图像边缘检测方法及系统的制作方法
【技术领域】
[0001]本发明涉及一种图像边缘检测方法及系统。
【背景技术】
[0002]图像边缘检测是指检测、定位和描述图像信号的不连续点。因为图像边缘检测通常作为模式分析、目标检测和识别等应用的前一处理环节，所以边缘检测是图像处理、计算机和机器视觉领域里面一个重要的研究课题。
[0003]通常来说，边缘检测算法包含两个主要步骤:⑴滤波；(2)检测和定位。
[0004]对于第一步滤波来讲，由于成像过程中的各种噪声干扰，所以滤波降噪是一个必须用来降低噪声对边缘检测和定位干扰的步骤。高斯滤波器是在边缘检测里面用得最广泛的平滑滤波器，但怎么选择滤波器尺度是一个比较重要的问题。大的滤波器尺度可以很好的消除噪声，但是同时也会模糊信号特征，特别是高频信号所代表的边缘特征。但是如果使用小的滤波器尺度，虽然会保护边缘特征，但是却会让噪声对后面的检测和定位产生严重的干扰。
[0005]在第二步检测和定位中，常见的方法都是基于不同阶的差分图像。比如说:一阶差分算子、二阶差分算子、三阶差分算子。但是这些差分算子都只是考虑了比如前后相邻像素的灰度值差，而没有考虑更大区域内的信号特征。除了基本的差分算子，有一些边缘检测的算法是基于不同的边缘模型即局部信号特征提出来的，比如阶跃模型、楼梯模型、脉冲模型、斜面模型等。但是基于某一个特殊模型设计的边缘检测算法并不适用于其他模型。因此对于反应真实世界的图片来说，这些算法都不能准确的检测和定位图片中包含的所有类型的边缘。
【发明内容】
[0006]有鉴于此，有必要提供一种图像边缘检测方法及系统。
[0007]本发明提供一种图像边缘检测方法，该方法包括如下步骤:a.利用不同尺度的滤波器分别对一张待检测图像滤波，得到一组不同分辨率的图像；b.针对上述得到的不同分辨率的图像，分别计算得到每张图像的差分图像采用基本边缘模型对上述计算得到的差分图像进行检测；d.根据不同图像中同一个空间位置的像素点在上述步骤中的检测结果，确定所述待检测图像的边缘。
[0008]其中，所述的滤波器为高斯滤波器。
[0009]所述的基本边缘模型分别是斜坡模型、脉冲模型、阶跃模型以及S形模型。
[0010]所述的步骤c具体包括:首先并行或者先后进行脉冲模型和斜坡模型的检测，然后并行同时或者先后进行阶跃模型及S形模型的检测。
[0011]所述的步骤d具体包括:根据上述不同差分图像中同一个空间位置的像素点的检测结果，通过按位与运算来判定所述像素点是否为真正的图像边缘点。
[0012]本发明还提供一种图像边缘检测系统，包括滤波模块、计算模块、检测模块及判定模块，其中:所述滤波提取模块用于利用不同尺度的滤波器分别对一张待检测图像滤波，得到一组不同分辨率的图像；所述计算模块用于针对上述得到的不同分辨率的图像，分别计算得到每张图像的差分图像；所述检测模块用于采用基本边缘模型对上述计算得到的差分图像进行检测；所述判定模块用于根据不同图像中同一个空间位置的像素点在上述步骤中的检测结果，确定所述待检测图像的边缘。
[0013]其中，所述的滤波器为高斯滤波器。
[0014]所述的基本边缘模型分别是斜坡模型、脉冲模型、阶跃模型以及S形模型。
[0015]所述的检测模块具体用于:首先并行或者先后进行脉冲模型和斜坡模型的检测，然后并行同时或者先后进行阶跃模型及S形模型的检测。
[0016]所述的判定模块具体用于:根据上述不同差分图像中同一个空间位置的像素点的检测结果，通过按位与运算来判定所述像素点是否为真正的图像边缘点。
[0017]本发明图像边缘检测方法及系统，采用一组拥有不同尺度的高斯滤波器产生不同分辨率的图像，然后利用所述多分辨率图像进行边缘检测和定位分析。本发明能够提高图像边缘检测和定位的精度。同时，本发明在大量噪声的干扰情况下，也能很好地对边缘进行检测和定位。
【附图说明】
[0018]图1为本发明图像边缘检测方法的流程图；
[0019]图2为本发明图像边缘检测系统的硬件架构图。
【具体实施方式】
[0020]下面结合附图及具体实施例对本发明作进一步详细的说明。
[0021]参阅图1所示，是本发明图像边缘检测方法较佳实施例的作业流程图。
[0022]步骤S401，利用不同尺度的高斯滤波器对一张待检测图像进行滤波，得到一组不同分辨率的图像。具体如下:
[0023]一般而言，基础高斯滤波器的大小或者尺度是1-10，更大一级的高斯滤波器的尺度则是基本基础尺度的平方，而再大一级的高斯滤波器尺度则是上一级尺度的平方，以此类推。而分辨率则代表了滤波的程度:尺度越大的滤波器对图像滤波后，图像就会更加模糊，更多的高频信息或者图像细节就会丢失甚至不见。因此当使用一组比如3到6个具有不同尺度的高斯滤波器对一张图片滤波时，就产生一组具有不同图像分辨率的从精细到粗糙的图像。
[0024]步骤S402，针对上述得到的不同分辨率的图像，分别计算得到每张图像的差分图像。所述差分图像包括:一阶差分图像、二阶差分图像和三阶差分图像。其中，所述一阶差分图像为将图像像素点的灰度值与其相邻像素点的灰度值相减得到；所述二阶差分图像为将图像像素点的一阶差分值与其相邻像素点的一阶差分值相减得到；所述三阶差分图像为将图像像素点的二阶差分值与其相邻像素点的二阶差分值相减得到。
[0025]步骤S403，采用基本边缘模型对上述计算得到的差分图像进行检测。具体而言:
[0026]本实施例采用四种基本边缘模型检测所述差分图像，所述的四种基本边缘模型分别是斜坡模型、脉冲模型、阶跃模型以及S形模型。所述四种基本边缘模型分别检测和定位所述差分图像的每一个像素点，每个基本边缘模型都有其相应的检测和定位规则。所述差分图像同时进入上述四种基本边缘模型分别或者并行检测。由于脉冲模型和斜坡模型的边缘容易被判定为阶跃模型，所以阶跃模型不检测已经被判定为脉冲模型和斜坡模型的像素点。同理，由于斜坡模型是一种特殊的S形模型，所以S形模型也不检测已经被判定为斜坡模型的像素点。基于上述原因，为了提高检测效率，本实施例最先并行或者先后进行脉冲模型和斜坡模型的检测，然后利用所述脉冲模型和斜坡模型的检测结果指导阶跃模型和S形模型进行检测。类似于上述脉冲模型和斜坡模型的检测，所述阶跃模型和S形模型也可以并行同时或者先后进行检测。
[0027]步骤S404，根据不同图像中同一个空间位置的像素点