基于数学形态学的图像边缘检测方法研究文献综述

--

文献综述

课题:基于数学形态学的图像边缘检测方法研究

边缘检测是图像分割的核心内容,而图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置,对图象的特征测量有重要的影响。图像分割及基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。从而边缘检测在图像工程中占有重要的地位和作用。因此对边缘检测的研究一直是图像技术研究中热点，人们对其的关注和研究也是日益深入。

首先，边缘在边界检测、图像分割、模式识别、机器视觉等中有很重要的作用。边缘是边界检测的重要基础,也是外形检测的基础。同时,边缘也广泛存在于物体与背景之间、物体与物体之间，基元与基元之间,是图像分割所依赖的重要特征。其次，边缘检测对于物体的识别也是很重要的。第一,人眼通过追踪未知物体的轮廓而扫视一个未知的物体。第二，如果我们能成功地得到图像的边缘，那么图像分析就会大大简化，图像识别就会容易得多。第三，很多图像并没有具体的物体,对这些图像的理解取决于它们的纹理性质,而提取这些纹理性质与边缘检测有极其密切的关系。

理想的边缘检测是能够正确解决边缘的有无、真假、和定向定位。长期以来,人们一直关心这一问题的研究,除了常用的局

--

--

部算子及以后在此基础上发展起来的种种改进方法外，又提出了许多新的技术,其中,比较经典的边缘检测算子有Ｒｏbｅ

rts crｏss算子、Sｏbｅl算子、Laplａciａn算子、Cａnny 算子等,近年来又有学者提出了广义模糊算子，形态学边缘算子等。这些边缘检测的方法各有其特点,但同时也都存在着各自的局限性和不足之处。

本次研究正是在已有的算法基础上初步进行改进特别是形态学边缘算子,以期找到一个更加简单而又实用的算子,相信能对图像处理中的边缘检测方法研究以及应用有一定的参考价值。

一、课题背景和研究意义：

伴随着计算机技术的高速发展，数字图像处理成为了一门新兴学科,并且在生活中的各个领域得以广泛应用。图像边缘检测技术则是数字图像处理和计算机视觉等领域最重要的技术之一。在实际图像处理中,图像边缘作为图像的一种基本特征,经常被用到较高层次的图像处理中去。边缘检测技术是图像测量、图像分割、图像压缩以及模式识别等图像处理技术的基础，是数字图像处理重要的研究课题之一。

边缘检测是图像理解、分析和识别领域中的一个基础又重要的课题，边缘是图像中重要的特征之一，是计算机视觉、模式识别等研究领域的重要基础。图像的大部分主要信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，是图像中灰度变化比较强烈的地方,也即通常所说的信号发生奇异变化的地

--

--

-- 方。经典的边缘检测算法是利用边缘处的一阶导数取极值、二阶导数在阶梯状边缘处呈零交叉或在屋顶状边缘处取极值的微分算法。图像边缘检测一直是图像处理中的热点和难点。

近年来,随着数学和人工智能技术的发展，各种类型的边缘检测算法不断涌现，如神经网络、遗传算法、数学形态学等理论运用到图像的边缘检测中。但由于边缘检测存在着检测精度、边缘定位精度和抗噪声等方面的矛盾及对于不同的算法边缘检测结果的精度却没有统一的衡量标准，所以至今都还不能取得令人满意的效果。另外随着网络和多媒体技术的发展,图像库逐渐变得非常庞大；而又由于实时图像的目标和背景间的变化都不尽相同，如何实现实时图像边缘的精确定位和提取成为人们必须面对的问题。

二、国内外研究现状：

作为计算机视觉的经典性研究课题,图像边缘的研究已有较长历史,涌现了许多方法,这些方法分为两大类：基于空间域上微分算子的经典方法和基于图像滤波的检测方法。基于空间域上微分算子的经典方法。在阶跃型边缘的正交切面上，阶跃边缘点周围的图像灰度()x i 表现为一维阶跃函数()x i ＝()x μ,边缘点位于图像灰度的跳变点。根据边缘点的特性，人们提出了基于图像灰度一阶导数、梯度、二阶导数以及更为复杂的la ｐlac ｅ算子等提取图像边缘的方法。基于图像滤波的检测方法。在实际图像中，边缘和噪声均表现为图像灰度有较大的起落,同是高频信号,但

--

-- 相对来说边缘具有更高的强度。

1. 经典边缘检测算法论述:

边缘检测主要是通过检测每个像素和其邻域的状态来确定该像元是否位于一个物体的边界上。假如某一个像元位于一个物体的边界上，那么其邻域像元灰度值的变化就会相对比较大[3]。边缘检测常用的几种算子有:Rob ｅrts 、Ｓo ｂe ｌ、Pr ｅｗitt 、L ａpla ｃian 和C ａn ｎy 等。

（1） Rob ｅrts 算子

Rob ｅrts 边缘检测算子根据任意一对互相垂直方向上的差分可用来计算梯度的原理，采用对角线方向相邻两像素之差，即: △x

f =),(j i f -)1,1(++j i f , △y f ＝)1,(+j i f －

),1(j i f + ),(j i R =f f y x 22?+?或=),(j i R |f x ?|+|f y ?|

它们的卷积算子f x ????01 ???-10

，f y ????-10 ???01

有了f x ? ， f y ?之后,很容易计算出R ｏbert ｓ的梯度幅值),(j i R ，适当取门限ＴH,作如下判断: ),(j i R >ＴH, （i, ｊ)为阶跃状边缘点。{),(j i R }为边缘图像。

Ro ｂert ｓ算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。检测水平和垂直边缘的效果好于斜向边缘,定位精度高，对噪声敏感。

(2） So ｂel 算子

--

-- 对数字图像(){}j i f ,的每个像素点,考察它上、下、左、右邻点灰度加权差，与之接近的邻点的权值大。s ｏｂｅl 算子很容易在空间上实现，s ｏbe ｌ边缘检测器不但产生较好的边缘检测效果,而且受噪声的影响也比较少。

（３） Pre ｗitt 算子

该算子同Sobe ｌ 算子相似,也是水平和垂直两个卷积和,对图像中的每个像素点做卷积,取最大值作为边缘检测结果输出。该算子即边缘样板算子，由理想的边缘子图像构成。它的基本原理是依次用边缘样板去比对图像信息,由被检测区域最相似的模板给出一个检测最大值作为算子图像边缘的输出。该算子除了能很好地对边缘点进行检测以外,还能抑制噪声的影响。因此在一般处理对象中,对灰度和噪声较多的图像处理得较好。

(4） La ｐlaci ａn 算子

Lap ｌac ｉa ｎ 算子是利用边缘在拐点位置处的二阶导数为零的性质来对图像进行边缘检测的。它就是一个标量,属于各个方向同向性的运算,对灰度突变较敏感,是与边缘方向无关的一种边缘检测算子。

（5) Can ｎy 算子

Cann ｙ 算子是利用局部极值检测边缘的方法。算法在实际存在的边缘点与检测的边缘点存在一一对应的基础上，采用最优化数值方法得到该算子的最佳边缘检测模板。对于不同的情况，选用不同的方法。如阶跃型的边缘,高斯函数的一阶导数与Canny

--

最优边缘检测器的形状相近,利用二维高斯函数的对称性和分解性可以计算高斯函数在任一方向上的方向导数与图像的卷积。因此，在实际应用中可以通过选取高斯函数的一阶导数作为阶跃边缘的次最优检测算子。

2. 形态学边缘检测?

数学形态学是一种非线性滤波方法, 在图像处理中已获得了广泛的应用。形态学运算是物体形状集合与结构元素之间的相互作用, 对边缘方向不敏感, 并能在很大程度上抑制噪声和探测真正的边缘。同时数学形态学在图像处理方面还具有直观上的简单性和数学上的严谨性, 在描述图像中物体形状特征上具有独特的优势。因此, 将数学形态学用于边缘检测，既能有效地滤除噪声, 又可保留图像中的原有细节信息，具有较好的边缘检测效果。数学形态学的主要内容是设计一整套变换, 来描述图像的基本特征或基本结构。最常用的有 7 种基本变换, 分别是膨胀、腐蚀、开、闭、击中、薄化、厚化。其中膨胀和腐蚀是两种最基本最重要的变换, 其它变换由这两种变换的组合来定义。如: 先腐蚀后膨胀的过程称为“开”运算, 它具有消除细小物体，在纤细处分离物体和平滑较大物体边界的作用; 先膨胀后腐蚀的过程称为“闭”运算，具有填充物体内细小空洞，连接邻近物体和平滑边界的作用。该算法简单，适于并行处理, 且易于硬件实现,适于对二值图像进行边缘提取。用数学形态学运算进行边缘检测也存在着一定的不足, 比如结构元素单一的

