一種基于偏微分方程和Canny算子的圖像分割方法

侯守明,王陽,唐琪博,張玉珍

(河南理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,河南 焦作 454000)

一種基于偏微分方程和Canny算子的圖像分割方法

侯守明,王陽,唐琪博,張玉珍

(河南理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,河南 焦作 454000)

邊緣輪廓的分割與提取是基于圖像處理方法檢測(cè)線束端子壓接質(zhì)量的前提。針對(duì)傳統(tǒng)圖像處理方法自動(dòng)提取線束端子截面邊界輪廓不準(zhǔn)確的問題,以偏微分理論為基礎(chǔ),結(jié)合Canny算子邊緣檢測(cè)方法,提出一種基于偏微分方程和Canny算子的邊緣檢測(cè)模型。利用卷積邊界自動(dòng)填充圖像邊界,通過梯度非極大值抑制選擇閾值最大化區(qū)分目標(biāo)和背景。理論研究和實(shí)驗(yàn)結(jié)果表明,該模型不僅能比較準(zhǔn)確地檢測(cè)圖像邊緣輪廓,而且對(duì)噪聲、模糊有一定的抑制作用。該模型已經(jīng)應(yīng)用在線束端子斷面輪廓自動(dòng)測(cè)量系統(tǒng)中并準(zhǔn)確地提取邊緣輪廓。

偏微分方程;Canny算子;線束端子;邊緣檢測(cè)

0 引言

圖像的主要信息集中在它的邊緣、細(xì)節(jié)和紋理等特征中,而這些特征不僅對(duì)于圖像的視覺效果意義重大,而且對(duì)于圖像分析和理解等圖像后續(xù)工作任務(wù)來說也是非常重要的。邊緣檢測(cè)作為數(shù)字圖像處理的重要內(nèi)容之一,其目的是提取圖像邊緣輪廓信息,剔除不相關(guān)的信息,從而極大地減小分析的數(shù)據(jù)量[1]。圖像邊緣檢測(cè)是數(shù)字圖像處理的重要內(nèi)容,是進(jìn)行圖像分割、圖像分析、物體識(shí)別等深層次處理的關(guān)鍵步驟;邊緣提取的目的就是把目標(biāo)物體或者人們感興趣的部分從圖像中分離出來,同時(shí)得到相應(yīng)的目標(biāo)物體的邊緣,通過邊緣檢測(cè)可以保留物體邊界形態(tài)的結(jié)構(gòu)信息,極大地降低圖像處理的數(shù)據(jù)量,從而簡(jiǎn)化圖像分析的過程[2-3]。

汽車線束端子壓接質(zhì)量的檢測(cè)是保證汽車安全性、可靠性,提高汽車整車質(zhì)量的關(guān)鍵因素之一。通過提取壓接端子斷面輪廓,將測(cè)得參數(shù)同設(shè)定的標(biāo)準(zhǔn)參數(shù)進(jìn)行比較,以此來判斷端子斷面壓接質(zhì)量是否合格,并自動(dòng)輸出測(cè)試結(jié)果,可以滿足線束生產(chǎn)制造企業(yè)端子壓接質(zhì)量檢測(cè)的需求,并且大大減輕測(cè)試人員的勞動(dòng)強(qiáng)度,提高工作效率,保證產(chǎn)品質(zhì)量。線束端子斷面輪廓的自動(dòng)提取是端子斷面檢測(cè)儀器的核心技術(shù),現(xiàn)有端子斷面測(cè)量系統(tǒng)主要采用傳統(tǒng)的邊緣檢測(cè)方法實(shí)現(xiàn)端子斷面輪廓的自動(dòng)檢測(cè),效果并不令人滿意;如不能實(shí)現(xiàn)自動(dòng)檢測(cè),工作人員必須采用人機(jī)交互(手描)的方式提取輪廓,勞動(dòng)強(qiáng)度很大。如何采用適合端子斷面圖像的圖像分割模型提高自動(dòng)檢測(cè)的成功率便成為系統(tǒng)開發(fā)的關(guān)鍵難題。

