、选取适当的数值λ作为阈值，其中，wj,k＞λ时，wj,k由噪声引起，wj,k≤λ时，wj,k由信号引起；

步骤2.2.3、根据软阈值的小波系数通过设定阈值的方法对信号进行去噪。

优选地，所述步骤4.2具体步骤包括：

步骤4.2.1、根据开运算后图像wth(f)＝f-γ(f)，进行灰度开运算，其中γ(f)为图像f的开运算；

步骤4.2.2、根据闭运算后图像bth(f)＝δ(f)-f，进行灰度闭运算，其中δ(f)为图像f的闭运算。

优选地，所述步骤5.1中使用高斯滤波器对图像wth(g)进行平滑处理的高斯函数为其中σ为高斯噪声均方差，x和y为像素点的坐标。

由上述方案可知，本发明提供的一种应用于边缘检测的滤波去噪方法，通过对前视摄像头拍摄的道路行人、车辆及障碍物的图片进行分析，采用小波阈值算法分别对彩色图像3个空间分量进行滤波去噪，并经加权平均法对重组的3个分量灰度化处理后，采用顶帽变换和多重边缘检测方法对图像进行处理，提取边缘特征，有效改善图像质量，削弱光线不均匀问题对识别带来的影响。本发明高效率、高精度的对道路上的行人、车辆等目标进行边缘检测，解决了噪声及光照不均对图像边缘检测带来的影响，提高边缘检测的检测精度，为后续目标识别工作提供基础，作用效果显著，适于广泛推广。

附图说明

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，下面将对实施例或现有技术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实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种应用于边缘检测的滤波去噪方法的过程框图一；

图2为本发明实施例提供的一种应用于边缘检测的滤波去噪方法的过程框图二；

图3为本发明实施例提供的一种应用于边缘检测的滤波去噪方法的过程框图三；

图4为本发明实施例提供的一种应用于边缘检测的滤波去噪方法的过程框图四；

图5为本发明实施例提供的一种应用于边缘检测的滤波去噪方法的过程框图五；

图6为本发明实施例提供的一种应用于边缘检测的滤波去噪方法的过程框图六；

图7为本发明实施例提供的一种应用于边缘检测的滤波去噪方法的过程框图七；

图8为在kitti数据集中随机选择的图像；

图9为图8所示图像使用该种应用于边缘检测的滤波去噪方法处理后得到的图像。

具体实施方式

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，本领域普通技术人员在没有做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。

请一并参阅图1至图7，现对本发明提供的一种应用于边缘检测的滤波去噪方法的一种具体实施方式进行说明。该种应用于边缘检测的滤波去噪方法的具体步骤包括：

s1、通过摄像头获取并输入图像原始图像g；

s2、对原始图像g进行基于小波软阈值算法的rgb空间滤波去噪，得到去噪后的图像g′，本步骤具体的实现步骤可以为：

s2.1、将原始图像g分成y、u、v三个空间分量，表示为gy、gu、gv，其中y为一个亮度信号，u、v为两个色度信号；

s2.2、对原始图像g的三个分量gy、gu、gv进行小波软阈值滤波去噪，得到新的分量g′y、gu′、gv′，小波变换满足约束条件其中ψ(ω)为小波母函数，同时小波变换的函数为与时间相关的单值函数，本步骤具体的实现步骤可以为：

s2.2.1、小波变换为线性变换，分量信号f(k)＝s(k)+n(k)小波变换后得到由两部分组成的小波系数wj,k，其中f(k)表示含噪的信号，s(k)表示原始信号，n(k)表示高斯白噪声，并且服从n(0,δ²)分布，真实信号s(k)对应小波系数为uj,k，噪声信号n(k)对应小波系数为vj,k；

s2.2.2、选取适当的数值λ作为阈值，其中，wj,k＞λ时，wj,k由噪声引起，wj,k≤λ时，wj,k由信号引起；

s2.2.3、根据软阈值的小波系数通过设定阈值的方法对信号进行去噪。

s2.3、将新的三个空间分量g′y、gu′、gv′重组，构成新的去噪后的图像g′。

小波变换算法应用于图像处理、模式识别等领域，小波变换可以在小波定义域内将能量集中在某些较大的小波系数上，同时使噪声布满整个小波域。通过小波处理后的小波系数的幅值大于噪声的幅值。小波阈值法分为软阈值和硬阈值，采用小波软阈值去噪方法对rgb彩色图片的3个空间分量分别进行滤波去噪，得到的小波系数整体连续性好，不会引起图像震荡。

s3、对去噪后的图像g′进行加权平均灰度化处理，降低其维数，得到灰度图像g(i,j)，本步骤具体的实现步骤可以为：

s3.1、将去噪后的rgb图像灰度化处理，降低维度，提高运算速度；

s3.2、根据g(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j)对图像g′的red、green、blue三个分量r(i,j)、g(i,j)、b(i,j)进行加权平均计算，得到合理的灰度图像g(i,j)。

s4、对灰度图像g(i,j)做顶帽变换得到图像wth(g)，本步骤具体的实现步骤可以为：

s4.1、选取合适的结构元素；

s4.2、根据变换后的图像that(f)＝f-(fob)进行顶帽变换，提取出新的目标，得到图像wth(g)，其中，f是缩小后的灰度图，b是顶帽变换中的模板，b越大对计算时间影响就越大，其选取的面积比目标的面积略大，本步骤具体的实现步骤可以为：

