基于腐蝕預(yù)處理的Reberts邊緣檢測

席二輝

摘要：圖像的邊緣檢測已經(jīng)應(yīng)用于：國防、工業(yè)、醫(yī)療、交通等行業(yè)。但是獲取圖像意味著噪聲的存在，為了能夠準確的檢測邊緣，預(yù)處理尤為關(guān)鍵，預(yù)處理效果理想，能夠抑制噪聲，提高邊緣檢測的精度。該文應(yīng)用自適應(yīng)閾值預(yù)處理圖像，對處理結(jié)果分別用Reberts、Sobel、Laplacian算法檢測邊緣；與腐蝕運算二次預(yù)處理后Rebels邊緣檢測分析、比較。

關(guān)鍵詞：邊緣檢測；自適應(yīng)閾值；腐蝕

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2017）22-0170-02

人們通過圖像能夠獲取大量信息，然而透過邊緣可以辨識圖像自身，邊緣所占圖像比例甚少卻包含了重要內(nèi)容。獲取準確、有效的邊緣是識別、追蹤等技術(shù)的保證，生活中的應(yīng)用有：目標跟蹤、車牌識別、生物圖像提取等。依據(jù)檢測算法的不同分為：一階微分、二階微分算法，其自身位置的重要性，研究的新成果也不斷涌現(xiàn)，如：李俊峰的Canny算法在中國古畫上的應(yīng)用與改進、李莎的改進蟻群算法及其在圖像邊緣檢測中的應(yīng)用研究等。

1邊緣分類

一副圖像灰度變化突顯的地方即是圖像的邊緣，可以看做是一個區(qū)域與另一個區(qū)域的分界線，依據(jù)邊緣灰度走勢的方向和幅度，圖像邊緣類型分為：

階梯邊緣：指某一像素點或區(qū)域同周圍的灰度發(fā)生或升、或降的聚變，其曲線表現(xiàn)一階求導為局部最值，二階求導為零。

坡形邊緣：指某一像素點或區(qū)域是一個區(qū)域像素升和另一區(qū)域像素降的交集，或相反的交集構(gòu)成。其曲線表現(xiàn)一階求導為零，二階為最值。

線形邊緣：指某一像素點或區(qū)域兩側(cè)灰度一致的情形。

三種邊緣的表現(xiàn)為圖1。

2傳統(tǒng)檢測方法

根據(jù)圖像邊緣的分類，求導后得到的結(jié)果不同，利用不同的梯度算子對圖像從不同的方向掃描得到邊緣，傳統(tǒng)的檢測方法”有：Reberts、Sobel算子。

Reberts利用鄰近區(qū)域像素值的局部差分實現(xiàn)邊緣的檢測，公式表示為：

通過卷積模板知道，Reberts是利用對角線差分求邊緣，水平和垂直方向檢測效果準確，同時能夠檢測出非邊緣的像素，易于和邊緣混淆。

Sobel采用加大卷積模板和加權(quán)操作求取邊緣，提高對噪聲的控制，公式表示：

Sobd相對于Reberts算法，增強了抗噪能力，提高了邊緣檢測的精確度，引用了增大局部平均的思想，導致檢測出虛假邊緣的現(xiàn)象。

3預(yù)處理

圖像預(yù)處理非常重要，在檢測之前預(yù)處理的好，檢測到的效果準確并且抑制噪聲，本文對獲取的圖片先做自適應(yīng)閾值處理，處理后的圖片進行腐蝕操作，去除噪聲細化邊緣。

3.1自適應(yīng)閾值處理

3.2腐蝕算法

4實驗結(jié)果

對圖片的邊緣處理結(jié)果，分為圖3、圖4，其中圖3是原圖直接進行Reberrs、Sobel、Laplacian算法檢測；圖4是經(jīng)過預(yù)處理后的圖片進行三種算法檢測的結(jié)果。

通過結(jié)果看出，直接針對原圖進行Reberrs、Sobel、Lapla-cian檢測噪聲大面積存在，失去了邊緣檢測的意義；圖4中，預(yù)處理1是原圖經(jīng)過自適應(yīng)閾值處理后的圖片，后面的Rebertsl、Sobell、Laplacianl是此算法利用在自適應(yīng)閾值預(yù)處理后的結(jié)果，和對原圖直接處理的結(jié)果比較噪聲普遍去除，圖片邊緣顯現(xiàn)，但人物左上角的背景噪聲依然存在；預(yù)處理2是原圖經(jīng)過自適應(yīng)閾值預(yù)處理后再次腐蝕運算后的圖片，Reberrs2是對此圖片處理后的結(jié)果，可以看出明顯得去除了左上角的背景噪聲。

5結(jié)束語

實驗結(jié)果發(fā)現(xiàn)，傳統(tǒng)邊緣算法直接對圖像操作很可能會產(chǎn)生大量的噪聲，且Reberts算法邊緣易于被噪聲淹沒，sobel邊緣定位準確，但噪聲仍舊普遍存在，Laplacian邊緣和噪聲同樣凸顯，說明這些算法直接對圖片處理，結(jié)果不盡理想；可見圖片預(yù)處理的重要，使用合適的預(yù)處理方法能夠有效的去除噪聲，得到較好的邊緣。endprint