線束端子斷面輪廓具有連續(xù)性好、噪聲干擾大、邊緣強(qiáng)弱對(duì)比度明顯等顯著特點(diǎn),經(jīng)實(shí)驗(yàn)比對(duì),常用的邊緣檢測(cè)算子,如Robert算子、Sobel算子、Prewitt算子、LOG(Laplace of Gaussian)算子、DOG(Difference of Gaussian)、Canny微分算子等[4-7],在線束端子斷面輪廓批量檢測(cè)中都不是具有絕對(duì)優(yōu)勢(shì)的方法,在圖像的抗噪聲、圖像邊緣的定位情況、圖像部分邊緣是否可以檢測(cè)出,以及算法運(yùn)行的速度等方面,各自存在優(yōu)缺點(diǎn)。在現(xiàn)有的這些邊緣檢測(cè)算子中,Canny算子是相對(duì)較好的一種,采用基于梯度賦值的雙閾值法檢測(cè)和連接邊緣時(shí),相比較其他算子而言能夠比較準(zhǔn)確地檢測(cè)出邊緣輪廓,可以抑制噪聲。但是對(duì)于高噪聲的模糊圖像,Canny算子在抑制噪聲的同時(shí)往往錯(cuò)過了一些低強(qiáng)度的邊緣,而一些高強(qiáng)度的噪聲被檢測(cè)為邊緣。

將邊緣檢測(cè)算子與其他交叉學(xué)科(如神經(jīng)網(wǎng)絡(luò)、形態(tài)學(xué)算法等)相結(jié)合對(duì)圖像進(jìn)行分割[8-9]是解決上述問題的一個(gè)比較理想的方法。目前,常用的圖像目標(biāo)分割模型可分為:基于聚類的方法如Mean-Shift方法，基于統(tǒng)計(jì)的方法如Markov隨機(jī)場(chǎng)方法，基于數(shù)學(xué)形態(tài)的方法如分水嶺算法[10],基于水平集方法和幾何式蛇模型等方法,而基于偏微分方程[11-12]的分割模型已成為圖像分割研究領(lǐng)域的熱點(diǎn)之一,并在醫(yī)學(xué)圖像[13]、車牌識(shí)別[14]、人臉檢測(cè)[15]等領(lǐng)域得到了廣泛應(yīng)用。基于偏微分方程方法主要是數(shù)學(xué)方法在空間域內(nèi)的圖像處理中的應(yīng)用,使用空間域內(nèi)像素點(diǎn)灰度的一階或二階微分方程表征圖像中的區(qū)域邊界等邊緣特征,通過建立偏微分方程的數(shù)學(xué)模型以及模型分析最終達(dá)到分割的目的。其優(yōu)勢(shì)主要體現(xiàn)在:偏微分方法的圖像分割方法以連續(xù)的圖像模型為基礎(chǔ),運(yùn)用連續(xù)的微分對(duì)圖像進(jìn)行濾波,采用離散的網(wǎng)格化,使對(duì)圖像的目標(biāo)處理和分析更加容易實(shí)現(xiàn);以閉合曲線為基礎(chǔ),圖像目標(biāo)分割可以達(dá)到亞像素的精度;采用水平集方法可以得到較精準(zhǔn)的結(jié)果,可以解決目標(biāo)的合并與分離引起的拓?fù)浣Y(jié)構(gòu)變化問題。

本文提出融合偏微分方程和Canny算子的方法實(shí)現(xiàn)壓接端子斷面輪廓提取,考慮線束端子圖像特點(diǎn),優(yōu)勢(shì)互補(bǔ),可以大大提高線束壓接端子斷面輪廓的有效識(shí)別率。

1 基于PDE的邊緣分割技術(shù)