--

--

问题。它对与结构元素同方向的边缘敏感,而与其不同方向的边缘或噪声会被平滑掉, 即边缘的方向可以由结构元素的形状确定。但如果采用对称的结构元素，又会减弱对图像边缘的方向敏感性。所以在边缘检测中, 可以考虑用多方位的形态结构元素, 运用不同的结构元素的逻辑组合检测出不同方向的边缘。梁勇等人构造的８个方向的多方位形态学结构元素, 应用基本形态运算, 得到 8 个方向的边缘检测结果，再把这些结果进行归一化运算、加权求和, 得到最终的图像边缘。该算法在保持图像细节特征和平滑边缘等方面, 取得了很好的效果。将模糊集合理论用于数学形态学就形成了模糊形态学。模糊形态学是传统形态学从二值逻辑向模糊逻辑的推广, 与传统数学形态学有相似的计算结果和相似的代数特性。Todd 和Hｉｒｏhisa 将模糊形态学推广到了边缘检测领域。目前，数学形态学在理论上已趋于完备, 与实际应用相结合，使之能用于实时处理将是今后发展的一个重要方向。

参考文献

［１] 任毅斌,王子嫣.数字图像中边缘检测算法综合研究[J].计算机与信息技术,2007，18:23-26.

[2］刘清，林土胜．基于数学形态学的图像边缘检测算法_华南理工大学电子与信息学院学报,（5１06４０）2０08年9月．［3] 崔夏荣,陆爱萍.基于小波变换和微分算子的图像边缘检测

--

--

[Ｊ］.南平师专学报，２０0７（4）:3５-3８.

[4]管宏蕊，丁辉.图像边缘检测经典算法研究综述[J].首都师范大学学报(自然科学版).第30卷信息工程专辑 2009年1０月．[5］王晓丹.基于Ｍatlab的图像分析与设计－-图像处理[M].西安：西安电子科技大学出版社，２００0.?［6］刘刚.MＡTLＡＢ数字图像处理——北京：机械工业出版社，2010．5（MATＬＡB工程与应用丛书).

[7]吕玉琴,曾光宇.基于图像边缘检测算法的研究[J]．太原科技，２009（２):31-3３.

[8]周心明，兰赛,徐燕.图像处理中几种边缘检测算法的比较[J].现代电力,200０,17（3）：66－69.

[9]杨恒,杨万海,梁德群.多尺度边缘检测中的有效尺度研究.电子与信息学报.2001，23(l):1一8页

[10］魏伟波芮筱亭.图像边缘检测方法研究 -南京理工大学,动力工程学院, 南京（2100９4),2０06年9月.

[1１]焦李成,谭山.图像的多尺度几何分析:回顾和展望—西安电子科技大学雷达信号处理国家重点实验室和智能信息处理研究所，陕西西安７10071.2003年.

[1２]张翔,刘媚洁,陈立伟．基于数学形态学的边缘提取方法_电子科技大学生命科学与技术学院成都 (61005４），２０0２年.

[13］杨述斌,彭复员,张增常.多尺度自适应加权形态边缘检测方

--

--

法.华中科技大学学报.2０0２,３0(10）:87一89页.

[１4]宋鸣,胡学龙，高燕.基于全方位和多尺度形态学的图像边缘检测－扬州大学学报( 自然科学版)第8 卷第1 期,２005 年2 月．

[１5]黄剑玲，邹辉.一种基于形态学的多结构元素多尺度图像边缘检测方法－上饶师范学院数学与计算机系，微电子学与计算机．2６卷第8 期,2009 年8 月.

[16] D．S.Ｋｉｍ} Ｗ.H．Ｌeｅand LS．Kwｅon.Auｔomaｔiｃedge detectｉｏn ｕｓｉng3ｘ3 ideａｌbinaｒｙpｉｘeｌPａｔｔerns and fuzzy-ｂaseｄedgｅthresｈｏｌｄinｇ[J].Patteｒn RecogniｔｉｏｎＬeｔters,20０4(２５)：１０１一1０6.

［17]Z.Hou，T.Kｏh．Rｏｂust?ｅｄge ｄｅtecｔion[J］.Pattｅrn Recogｎｉｔion,2003，36(9):208３-209１.

［18］S.Koniｓhi，A.Ｙｕｉlｌe anｄＪ．Coｕghlａn,Ａstatistｉｃａl appｒｏaｃｈto crossｉnｇbａｓed multiscale eｄgeｄｅtection[J]. Imａge aｎd VisｉoｎCompuｔｉng ,200３(２1):３7-48.

--

本文来源：https://www.bwwdw.com/article/q1gq.html