基于NSCT和KFCM聚类的图像边缘检测方法.pdfVIP

华 南 理 工 大 学 学 报 (自然科 学版 ) 第43卷 第5期 JournalofSouthChinaUniversityofTechnology VO1．43 No．5 2015年5月 (NaturalScienceEdition) Mav 2015 文章编号：1000—565X(2015)05—0059—07 基于 NSCT和 KFCM聚类的图像边缘检测方法术 吴一全 ， 朱丽 李立 (1．南京航空航天大学 电子信息工程学院，江苏 南京210016；2．江苏省制浆造纸科学与技术重点实验室， 江苏 南京 210037；3．高速铁路线路工程教育部重点实验室 ，四川 成都610031； 4．深圳市城市轨道交通重点实验室，广东 深圳 518060) 摘 要：为进一步提高现有 图像边缘检测方法的性能，提出了一种基于非下采样 Contourlet 变换(NSCT)和核模糊 c一均值(KFCM)聚类的图像边缘检测方法．首先通过 NSCT将原始 图 像分解成低频分量和高频分量；然后对含噪声较少的低频分量提取边缘信息，并采用KFCM 聚类算法进行聚类得到低频边缘 图像，以提高定位精度，而对于边缘细节信息较多的高频分 量各个子带，通过模极大值检测边缘 以减少伪边缘，丰富图像细节；最后对低频和高频图像 边缘进行融合得到完整的边缘．实验结果表明，相比于Canny方法、边缘检测算子与模糊聚 类结合的方法、边缘信息与混沌粒子群优化的模糊聚类结合的方法、NSCT域模极大值方法， 文中方法具有更好的边缘检测效果，边缘定位准确、完整、连续、细节丰富． 关键词 ：图像处理；边缘检测；非下采样Contourlet变换；核模糊 c一均值聚类；模极大值 中图分类号：TP391．41 doi：10．3969／j．issn．1000-565X．2015．05．010 边缘是图像局部灰度变化最显著的部分，是图 进行聚类，以提高边缘定位精度．然而，一方面由于 像最基本的特征之一，它能描述区域的轮廓、形状 微分算子对噪声敏感，常将噪声点当作边缘点检测 等，包含着许多有价值的目标边界信息，这些信息的 出来，漏检了真正的边缘；另一方面，FCM算法直接 正确提取可帮助人们更有效地进行下一阶段的处 利用样本特征进行聚类，难 以处理各类样本之间微 理 ，如特征提取、目标识别等 。j．因此，边缘检测是 小的差别，而核模糊 c．均值 (KFCM)聚类算法将原 图像处理与分析中的一个重要环节，已在纸张、铁轨 始样本特征映射到高维特征空间，克服了FCM算法 表面等缺陷检测中得到广泛的应用E4-53． 的缺点，能更好地分辨和提取有用的特征．因此可以 传统的边缘检测算子有 Prewitt、Sobel、Robeas、 考虑将图像分解到变换域 ，对含噪声较少的低频 Log和Cnany算子等．这些微分算子虽然简单方便， 分量提取边缘信息，并用 KFCM 聚类算法进行聚 但在边缘附近会产生较宽的响应，影响边缘定位的 类．近年来，随着多尺度几何分析的发展 ，基于小波 精度 J．因此，文献 [8．10]中将边缘信息组合成多 变换、Contourlet变换 ”、非下采样 Contourlet变换 维特征描述边缘特性，利用模糊c一均值 (FCM)算法 (NSCT) 等更有效的边缘检测方法相继出现． 收稿 日期：2014．09—30 基金项目：江苏省制浆造纸科学与技术重点实验室开放基金资助项目(201313)；高速铁路线路工程教育部重点实验室开放 基金资助项 目(2014一HRE一01)；深圳市城市轨道交通重点实验室开放基金资助项 目(SZC