自适应Canny算法的植物叶片图像边缘检测应用.docVIP

自适应Canny算法的植物叶片图像边缘检测应用 　　摘要：研究一种自适应阈值的Canny算法并应用在植物叶片图像边缘检测上，利用中值滤波替换掉经典Canny算法里的高斯滤波，将通过梯度方向进行非极大值抑制，而后采用OSTU方法计算高低阈值并连接边缘，从而实现自适应植物图像边缘检测。实验结果表明，该方法能对叶片图像自适应检测，且检测边缘清晰连贯，能较好突出叶片边缘特征。 　　关键词：Canny算法；自适应；边缘检测；OSTU；中值滤波 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）22-5126-03 　　图像边缘是指图像中灰度有显著变化的像素点的集合，边缘检测是图像特征提取进而识别的基础。在边缘检测上常用的经典算法有Log、Sobel、Robets等，这些算法有实现简单，易于操作的优点，但是对噪声比较敏感，抗干扰性能差，并且边缘的精细度不够。而对于这些，有着信噪比大和检测精度高的优点的经典Canny算法更有优势，在图像边缘检测方面有更好的效果。但传统Canny算法在实际应用中也有一些不足，如采用固定的阈值，容易丢失对比度较弱的边缘或形成虚假边缘，当然不少学者提出了改进方法【1】-【6】，也实现了很多地方的应用。而本文将改进Canny算法应用在了植物叶片图像边缘检测，采用中值滤波平滑去噪，根据灰度直方图自动计算高低阈值，实现自适应的植物叶片边缘检测，实验结果表明效果良好。 　　1 传统Canny算法原理 　　一个优秀的边缘检测算法需要满足信噪比、定位精度和单边界响应三个准则。而Canny算法就是在这基础上推导出来的最优边缘检测算法，它包含四个步骤：首先利用高斯过滤器平滑去噪图片，其次利用一阶偏导计算图像的梯度幅值和方向，然后对梯度的幅值进行非极大值抑制，最后利用设定的高低阈值排除伪边缘得到轮廓。 　　1.1 高斯过滤平滑图片 　　1.3 对梯度的幅值非极大值抑制 　　非极大值抑制是为了精确定位边缘而对像素点进行沿幅角方向取最大值。其方法是将像素点的邻域分为上下、左右、左斜和右斜四个方向，如图1所示。根据梯度方向遍历8个方向图像像素，把每个像素点的值与梯度方向邻域内的像素点比较，取其最大值作为边缘点，反之则置该像素灰度值为0。 　　1.4 双阈值检测和连接边缘 　　对处理后的图像通过两个固定阈值处理，并形成轮廓。两个阈值是事先设定的，高阈值大约是低阈值2倍，通过高阈值将非极大值抑制作用选取的候选像素点再次筛选，形成不含虚假边缘的图像，但图像边缘是间断地；同时用低阈值形成信息更丰富的图像，在高阈值图像边缘形成的轮廓端点由低阈值图像寻找可以连接轮廓的边缘，利用递归跟踪的算法直到将高阈值边缘图像中的间隙连接起来为止。 　　2 改进的Canny算法 　　2.1 中值滤波 　　中值滤波是经典的平滑噪音的方法，它可以代替高斯滤波去噪又能较好的保护图像边缘信息，它原理是将每一个像素点的灰度值设置为该像素点某邻域窗口内所有的像素点灰度值的中值，其过程是： 　　1）设定一个滤波窗口，将窗口中心与图像中某点的像素点位置重合； 　　2）在窗口中取出所有（奇数个）像素点； 　　3）将像素点灰度值按一定顺序排列； 　　4）取中间像素点的灰度值赋值给窗口中心位置的像素点。 　　中值滤波取得是领域中像素的灰度中值，利用中值代替周围像素灰度差异度较大的像素，可以消除相对孤立的噪音。中值滤波实现利用快速算法：滤波窗口实现一个像素点取中值后只需删除最早加入的元素，在利用原有的排序序列快速查找位置插入新的元素，实现下一个窗口滤波。与传统的算法相比效率高。 　　2.2自适应求阈值 　　4）最佳分割门限值就是是在图像中能够使得背景A与对象B的类间灰度方差[σ]最大的灰度值。即对阈值t逐个寻优，将使类间方差[σ]最大的阈值t1、t2 分别设置为高低阈值。 　　3 实验与结果与分析 　　3.1 本文设计的自适应Canny算法的植物叶片图像边缘检测算法的步骤 　　1）待检测的图像读取。 　　2）根据设定的滤波窗口大小，对图像进行中值滤波平滑。 　　3）梯度幅值和方向计算。对图像进行一阶差分计算梯度幅值。 　　4）非极大值抑制。选取最大值为候选边缘点，置非极大像素点为0。 　　5）双值域计算。利用OSTU算法自动求出最优高低阈值。 　　6）连接边缘。对候选边缘点进行递归搜索查找并连接，形成轮廓。 　　3.2 实验结果分析 　　对传统Canny算法与本算法的比较。由上图可以看出传统Canny算法虽然能得到较好的边缘，但是不能处理好阴影的噪声，叶片根部形成了虚假边缘，与原轮廓图有一定的差距；本算法处理的轮廓较为清晰连贯，没有虚假边缘，与原轮廓差距不大。 　　4 结束语 　　本文提出一种