基于偏微分方程的圖像邊緣分割方法,其基本思想是根據(jù)圖像分割的要求構(gòu)建相應(yīng)的微分模型[16],然后求解該微分方程,方程的解就是所希望的結(jié)果。目前基于偏微分方程的圖像分割主要是采用活動(dòng)輪廓模型[17]來實(shí)現(xiàn),參數(shù)活動(dòng)輪廓模型難以處理拓?fù)浣Y(jié)構(gòu)的變換,而以水平集為代表的幾何活動(dòng)輪廓模型受噪聲干擾,如果圖像噪聲很大,影響活動(dòng)輪廓線演化,或者產(chǎn)生不精確的定位。為了改進(jìn)參數(shù)活動(dòng)輪廓模型和以水平集為代表的幾何活動(dòng)輪廓模型的不足,Chan和Vese提出了一種基于M-S的簡(jiǎn)化分割模型[18](簡(jiǎn)稱C-V模型)。該模型假定圖像I(x,y)被活動(dòng)輪廓線C劃分為內(nèi)部(inside)和外部(outside)兩個(gè)同質(zhì)區(qū)域,各個(gè)等值部分的平均灰度為C0和Cb,以最小化能量函數(shù)FMS為目的,尋找具有最小差異的待分割圖像和原始圖像。

(1.1)

基于M-S分割模型的能量函數(shù)如下:其中C是閉合活動(dòng)輪廓線,L(C)是活動(dòng)輪廓線C邊緣長(zhǎng)度,S0(C)是活動(dòng)輪廓線C的內(nèi)部區(qū)域面積,μ、ν、λ0、λb是相應(yīng)的權(quán)重系數(shù),C0和Cb代表平均灰度,當(dāng)輪廓線C位于兩個(gè)同質(zhì)區(qū)域邊界時(shí)F(C,C0,Cb)取得最小值:

(1.2)

M-S的簡(jiǎn)化分割模型不再依賴圖像梯度信息,而是利用全圖的能量信息,所以可以得到全局最優(yōu)的分割結(jié)果,不用太關(guān)注初始曲線位置;由于不利用圖像梯度,因此對(duì)噪聲不是非常敏感,無須分割前進(jìn)行去噪處理。最后,通過水平集方法來求解M-S的簡(jiǎn)化分割模型:首先假設(shè)是根據(jù)初始活動(dòng)輪廓線C0的符號(hào)距離函數(shù)為φ,{C0|φ0(x,y)=0}且φ[inside(C)]>0,φ[outside(C)]<0,其中H(z)為Heaviside函數(shù),δ(x)為Dirac函數(shù),定義如下所示:

(1.3)

但是在實(shí)際應(yīng)用中采用規(guī)范化的Heaviside函數(shù)和Dirac函數(shù),其定義如下:

(1.4)

同時(shí)可以得出,其中L(C)是閉合輪廓線C的邊緣長(zhǎng)度,Ω為灰度圖像I(x,y)的定義域,φ(x,y)為水平集函數(shù):

(1.5)

將(1.5)代入(1.2),可推出:

(φ)|φ|dxdy+

(1.6)

通過最優(yōu)化(1.2)式,最終得到輪廓線C的位置以及未知數(shù)C0(φ)和Cb(φ),根據(jù)梯度下降法及使用歐拉-拉格朗日方法求解式(1.6)可得:

(1.7)

通過數(shù)值化求解式(1.7),可以計(jì)算出圖像中每個(gè)點(diǎn)的φ值,更新水平集,最終使曲線演化到物體的邊緣,達(dá)到分割的目的。

2 基于PDE和Canny算子的邊緣檢測(cè)

2.1 Canny算子邊緣檢測(cè)

相比其他算子而言,Canny算子具有很好的邊緣檢測(cè)性能。Canny算子不容易受噪聲影響,能夠在噪聲和邊緣檢測(cè)間取得較好的平衡,進(jìn)而檢測(cè)出真正的邊緣。其算法思想是先將圖像使用高斯函數(shù)進(jìn)行平滑[19-20],再由一階微分的極大值確定邊緣點(diǎn)。Canny邊緣檢測(cè)算子步驟如下:

第一步:使用高斯函數(shù)G(x,y,σ)構(gòu)造濾波器得到平滑圖像。

(2.1)

用高斯函數(shù)G(x,y,σ)對(duì)圖像f(x,y)進(jìn)行濾波:g(x,y)=G(x,y,σ)·f(x,y)。其中,σ是高斯函數(shù)的標(biāo)準(zhǔn)差主要用來控制平滑度。

