滑窗N-Smoothlets图像边缘检测方法
【技术领域】
[0001] 本发明属于图像处理技术领域，具体设及一种滑窗N-Smoothlets的图像边缘检 测方法。
【背景技术】
[0002] 图像边缘指图像中的像素值发生阶跃的地方，属于高频信息。而人类视觉系统决 定了人眼对图像中的高频信息特别敏感，因此，图像边缘检测一直是图像处理中的关键问 题之一，在图像分割、目标识别等领域应用十分广泛。
[0003]图像边缘检测算法主要可分为两大类；一是传统的基于微分算子的边缘检测算 法；二是近年来兴起的新型边缘检测算法，主要包括基于多尺度分析思想的边缘检测、基于 数学形态学的边缘检测W及基于分形理论的边缘检测算法等。经典的微分算子边缘检测算 法虽然实现简单、运算复杂度低，但是却不能很好地抑制图像中的噪声，图像边缘提取与抗 噪性始终是一对难W调和的矛盾。为解决边缘检测精度与抗噪性之间的矛盾，1983年，多尺 度分析的思想出现，对于大的尺度算子边缘检测的精度差，但是抗噪性能好，小尺度的边缘 检测算子对边缘的定位精度高但对噪声敏感，多尺度分析的思想解决了边缘检测精度与抗 噪性之间的平衡问题，其中的的小波边缘检测方法取得了很多研究成果并得到了广泛的应 用。
[0004] 传统二维小波是由一维小波扩展而来，只具有有限个方向，因此不能对图像得到 最稀疏的表示。基于多尺度几何分析Wedgelet的边缘检测算法弥补了该方面的不足，并且 由于其是用线段而不是点来表示边缘，抗噪性能更好。但是基于Wedgelet的边缘检测算法 虽然在将滑窗的尺寸size、偏移量shift等参数减小的情况下可W提高对灰度图像中复杂 边缘和弱小边缘检测的精度滑窗，但该方法不能准确处理存在渐变的边缘图像块。
【发明内容】
[0005] 本发明的目的是为了解决现有的边缘检测算法的准确性和弱小边缘检测能力，提 出了滑窗N-Smoothlets图像边缘检测方法。
[0006] 为了解决W上问题，本发明采用的技术方案如下：一种滑窗N-Smoothlets图像边 缘检测方法，
[0007] 包括如下步骤：
[000引S1输入待处理的原图像F;
[0009]S2设置图像边缘检测算法中设及到的参数，包括N-Smoothlets变换中滑窗的尺 寸size、滑窗每一次的偏移量shift、判断边缘是否保留阔值Ti、T2;
[0010]S3设置好N-Smoothlets滑窗尺寸size后，假设size大小为nXn像素；首先 将N-Smoothlets滑窗置于原图像的左上角，对待处理图像中与滑窗重叠部分的区域执行 一个图像宏块内的N-Smoothlets变换；然后将N-Smoothlets滑窗从图像左上角按照先 列后行或先行后列的顺序每次移动shift个像素并在滑窗内作N-Smoothlets变换，其中 N-Smoothlets基本变换块大小设置为与滑窗大小一致，即在每一个滑窗对应的图像宏块内 只用一个N-Smoothlets对其进行描述，直至滑窗遍历完整幅图像后结束，得到对原始图像 进行滑窗N-Smoothlets变换后的图像信息；
[0011] S4根据块类型不同分别判别：
[0012]S41宏块类型为N，即退化块
[0013] 若变换后的图像块为退化块，则认为该块中不存在边缘信息；
[0014]S42宏块类型为W，即Wedgelet块
[0015] 若变换后的图像块为Wedgelet块，则提取出该Wedgelet对应的基准线作为图像 块内的边缘；此时，只需要边缘判决条件一对其进行是否作为边缘信息保留的判定；
[0016]S43宏块类型为S，即为Smoothlet块，包括宏块内存在1、2、3条过渡带的情况，N 代表过渡带最大数量；
[0017] 若变换后的图像块为N-Smoothlets块，即包括宏块内存在1、2、3条过渡带的情 况，贝ij依次对N-Smoothlets的N条过渡带两侧的灰度值求差值Ims-mbI;
[001引若两侧的灰度值差值小于设定好的阔值Ti，即k-mj<Ti，不满足边缘判决条件 一，认为该边缘为伪边，舍弃；
[0019] 若两侧的灰度值差值大于等于设定好的阔值Ti，即Img-mbl>Ti，满足边缘判决条 件一；再比较过渡带宽r与T2的关系，若r>T2,满足边缘判决条件一，不满足边缘判决条 件二，认为该边缘为伪边，舍弃；若r《T,，同时满足边缘判决条件一与二，则计算过渡带的 中线信息作为边缘保留；
[0020]S5对各滑窗N-Smoothlets提取出的边缘信息进行叠加，输出对原图像F进行边缘 提取后的边缘图像F。
