基于多方向Sobel算子性能研究.docVIP

基于多方向Sobel算子性能研究 　　摘 要：针对现有边缘检测算子存在的边缘不连续、方向性差和检测效果不佳等缺点，提出了基于多方向的Sobel检测算法。该算法分别采用四方向和八方向模板进行卷积、叠加、融合，得到梯度图像，再细化得到边缘图像。将传统的经典算子检测图像与多方向的边缘图像进行比较，结果表明：多方向的Sobel算子获取的图像边缘较完整、连续、定位精度高，且方向性强，检测效果优于传统算子，而且方向模板数量越多，检测效果越好。 　　关键词：边缘检测；Sobel；多方向；梯度 　　DOIDOI：10.11907/rjdk.1511005 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号2015）012004003 　　基金项目基金项目：四川省教育厅重大科研培育项目（07ZZ035） 　　作者简介作者简介：葛小凤（1991-），女，四川自贡人，西华师范大学电子信息工程学院硕士研究生， 研究方向为电子信息技术；通讯作者：陈亚军（1966-），男，重庆人，西华师范大学实验中心教授，研究方向为计算机应用技术和电子信息技术。 　　0 引言 　　数字图像的边缘是图像目标和背景的边界线，它可以提供大量的边缘信息，剔除冗余信息。所以，边缘检测成为图像分析领域的研究热点，在人脸识别、车牌识别、铁轨异物检测等方面发挥着重要作用[1]。 　　传统边缘检测算子有梯度算子、拉普拉斯算子、 Canny 　　算子和LOG算子等[2]。这类算法比较简单，运行速度快，但存在检测的方向性差、边缘不连续、对噪声敏感等不足。在一些要求比较高的应用中，这类算法远远不能满足具体应用要求。近年来，陆续提出了一些新的检测算法，如基于小波变换、遗传神经网络和数学形态学的边缘检测算法等，其检测效果比传统算法好，但这类算法较为复杂，运行速度比较慢[3]。本文在分析传统的Sobel算子基础上，提出了基于四方向和八方向的Sobel检测方法，使检测图像的方向性、边缘细化和连续性都有明显提高。 　　1 传统的Sobel算子 　　数字图像f（x，y）的梯度矢量在点（x，y）处定义为： 　　f（x，y）=[GxGy]T=[fxfy]T（1） 　　Gx和Gy为沿x和y方向的梯度，梯度的幅值和方向角分别如下： 　　f（x，y） = （G2x + G2y ）12（2）φ（x，y）=arctan（GyGx）（3） 　　传统的Sobel算子是梯度算子的一种，可从不同的方向检测边缘。原理如图1所示，水平和竖直两个方向模板与图像进行领域卷积，再对图像数据进行加权计算。 　　图1 传统Sobel算子的方向模板 　　传统Sobel 算子的优点是原理简单，易于实现，运行速度快。由于它是先平均后差分，会丢失部分细节信息。而且只采用了两个方向的模板，对其它方向的边缘不敏感。对于纹理复杂的图像来说，检测效果不佳。 　　2 多方向的Sobel算子检测 　　本文针对传统Sobel算子进行边缘检测的不足，对其进行改进，提出了一种改进的检测方法和检测流程。 　　2.1 方向模板的扩展 　　传统Sobel算子有两个检测模板，一个用于检测图像的横向边缘，一个用于检测图像的纵向边缘。单独检测出来的横向边缘或纵向边缘效果明显没有将两者融合的传统Sobel算子检测效果好。由此得到启发，方向模板数量越多，检测效果越好。 　　图2是根据Sobel算子设计的±45°方向的两个模板，加上图1的两个模板，这4个模板就是四方向Sobel算子的卷积模板。 　　由于Sobel算子不是各向同性的，所以可以扩展至八方向的卷积模板，如图3所示。 　　图2 ±45°方向的两个模板 　　图3 八方向示意 　　改进的八方向模板增加了检测图像的方向，所以检测的边缘更加详细和具体，对纹理复杂的图像来说，检测效果更佳。 　　2.2 改进的流程及原理 　　对比传统的Sobel算子，结合多方向的模板，提出了改进的Sobel算子的边缘检测流程。 　　首先，利用多方向的模板沿着图像像素平滑移动，与每个像素进行卷积，用运算结果得到的最大值顶替模板中心像素点的梯度值，这时模板方向为该像素点的边缘方向。通过这个过程得到各个方向的梯度图像。 　　其次，运用图像的代数计算，将前面的方向梯度图像中对应元素两两相加，叠加融合求平均图像，降低图像中的加性随机噪声。 　　再次，设定阈值Th，将梯度图像通过式（4）二值化处理，如果图像像素小于阈值，则将像素置为0，其它情况置为255。本文阈值设定为0.5。但是经过处理后的图像边缘线条较粗，不清晰。 　　E（x，y）=0 if（g（x，y）TH）255 others （4） 　　所以，针对上述二值图像边缘粗和定位不精确的问题，采用数学形态学