(2.2)

(2.3)

通過改變高斯函數(shù)標(biāo)準(zhǔn)差σ來實(shí)現(xiàn)對(duì)高斯窗口的大小調(diào)整。

(2.4)

第三步:對(duì)梯度幅值采用非極大值抑制,然后采用雙閾值法對(duì)圖像進(jìn)行分割。首先設(shè)置兩個(gè)閾值,上限和下限。如果一個(gè)像素的梯度大于上限閾值,則被認(rèn)為是邊緣像素,如果低于下限閾值,則被拋棄,如果介于二者之間,只有當(dāng)其與高于上限閾值的像素連接時(shí)才會(huì)被接受。

第四步:邊緣連接。

2.2 融合Canny算子和PDE模型的邊緣檢測(cè)

偏微分方程的C-V模型是全圖像的范圍[21],能夠保證邊緣計(jì)算的全局優(yōu)化特點(diǎn),結(jié)合Canny算子邊緣檢測(cè)的優(yōu)點(diǎn),構(gòu)建基于Canny算子和PDE的模型從而達(dá)到圖像邊緣輪廓的準(zhǔn)確提取[22]。

設(shè)閉合曲線C(p,t):0≤p≤1在t時(shí)刻隱式函數(shù)為φ(x,y,t),則φ的零水平集的平面閉合曲線的偏微分方程為

(2.5)

求其全微分得:

φ·+=0

(2.6)

(2.7)

將式(2.5)和(2.7)帶入式(2.6),通過整理上式可以得到

φt=-φV(K)N=φV(K)=V(K)|φ|

(2.8)

通過式(2.8)可計(jì)算出曲率

K=·=

(2.9)

由偏微分在時(shí)間邊界t位置通過φ(x,t)=0得φ(x,t)滿足

(2.10)

用Canny算子的結(jié)果A(x,y)來替代曲線平面(x,y)即:φ(A(x,y),t)帶入(2.10)式得零水平曲線隨時(shí)間演化方程式:

(2.11)

其中

(2.12)

將式(2.12)帶入(2.11)式得:

(2.13)

其中Gσ表示方差為σ高斯函數(shù),*為卷積,v為常數(shù)。

采用非極大值抑制技術(shù)和邊緣連接技術(shù),抑制噪音的影響,得到高精度的細(xì)邊緣。通過使用上述Canny算子和PDE技術(shù)融合模型,能夠克服傳統(tǒng)圖像分割算法對(duì)噪聲敏感、抗干擾差的缺點(diǎn),可以很好地區(qū)分目標(biāo)和背景,進(jìn)而提取邊界輪廓。

3 實(shí)驗(yàn)結(jié)果與分析

在上述研究的基礎(chǔ)上,基于Microsoft Visual Studio2010開發(fā)平臺(tái),采用C++和OpenCV函數(shù)庫,在Windows7平臺(tái)系統(tǒng)上開發(fā)了壓接端子斷面自動(dòng)測(cè)量系統(tǒng)。

本文實(shí)驗(yàn)采用的是從國(guó)內(nèi)某汽車線束生產(chǎn)廠家通過工業(yè)用顯微鏡采集的線束端子斷面圖像檢測(cè)庫中抽取的典型圖像,放大倍數(shù)為10倍。測(cè)試機(jī)器配置為:i5-4590,4G內(nèi)存,技嘉750顯卡2G顯存,1T硬盤,windows7操作系統(tǒng)。

首先采用傳統(tǒng)算子進(jìn)行邊緣檢測(cè),測(cè)試結(jié)果如下:圖1為對(duì)比度明顯的情況下傳統(tǒng)算子的檢測(cè)結(jié)果,圖2為噪聲和邊界模糊情況下傳統(tǒng)算子檢測(cè)的結(jié)果。從圖1和圖2可以看出,傳統(tǒng)的邊緣檢測(cè)算子檢測(cè)的不準(zhǔn)確性,而且在噪聲干擾、邊界模糊等情況下會(huì)檢測(cè)出多余的圖像信息。其次,根據(jù)圖像梯度選取雙閾值進(jìn)行邊緣檢測(cè):圖3(a)是第一幅原圖在閾值t1=63,t2=214情況下檢測(cè)的結(jié)果;圖3(b)是第二幅原圖在閾值t1=59,t2=106情況下檢測(cè)的結(jié)果。從檢測(cè)結(jié)果圖可以看到Canny算子檢測(cè)的端子斷面輪廓相對(duì)于傳統(tǒng)算子比較準(zhǔn)確,抗干擾性強(qiáng)。

