一种基于Sobel图像边缘检测改进算法.docVIP

一种基于Sobel图像边缘检测的改进算法 　　摘 要：针对传统Sobel边缘检测算法因方向模板限制而出现边缘定位精度不高，以及对叠加噪声的图像边缘检测效果不佳的问题，提出了一种基于传统Sobel算子的改进算法。首先将水平和垂直两个方向模板增加至8个，提高边缘的定位精度;然后利用边缘的最大后验概率估计，对采用八方向Sobel算法检测出的梯度图像进行最佳阈值分割处理，增强算法的抗噪声能力。实验结果表明，改进算法提取的边缘信息完整准确，对噪声干扰有较强的抑制能力。 　　关键词：边缘检测;Sobel算法;八方向模板;最佳阈值 　　DOI：10.11907/rjdk.143576 　　中图分类号：TP312 　　文献标识码：A 文章编号：1672-7800（2014）012-0079-03 　　作者简介：梁娟（1984-），女，硕士，福建农林大学东方学院计算机系助教，研究方向为图像处理、视频监控。 　　0 引言 　　 数字图像的边缘是背景图像与目标图像的分界，是图像的一个最基本特征，包含很多有用信息，包括方向、形状、阶跃性质等。因此，边缘的提取成为图像分析领域的一个重要课题lt;supgt;[1]lt;/supgt;。边缘检测作为数字图像处理中的基础内容，是图像分割、图像增强、图像压缩等图像分析技术、模式识别及计算机视觉的基础和前提，边缘检测结果的准确性和可靠性将直接影响到整个计算机视觉系统的工作质量。因此，一种抗噪声能力强、定位精确、没有漏检和误检的边缘检测算法成为众多学者的研究目标。 　　 在灰度图像中，边缘是指相邻像素点的灰度值发生了剧烈的变化，即图像局部强度变换最显著的部分lt;supgt;[2]lt;/supgt;。国内外诸多学者经过大量研究，已经提出了一些经典的图像梯度边缘检测算子，如robert算子lt;supgt;[3]lt;/supgt;、sobel算子lt;supgt;[4]lt;/supgt;、prewitt算子、log算子和canny算子等。这些算法的特点各不相同，同时也具有一些不同的局限性。sobel算法凭借其算法简单、计算量小、速度快等优势广泛应用于多个领域，然而由于传统的sobel算法对噪声比较敏感，同时对边缘的方向特征考虑较少，检测方向因只有垂直和水平两个方向，导致检测结果常常丢失一部分边缘细节，从而给它的应用带来了一定的局限性。 　　 本文针对传统Sobel算法的不足，提出了一种Sobel改进算法。首先将传统Sobel算法的水平方向和垂直方向这两个方向模板增加至8个方向模板，分别从0°、45°、90°、135°、180°、225°、270°、315°这8个方向进行检测，从而可以检测出更完整的边缘信息，提高边缘的定位精度。然后利用边缘的最大后验概率估计，对进行八方向Sobel算法检测后的梯度图像进行最佳阈值分割处理，增强算法的抗噪声干扰能力，并且通过实验验证了该改进算法在噪声环境中的有效性。 　　1 传统sobel算法 　　 图像的边缘检测技术是根据检测算法提取出感兴趣的目标前景与背景之间的交界线。由于在前景与背景的边界处图像的灰度值会有较大改变，因此，可以根据灰度的变化率来度量和定位图像的边缘点。联系数学中的微分运算，可以用灰度值的一阶导数的零点来描述图像的边缘信息。假设有连续图像函数，式（1）表示图像函数在点处的梯度相量lt;supgt;[5]lt;/supgt;;式（2）表示梯度幅值，在实际应用中，一般为了简化计算，常常用绝对值来表示梯度幅值，即用式（3）表示;式（4）表示梯度的方向。 　　G（x，y）=Gx，Gy=fx，fy（1） 　　G（x，y）=G2x+G2y（2） 　　G（x，y）=Gx+Gy （3） 　　θ=arctan（Gy/Gx）（4） 　　 在边缘检测算法中，Sobel算子是最常用的算子之一。它利用水平模板和垂直模板对一些离散的数据（图像）进行邻域平均或加权平均运算，从而检测出图像的边缘点。图1是Sobel算子的卷积模板。 　　算法具体步骤如下lt;supgt;[6]lt;/supgt;：①分别将两个方向模板的中心像素与图像的某一像素重合，并将其沿着图像像素移动;②将模板中的系数与对应的图像像素值相乘，并将所有乘积的结果相加;③用两个卷积的的最大值代替图像中模板中心位置的像素值，作为该像素新的灰度值;④取合适的阈值TH，若新的灰度值≥TH，认为该像素点为边缘点。 　　由此可知，Sobel算子的算法简单，处理速度快，因其采用了加权平均的方法，所以对图像中的一些随机噪声有一定的抑制能力。但是，传统的Sobel算子模板只能检测垂直和水平两个方向上的边缘，因此对一些纹理比较复杂的图像，检测效果不是很理想。同时，由于算法的定位精度不高，从而导致在