s4.2.1、进行白顶帽变换，白顶帽变换为图像f减去其开运算结果的差值，即根据开运算后图像wth(f)＝f-γ(f)，进行灰度开运算，其中γ(f)为图像f的开运算，图像f的白顶帽变换后的值大于0或等于0；

s4.2.2、进行黑顶帽变换，黑顶帽变换为图像闭运算减去图像f的差值，即根据闭运算后图像bth(f)＝δ(f)-f，进行灰度闭运算，其中δ(f)为图像f的闭运算，图像f的黑顶帽变换后的值大于0或等于0。

顶帽变换是原始图像与其开运算和闭运算之间的一种差值运算。将小于结构元素的噪声消除，从原图中减去对背景的估计，提取出目标，让图像中只保留对图像背景的估计。顶帽处理后的图像删除了大部分非均匀背景，阈值处理后，目标被分割出来。

s5、对图像wth(g)进行canny边缘检测及提取，加强图像边缘信息，得到边缘特征，本步骤具体的实现步骤可以为：

s5.1、在图像wth(g)上建立xoy直角坐标系，每个像素点的坐标为(x，y)，使用高斯滤波器对图像wth(g)进行平滑处理，降低由噪声引起的错误检测概率，在本步骤中使用高斯滤波器对图像wth(g)进行平滑处理的高斯函数为其中σ为高斯噪声均方差，x和y为像素点的坐标；

s5.2、计算图像中像素点的方向及梯度强度，使用canny算子的图像边缘可以指向任意方向，把x轴上的信息记作gx，y轴记作gy，则每个像素点方向和梯度g为

s5.3、用非极大值抑制消除边缘检测带来的杂散响应。

canny边缘检测算法在各种视觉目标中提取出其中对实验有用的结构信息，极大减少了目标的数据量。检测效果良好且可靠，检测过程简单。非极大值抑制是一种边缘稀释方法，将除局部最大值以外的梯度值抑制为0。用双阈值方法对真实和潜在的边缘进行判定。通过抑制孤立的弱边缘实现最终的边缘检测，强边缘的像素是从图像的真实边缘中提取的，将其定义为边缘，弱边缘像素既能从真实边缘提取也能由噪声或颜色变化造成，抑制由噪声或颜色变化引起的弱边缘对结果的准确性有很大影响。

该种应用于边缘检测的滤波去噪方法采用小波阈值算法分别对彩色图像三个空间进行滤波，对滤波后的三个分量进行重组生成新的rgb分量，较大程度保留原始图像信息的同时达到噪声滤除的效果；经过加权平均法对rgb分量灰度化处理，降低图像维数；将顶帽算法和canny多重边缘检测方法相结合，对图像进行边缘提取，建立多重边缘检测模型，从而改善图像质量，削弱光线不均匀问题对识别带来的影响，有效的提高对道路上的行人、前方车辆及障碍物的边缘检测的检测精度。该方法高效率、高精度的对道路上的行人、车辆等目标进行边缘检测，提取边缘特征，为后续前视摄像头前方目标识别做充足的预处理工作，对自动驾驶技术的发展具有重要意义。

示例性的：请一并参阅图8至图9，采用kitti数据集，以kitti数据集内市区车辆为例，从kitti数据集中随机选择2幅图像，并分别加入椒盐噪声和高斯噪声，得到加入椒盐噪声的图像的信噪比为13.1069，峰值信噪比为15.9025；加入高斯噪声的图像的信噪比为12.8311，峰值信噪比为15.0031，设置实验组与对照组进行仿真实验，其中，实验组为使用该种应用于边缘检测的滤波去噪方法对图像进行处理，对照组为使用现有的方法对图像进行处理，计算图像的信噪比、峰值信噪比、定位精度和单边缘响应值，其中峰值信噪比值越大，代表失真越少；信噪比值越大，表示图像质量越高，定位精度越大，边缘检测定位精度越好，图像的连续性强，边缘的断裂少；单边缘响应值越小，边缘检测方法的效果越差。得到如下实验结果：

实验组对加入椒盐噪声的图像处理后的信噪比为17.9378，峰值信噪比为20.8685，对加入高斯噪声的图像处理后的信噪比为17.4632，峰值信噪比为19.9221，定位精度为0.00542，单边缘响应为0.1422；对照组对加入椒盐噪声的图像处理后信噪比为16.3158，峰值信噪比为19.1932，对加入高斯噪声的图像处理后的信噪比为16.0134，峰值信噪比为18.4354，定位精度为0.00479，单边缘响应为0.1328。通过对比得出，实验组图像处理结果明显优于对照组，实验组边缘检测效果更优，不仅解决了光线不均的问题，同时提高了图像边缘检测的效果。

由上述数据可见，应用该方法进行图像处理及边缘特征检测及提取的图像目标的边缘信息更加清晰、连续，并且保留下的背景信息相对较少，有效的滤除噪声同时保留原始图像信息，去噪效果明显更优，效果十分显著。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。