通過實(shí)驗(yàn)對(duì)比發(fā)現(xiàn),傳統(tǒng)的邊緣檢測(cè)算子在噪聲干擾、邊緣模糊的情況下檢測(cè)的邊緣輪廓不準(zhǔn)確,而Canny算子通過上下閾值的設(shè)置可以準(zhǔn)確地檢測(cè)出邊緣輪廓。

Fig.1 Detection results of traditional operators under obvious contrast圖1 對(duì)比度明顯情況下傳統(tǒng)算子的檢測(cè)結(jié)果

Fig.2 Detection results of traditional operators in the presence of boundary blur and noise圖2 邊界模糊和噪聲干擾情況下傳統(tǒng)算子的檢測(cè)結(jié)果

Fig.3 Detection results of Canny operator under different threshold t圖3 在不同閾值t情況下Canny算子檢測(cè)結(jié)果

最后,采用基于PDE和Canny算子實(shí)現(xiàn)端子斷面內(nèi)外輪廓自動(dòng)檢測(cè),算法思想如下:

(1)根據(jù)圖像像素的位置、灰度和梯度信息,判斷邊界所在的大致位置,并依次進(jìn)行圖像濾波和邊緣檢測(cè)。

(2)在圖像濾波過程中,根據(jù)像素分布情況,利用灰度加權(quán)平均的方法進(jìn)行噪聲消除。在構(gòu)造加權(quán)系數(shù)的過程中,利用圖像的梯度方向和大小信息,自適應(yīng)決定所需要的權(quán)重系數(shù),使圖像局部區(qū)域達(dá)到分片常數(shù)的效果。通過這樣的處理,可以有效消除圖像中包含的噪聲,并同時(shí)很好地保持邊界,以保證提取邊界時(shí)的準(zhǔn)確率。

(3)在邊緣檢測(cè)中,在圖像去噪的基礎(chǔ)上,利用Canny算子代替曲線演化平面尋找物體邊界。演化的動(dòng)力來源于圖像的內(nèi)部結(jié)構(gòu),即灰度分布。為了有效地處理曲線分裂和融合,采用水平集技術(shù)將曲線隱含在高一維的水平集當(dāng)中,利用三維空間的連續(xù)變化來得到二維空間的曲線不規(guī)則變化。當(dāng)曲線達(dá)到邊界并停止時(shí),即得到物體的邊緣輪廓。

本文分別對(duì)端子斷面的內(nèi)外輪廓進(jìn)行檢測(cè),測(cè)試結(jié)果如下:圖4-圖6分別在對(duì)比度明顯、邊界模糊、噪聲干擾等情況下,得到的檢測(cè)結(jié)果。圖中(a)放大10倍的原始圖片,(b)為內(nèi)輪廓檢測(cè)結(jié)果,(c)為外輪廓檢測(cè)結(jié)果。由實(shí)驗(yàn)結(jié)果可以看出:在對(duì)比度理想、邊界模糊、主要輪廓有干涉等三種情況下,采用PDE模型和Canny算子融合檢測(cè)算法,都能得到滿意的輪廓檢測(cè)結(jié)果,輪廓自動(dòng)檢測(cè)的時(shí)間在可允許范圍之內(nèi)。

Fig.4 Segmentation results under contrast ideal conditions based on Canny Operator and PDE圖4 基于Canny算子和PDE在對(duì)比度理想情況下的分割結(jié)果

Fig.5 Segmentation results when the boundary is fuzzy based on Canny operator and PDE圖5 基于Canny算子和PDE在邊界比較模糊時(shí)的分割效果

