基于局部三进制模式边缘检测方法.docVIP

基于局部三进制模式边缘检测方法 　　摘要：边缘检测是指检测图像中灰度突变的区域边界，其结果直接影响图像后续处理，有效和准确地提取图像的边缘是边缘检测的关键。利用局部三值模式对图像结构特征的表征优势，提出一种新的图像边缘检测算法，能够准确检测出边缘，和其它边缘检测方法比较，具有边缘检出率高和抗噪性能好的优势。 　　关键词：边缘检测；局部模式；图像处理 　　DOIDOI：10.11907/rjdk.143997 　　中图分类号：TP317.4 　　文献标识码：A 文章编号文章编号2015）001012903 　　0 引言 　　图像边缘是图像的重要特征之一，在视觉中具有重要作用，研究表明人眼对物体的感知在很大程度上依赖于边缘，人眼往往通过物体的边缘就能够识别物体[1]。图像边缘是连接图像中灰度发生突变的像素点的集合，边缘检测就是要将图像中灰度剧烈变化的部位检测出来，即根据引起图像灰度变化的物理过程来描述图像灰度变化的过程[2]。边缘检测为人们描述、识别目标以及理解图像提供了重要的特征信息。 　　传统的边缘检测算子有Robert算子、Sobel算子、Prewitt算子和Laplacian算子等。这些方法都是在图像上使用微分算子，找到局部最大值或者过零点值对应的点，即认为这些点是边缘点[3]。这些算子对噪声比较敏感，检测结果经常不能令人满意。本文利用局部三值模式对图像结构特征的表征优势，提出一种新的边缘检测算法，能准确检测出边缘，和其它边缘检测方法相比，边缘检出率高、抗噪性能优。 　　1 局部模式表示 　　1.1 局部二值模式（Local Binary Patterns， LBP） 　　Ojala[4]提出了利用LBP从图像结构和统计分析角度分析图像。其作为图像描述算子已经成功运用在纹理分类、图像分割、人脸识别等领域[5]。LBP计算公式为： 　　LBPp，r=∑p-1p=0s（gp-gc）2p，s（x）=1，x≥00，x0 （1） 　　其中，gp是邻域像素点的灰度值，gc是中心像素点的灰度值，p是邻域像素点的个数，r是邻域半径。图1给出了一个LBP模式的计算过程实例。在3×3的窗口内，以窗口中心像素灰度值为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素点的灰度值大于或等于中心像素点的灰度值，则该像素点的位置标记为1，否则为0。将3×3邻域内8个点级联起来可产生一个8位的二进制数，将二进制数转化为十进制数就得到该窗口的LBP值。 　　图1 局部二值模式的计算（p=8，r=1） 　　为消除图像旋转带来的影响，实现旋转不变性，Ojala提出了旋转不变局部二值模式（Rotation Invariant Local Binary Patterns，RILBP）。RILBP的计算公式为： 　　RILBPrip，r=min{Ror（LBPp，r）}（2） 　　其中，Ror{x}表示将p位的二进制数x按位向左平移，并将最高位移到最低位。RILBP很好地解决了图像的旋转问题，但是模式集的个数随着p的增加会急剧上升，降低了算法效率。为了降低模式集的个数，Ojala提出了均匀局部二值模式（Uniform Local Binary Patterns，ULBP），ULBP计算公式为： 　　ULBPriu2p，r=∑p-1p=0s（gp-gc）ifU（LBPp，r）≤2p+1 otherwise （3） 　　U（LBPp，r）=|s（gp-1-gc）-s（g0-gc）|+∑p-1p=1|s（gp-gc）-s（gp-1-gc）| 　　从式（3）可以看出，当r=1，p=8时，LBP的模式集个数降至10，模式集个数大大减少。 　　1.2 局部三值模式（Local Ternary Patterns，LTP） 　　LBP通过比较图像局部窗口内中心像素点和邻域像素点之间的灰度值差异性描述图像局部特征。对于图像灰度变化不大或中心点和邻域点灰度值相近的两个窗口，可能得到的LBP模式不同。为了解决LBP算法这一不足，Tan[6]提出了LTP方法。LTP算法考虑的邻域结构与LBP算法类似，计算公式如下： 　　LTPp，r=∑p-1i=0s（gi-gc）3p，s（x）=1ifxT0if-T≤x≤T-1ifx-T（4） 　　其中，T为阈值。图2给出了一个LTP模式计算的过程实例。在3×3的窗口内，将相邻的8个像素的灰度值与中心像素灰度值进行比较，若邻域像素点灰度值减去中心像素点灰度值的差大于阈值T，则该邻域像素点的位置标记为1；若差值小于阈值-T，则该像素点的位置标记为-1；若差值在阈值-T和T之间，则邻域该像素点的位置标记为0。可以看出，在邻域采样点个数固定的情况下，LTP模式种类数目远多于LBP。为了简化