基于图论边缘提取方法.docVIP

基于图论边缘提取方法 　　摘要：针对传统边缘方法提取的边缘具有不连续、不完整、倾斜、抖动和缺口等问题，提出基于图论的边缘提取方法。该方法视像素为节点，在水平或垂直方向上连接两个相邻的节点构成一个边，从而将图像看作无向图。它包括三个阶段：在像素相似性计算阶段，无向图的边上被赋予权值，权值代表了像素间的相似性；在阈值确定阶段，将所有权值的均值（整幅图像的相似度）确定为阈值；在边缘确定阶段，只保留权值小于阈值的水平边的左边节点与垂直边的上边节点，从而获得了图像的边缘。实验表明，该方法适用于具有明显目标与背景的图像的边缘提取，能够克服不连续、不完整、倾斜、抖动和缺口等缺陷，并且对Speckle噪声和高斯噪声具有抗噪性能。 　　关键词：边缘提取；图论；阈值；噪声 　　中图分类号：TP391.41 　　文献标志码：A 　　0引言 　　图像中目标和背景间的边界称为边缘，通常使用图像中像素灰度值的变化来检测和提取边缘。边缘提取的目的是提取能够被计算机识别的有价值的边缘信息，以便于图像目标识别和图像滤波[1]。边缘提取是图像分割和特征提取的基础，同时也是机器视觉和模式识别的基础[2]。因此，本文聚焦边缘提取。 　　目前，现有的边缘提取方法主要分为两类[3]：第一类使用一阶偏导数提取边缘，例如Sobel算子和Prewitt算子；第二类使用二阶偏导数提取边缘，例如LoG（Laplacian of Gaussian）算子。此外，还有其他的边缘提取方法，例如Canny算子。 　　在上述的边缘提取方法中，Sobel算子、Prewitt算子和LoG算子计算简单，但对噪声敏感[4]，它们提取的边缘是不精确的，例如不连续、不完整、倾斜、抖动和缺口等。Canny算子能够克服不连续和不完整问题，但仍然存在倾斜、抖动和缺口等缺陷（如图1所示）；此外，Canny算子也对噪声敏感。为了克服上述边缘提取方法的不足，本文提出了基于图论的边缘提取方法。 　　通常，边缘提取方法包括像素差异性计算、阈值确定和边缘确定三个阶段。在像素差异性计算阶段，先前方法使用梯度（模板）来描述像素差异性，例如Sobel算子和Prewitt算子，如果某像素点的梯度值大于阈值，那么该点被看作边缘点[5]；然而，本文使用像素间相似性来描述像素差异性，如果两个像素的相似性小于阈值，那么其中的一个像素点被看作边缘点。在阈值确定阶段，先前方法主要使用给定的阈值；而本文方法将整幅图像的相似度均值看作阈值，它能够描述图像的全部信息，弥补了直接给出阈值的主观性。 　　基于上述分析，本文利用无向图理论提出了基于图论的边缘提取方法，它包括像素间相似性计算、阈值确定和边缘确定三个阶段。 　　1本文方法原理 　　2基于图论的边缘提取方法 　　2.1像素间相似性计算 　　为了能够表示像素间的像素差异性，本文借助无向图理论提出了像素间相似性。如图2（a）所示，本文将图像视为无向图，对无向图的边赋予权值，它代表了由这条边连接起来的两个节点的相似度，从而构建了基于无向带权图的像素间相似性。本文利用图像像素的整体信息（灰度值与空间位置）计算边上的权值（像素间相似性），即w（u，v）[7-8]： 　　2.2阈值确定 　　对于基于图论的边缘提取方法，如何确定阈值尤为重要，它决定了其结果的优劣。在先前文献中，阈值通常基于某些规则被确定出来，这些规则被应用于局部或者全局阈值方法。对于局部阈值方法，例如，文献[9]以灰度方差法为基础，结合灰度梯度与灰度方差的特性从而确定局部阈值；文献[10]运用图像梯度方差对图像加以分块，并对各子块采用最大类间方差法从而确定阈值。对于全局阈值方法，例如，文献[11]通过最大化目标和背景中像素的熵从而确定阈值；文献[12]利用定义的边界梯度控制函数确定了分割阈值的集合，并在该集合中采用最大熵原理求得最优阈值。在本文中，阈值是基于全局阈值而确定的。根据图像的特性，即像素在目标和背景内部的相似性大，而在边缘处相似性小，由此可知，EA和EB中边上的权值是大于EAB中边上的权值，因此可以推断出所有的权值的均值（mean）小于或等于EA和EB中边上的权值，而大于EAB中边上的权值。因此，mean被确定为阈值。mean的定义为： 　　步骤2确定图像的边缘，它由节点（像素）构成。本文只保留EAB中的所有水平边的左边节点（像素），即标记成深灰色的节点，将它们的灰度值设置为255，其余节点（像素）的灰度值设置为0，从而获得图像中的垂直边（见图3（b））；另一方面，本文只保留EAB中的所有垂直边的上边节点（像素），即标记成深灰色的节点，将它们的灰度值设置为255，其余节点（像素）的灰度值设置为0，从而获得了图像中的水平边（见图3（c））。综上所述，被保留下来的节点（像素）构成了图像的最终边缘（