Fig.6 Segmentation Results in the presence of interference of the main contours based on Canny operator and PDE圖6 基于Canny算子和PDE在主要輪廓有干涉情況下的分割效果

4 結(jié)論

本文以線束端子圖像輪廓的自動(dòng)提取為研究對(duì)象,分析了PDE模型、Canny邊緣檢測(cè)算子實(shí)現(xiàn)的原理,構(gòu)建了基于PDE和Canny算子的融合檢測(cè)模型,并在檢測(cè)的準(zhǔn)確性、穩(wěn)定性上同傳統(tǒng)的邊緣檢測(cè)算法測(cè)試結(jié)果進(jìn)行實(shí)驗(yàn)驗(yàn)證,可以得出如下結(jié)論。

(1)Canny算子通過二維高斯函數(shù)和卷積操作處理圖像,采用非極大值抑制技術(shù)和連接技術(shù),能夠得到高精度的細(xì)邊緣。

(2)偏微分方法采用廣義的連續(xù)二維函數(shù)建立圖像能量模型,然后對(duì)函數(shù)求導(dǎo)求積分,使圖像處理更加規(guī)范,PDE方法可以在圖像處理中達(dá)到雙重功效,在圖像去噪的模型中可以較好地保護(hù)邊緣信息,在圖像增強(qiáng)模型中可以去除噪聲,使得圖像分割的準(zhǔn)確性和穩(wěn)定性大幅度提升,在圖像分割和輪廓提取中,具有良好的實(shí)用性和魯棒性。

(3)基于PDE和Canny算子的模型保持了Canny算子的優(yōu)點(diǎn),比Canny算子的適應(yīng)范圍廣,能分割對(duì)比度較明顯、模糊不均勻的圖像,抗噪性較強(qiáng),對(duì)初始輪廓的大小不敏感,而且可以較準(zhǔn)確地分割內(nèi)外輪廓。

[1] 宋熙煜,周利莉,李中國(guó),等.圖像分割中的超像素方法研究綜述[J].中國(guó)圖象圖形學(xué)報(bào),2015，5:599-608.

[2] Liu J，Tang Q，Wang Y,etal.Defects’ Geometric Feature Recognition based on Infrared Image Edge Detection[J].InfraredPhysicsandTechnology,2014，67:387-360.DOI:10.1016/j.infrared.2014.07.024.

[3] 楊婷婷,顧梅花,章為川,等.彩色圖像邊緣檢測(cè)研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2015,9:2566-2571.

[4] Koyuncu I，Cetin O，Katircioglu F，etal.Edge Detection Application with FPGA Based Sobel Operator[C]∥2015 23rd Signal Processing and Communications Applications Conference,SIU 2015-Proceedings,June 19,2015:1829-1832.DOI:10.1109/SIU.2015.7130211.

[5] Nashat S,Abdullah A,Abdullah M Z.Unimodal Thresholding for Laplacian-based Canny-Deriche Filter[J].PatternRecognitionLetters,2012,10(33):1269-1286.DOI:10.1016/j.patrec.2012.03.023.

[6] 夏清,陳亞凱,張振鑫,等.基于Laplace算子和灰色理論的熱紅外影像邊緣檢測(cè)[J].紅外技術(shù),2014(5):377-380+388.

[7] 張桂梅,孫曉旭,陳彬彬,等.結(jié)合分?jǐn)?shù)階微分和Canny算子的邊緣檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào),2016(8):1028-1038.

[8] 李強(qiáng)強(qiáng),黎蔚.一種改進(jìn)的橋梁圖像分水嶺分割算法[J].計(jì)算機(jī)工程與科學(xué),2015(3):605-610.

[9] 李杰,苗長(zhǎng)云,武志剛,等.基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)算法的研究[J].計(jì)算機(jī)科學(xué),2012(S1):546-548.

[10] 鈕圣虓,王盛,楊晶晶,等.完全基于邊緣信息的快速圖像分割算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2012(11):1410-1419.

[11] Ci M，Hou T Y，Shi Z.A Multiscale Model Reduction Method for Partial Differential Equations[J].ESAIMMathModelNumerAnal,2014,2(48):1449-1474.