[0021] 作为优选，滑窗尺寸size为8X8像素，阔值Ti为20、阔值T2为1。
[0022] 作为优选，滑窗每一次的偏移量shift分别取8、6、4、3个像素。
[002引本发明的有益效果；本发明利用N-Smoothlets变换具有多尺度、多方向逼近边 缘的特点可W有效提取图像中的弱小边缘和复杂边缘。采用滑窗的方式可W通过设置滑 窗每次的偏移量shift来改变图像边缘检测的精度，更能适应边缘的变化。另外，由于 N-Smoothlets良好的线奇异性，在边缘提取的过程中可W有效地抑制强噪声的干扰。实验 验证了滑窗N-Smoothlets边缘检测算法较Wedgelet边缘检测算法对弱小边缘和复杂边缘 的检测非常有效。
【附图说明】
[0024] 图1;不同算法下Lena图像的边缘检测结果；
[0025] (a)原始图像；（b)Wedgelet,shift= 8 ;(C)Wedgelet,shift= 6 ; (d)Wedgelet， shift= 4 ; (e)Wedgelet，shift= 3 ； (f)N-Smoothlets,shift= 8 ； (g)N-Smoothlets, shift= 6 ;化)N-Smoothlets,shift= 4 ; (i)N-Smoothlets，shift= 3。
[0026] 图2;不同算法下化ppers图像的边缘检测结果；
[0027](a)原始图像；（b)Wedgelet,shift= 8 ;(C)Wedgelet,shift= 6 ; (d)Wedgelet， shift= 4 ; (e)Wedgelet，shift= 3 ； (f)N-Smoothlets,shift= 8 ； (g)N-Smoothlets, shift= 6 ;化)N-Smoothlets,shift= 4 ; (i)N-Smoothlets，shift= 3。
[002引图3 ;不同算法下化use图像的边缘检测结果
[0029] (a)原始图像；化)Wedgelet，shift= 8;(C)Wedgelet，shift= 6 ; (d)Wedgelet， shift= 4 ; (e)Wedgelet，shift= 3 ; (f)N-Smoothlets,shift= 8 ; (g)N-Smoothlets, shift= 6 ;化)N-Smoothlets，shift= 4 ; (i)N-Smoothlets，shift= 3。
[0030] 图4 ;不同算法下Bird图像的边缘检测结果；
[0031] (a)原始图像；化)Wedgelet，shift= 8;(C)Wedgelet，shift= 6 ; (d)Wedgelet， shift= 4 ; (e)Wedgelet，shift= 3 ; (f)N-Smoothlets,shift= 8 ; (g)N-Smoothlets, shift=6;化)N-Smoothlets，shift=4;(i)N-Smoothlets，shift=3。
【具体实施方式】
[0032] 下面结合附图和具体实验对本发明做进一步的说明。
[0033] 首先对本发明方法提到的两个边缘判决条件进行说明。本发明方法中，使用双阔 值对是否提取边缘进行判断。在N-Smoothlets变换块中，对每一条过渡带分别进行判断是 否进行提取边缘，具体判定条件如下：
[0034]条件一：根据每条过渡带两侧的灰度值mg、mb差值与设定的阔值T进行比较，作为 判断是否保留该过渡带并进行边缘提取的第一个条件；条件1是判断两个区域灰度的对比 情况；
[0035]当过渡带两侧的灰度值差值的绝对值Img-mbl足够大时，可认为此时过渡带两侧 灰度值变化十分明显，更容易被判定为边缘；当过渡带两侧的灰度值差值的绝对值Img-mbl 比较小时，可认为此时过渡带两侧灰度值变化较小，不容易被判定为边缘。
[0036] 条件二；将每条过渡带的宽度r与设定的阔值T2进行比较，作为判断是否保留该 过渡带并进行边缘提取的第二个条件；条件2是判断灰度的渐变情况。
[0037] 当过渡带两侧灰度值相等时，过渡带的宽度越窄，说明此时图像中的边缘类型更 接近于阶跃型边缘，从人类视觉系统特性来说此时的灰度变化带来的视觉效果更易被认为 是边缘信息；反之，过渡带宽度越宽，边缘特征越不明显。因此，当过渡带宽度r<T2时，保 留该边缘。
[003引当过渡带的宽