一种新亚像素边缘检测算法.docVIP

一种新亚像素边缘检测算法 　　摘要：总结了目前基于sigmoid函数的亚像素边缘检测算法，针对其计算过程较为复杂的缺陷，本文提出了一种新的亚像素边缘检方法―基于反正切函数拟合的亚像素边缘检测方法。该算法首先通过Canny算子进行图像整像素边缘的初步定位，并采用反正切函数作为拟合边缘模型，利用边缘像素附近的灰度值拟合边缘模型来获得亚像素的边缘定位。实验结果表明，在不影响精度的前提下，基于反正切函数拟合的亚像素边缘检测算法的运行时间要明显快于sigmoid函数的亚像素边缘检测算法的运算时间。因此，反正切函数拟合的亚像素边缘检测算法基本地满足了图像测量的稳定可靠、高精度、强实时性要求，并对图像噪声有较强的抗干扰能力。 　　关键词：亚像素边缘检测 反正切函数 sigmoid函数 Canny算子 　　中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2014）02-0126-02 　　1 引言 　　边缘[1]是图像最基本的特征。边缘检测技术[2-3]在计算机视觉、图像分析等应用中有着重要作用，是图像分析和模式识别的主要特征提取手段。边缘检测的实质是通过一些算法来提取图像中灰度不连续的边缘像素。传统边缘检测算法是利用一些微分算子考察图像的每个像素在某个区域内灰度的变化，如Sobel算子、Robert[4]算子以及canny算子[5]等。这些微分算子多为整像素级，形式简单所以检测速度快，但定位精度较差。而随着工业的发展，生产中对加工精度需求的提高，传统的整像素级检测方法已经不能够满足生产中的需要。因此，亚像素边缘检测方法被提出，并获得了较高的检测精度。目前，亚像素边缘检测技术主要可分为三大类：基于矩、插值法及拟合的方法。其中，矩方法过程简单，易于实现，检测速度较快，但是检测的结果易于受到外部因素的影响；虽然插值法在检测的速度和精度这两方面都有良好的保证，但是其并不具有良好的抗噪性。而拟合类亚像素边缘检测算法由于对噪声具有良好的鲁棒性并且较好地保证了检测精度，所以获得了业界的认可和广泛的应用。 　　拟合方法的基本思想是首先找到一个近似真实边缘灰度分布的函数模型，然后通过最小二乘拟合获得模型中的参数，从而实现亚像素边缘定位。由于拟合过程中需要优化迭代计算，特别当进行二维边缘检测时，检测速度往往较慢。 　　近年来，国内的许多学者都致力于对拟合类的亚像素边缘检测方法进行研究，并取得了一定的进展。文献[7]提出了基于sigmoid函数的亚像素检测算法。该算法的优点是定位精度高且不需要事先确定边缘的整像素位置，缺点是计算过程复杂。针对上述问题，本文提出了一种基于反正切函数拟合的亚像素边缘检测方法，在保证了检测精度的条件下，同时提高了检测速度。 　　2 基于sigmoid函数的边缘模型 　　Sigmoid函数是一个具有单调性、光滑性和连续性的阈值函数，它最初并且经常被应用在神经网络中。图像边缘经过采样后将会变成一条光滑的曲线，所以可以用sigmoid函数进行拟合。图1和图2分别为边缘模型和sigmoid函数曲线。Sigmoid函数的边缘模型表示为公式（1）的形式： 　　式中：a表示图像边缘的最大灰度值与最小灰度值之差，因为sigmoid函数具有单调性，所以a也可以理解为在图像上要拟合点的第一个点的坐标和最后一个点的坐标之差；b为sigmoid函数在x轴的偏移量；c代表边缘的倾斜度；d代表sigmoid函数在y轴的偏移量。为了计算出未知参数a，b，c和d的值，需要利用最小二乘法实现对边缘两边的灰度值和x的坐标值作拟合。 　　为了利用sigmoid函数获取边缘的亚像素的精确位置，需要令，并对（2）式进行求导： 　　在（6）式中，y为边缘斜率最大点的坐标，根据边缘的定义可知该点的位置就是亚像素边缘的位置。 　　虽然基于sigmoid函数的亚像素边缘检测算法可以达到一定的精度，但是由于其计算过程相对复杂，不易被普及和推广。 　　3 基于反正切函数的亚像素边缘检测算法 　　在图像中，所谓的边缘是图像中物体与背景间灰度变化最为明显的一部分像素点的集合，通常由一系列离散的像素灰度值构成，实际的灰度分布如图3（a）所示。 　　在数学中，反正切函数是一类与常见三角函数类似的函数，其函数图像如图3（b）所示。对比图3（a）和图3（b）可以看出，灰度分布图和反正切函数图像很相似。因此，利用反正切函数能够近似的描述物体边缘实际的灰度分布情况。 　　本文利用反正切函数作为边缘灰度模型，实现了亚像素边缘检测，方法如下： 　　（1）整像素边缘检测初定位。利用Canny算子进行整像素边缘检测，实现包含边缘图像区域的初步定位。进行检测时，沿边缘法线的方向，以某边缘点为中心，取一列边缘区域向量的灰度值。如图4所示。 　　（2）将反正切函数。 　　作为拟合基函数，