[12] 丁暢,尹清波,魯明羽.數(shù)字圖像處理中的偏微分方程方法綜述[J].計(jì)算機(jī)科學(xué),2013(S2):341-346.

[13] Mikula K,Peyrieras N,Remesikova M,etal.Segmentation of 3D Cell Membrane Images by PDE Methods and Its Applications[J].ComputersinBiologyandMedicine,2011,41:326-339.DOI:10.1016/j.compbiomed.2011.03.010.

[14] Zheng L,He X,Samali B,etal.An Algorithm for Accuracy Enhancement of License Plate Recognition[J].JournalofComputerandSystemSciences,2013,2(79):245-255.DOI:10.1016/j.jcss.2012.05.006.

[15] Zhao Y,Liu Y,Liu Y,etal.Face Recognition from a Single Registered Image for Conference Socializing[J].ExpertSystemswithApplications,2015,3(42):973-979.DOI:10.1016/j.eswa.2014.08.016.

[16] Long H V,Son N T,Ha N T,etal.The Existence and Uniqueness of Fuzzy Solutions for Hyperbolic Partial Differential Equations[J].FuzzyOptimizationandDecisionMaking,2014(13):435-462.DOI:10.1007/s10700-014-9186-0.

[17] 文喬農(nóng),徐雙,萬遂人.醫(yī)學(xué)噪聲圖像分割的分解與活動(dòng)輪廓方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2011(11):1882-1889.

[18] Alfonso V.The Mumford-Shah Variational Model for Image Segmentation:An Overview of the Theory,Implementation and use[J].ISPRSJournalofPhotogrammetryandRemoteSensin,2012,69:50-64.DOI:10.1016/j.isprsjprs.2012.02.005.

[19] Cope R K,Rockett P I.Efficacy of Gaussian Smoothing in Canny Edge Detector[J].ElectronicsLetters,2000,19(36):1615-1617.DOI:10.1049/el:20001138.

[20] 孫智鵬,邵仙鶴,王翥,等.改進(jìn)的自適應(yīng)Canny邊緣檢測(cè)算法[J].電測(cè)與儀表,2016(6):17-21.

[21] 侯守明,唐琪博,谷孝衛(wèi).基于C-V模型的線束端子斷面測(cè)量系統(tǒng)設(shè)計(jì)[J].測(cè)控技術(shù),2015(10):42-45+49.

[22] 王小俊,劉旭敏,關(guān)永.基于改進(jìn)Canny算子的圖像邊緣檢測(cè)算法[J]. 計(jì)算機(jī)工程,2012(14):196-198+202.

CrimpTerminalsSectionalContourExtractionBasedonPartialDifferentialEquationandCannyOperator

HOU Shouming,WANG Yang,TANG Qibo,ZHANG Yuzhen

(SchoolofComputerScienceandTechnology,HenanPolytechnicUniversity,Jiaozuo454000,China)

The segmentation and extraction of edge contour are the precondition of detecting the crimping quality of wire harness terminal based on image processing method.For the low accuracy problem of the traditional automatic extraction of harness terminal section contour methods,a new method is proposed based on partial differential theory and Canny operator edge detection method to achieve better results.In this model, the boundary of the image is automatically filled with the convolution boundary, and the selection threshold is suppressed by the non-maxima of the gradient to maximize the discrimination between the target and the background.The theoretical research and experimental results show that the model can not only detect image edge contours more accurately, but also suppress noise and blur.The model was applied in the harness terminal section contour automatic measurement system and accurately extract the edge profile.

partial differential equation;Canny operator;harness terminal;edge detection

10.13451/j.cnki.shanxi.univ(nat.sci.).2017.04.003

2017-06-02；

2017-08-09

國(guó)家自然科學(xué)基金(61503124)；河南省科技攻關(guān)項(xiàng)目(172102210273;162102310090)

侯守明(1972-)，男，河南焦作人，教授，博士。主要研究方向：CAD/CG，虛擬現(xiàn)實(shí)與仿真。E-mail:86865346@qq.com

TP391.41

A

0253-2395(2017)04-0676-07