CN111415363A - 一种图像边缘识别方法 - Google Patents

Abstract

本发明公开了一种图像边缘识别方法，先创建画布，获得画布的二维上下文对象并渲染图像,获取即将进行边缘识别的图像的像素数据，对图像进行灰度化处理,灰度化处理后的图像经过重新渲染得出边缘识别的图像，然后获取边缘识别的图像的像素数据，用最大类间方差法对边缘识别的图像进行二值化处理,获取二值化处理后的图像的像素数据，某像素点的像素值与该像素点沿四个方向分布的像素值比对,判断该像素点的像素值是否与其四个方向的像素值相同，实现图像的边缘识别，节约图像定位的时间，采取自适应的方法获取目标的二值化阈值，更准确有效，采用改进的一阶梯度变换和局部梯度积分的方法，减少外界因素的影响，能够更准确的实现对外边界的定位。

Description

一种图像边缘识别方法

技术领域

本发明涉及一种识别方法，特别是一种图像边缘识别方法。

背景技术

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点,图像属性中的显著变化通常反映了属性的重要事件和变化，图像属性中的显著变化包括深度上的不连续、表面方向不连续、物质属性变化和场景照明变化，边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域，边缘是指其周围像素灰度急剧变化的像素的集合，它是图像最基本的特征，边缘存在于目标、背景和区域之间，所以，它是图像分割所依赖的最重要的依据。由于边缘是位置的标志，对灰度的变化不敏感，因此，边缘也是图像匹配的重要的特征。

现有技术中有许多用于边缘检测的方法,大致可分为两类：基于搜索的边缘检测方法和基于零交叉的边缘检测方法。

基于搜索的边缘检测方法首先计算边缘强度，通常用一阶导数表示，例如梯度模，然后，用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值；基于零交叉的边缘检测方法找到由图像得到的二阶导数的零交叉点来定位边缘，通常用拉普拉斯算子或非线性微分方程得到零交叉点。

然而，传统的图像边缘检测方法均存在抗噪性能不强和边缘不连续的弊端，导致检测效果不佳。。

发明内容

为了克服现有技术的不足，本发明提供一种图像边缘识别方法。

本发明解决其技术问题所采用的技术方案是：

一种图像边缘识别方法，包括如下步骤：

步骤S1，创建一个固定大小的画布，获得画布的二维上下文对象并渲染图像,得出即将进行边缘识别的图像；

步骤S2，获取即将进行边缘识别的图像的像素数据，并对即将进行边缘识别的图像进行灰度化处理,得到灰度化处理后的图像；

步骤S3，灰度化处理后的图像经过重新渲染得出边缘识别的图像，然后获取边缘识别的图像的像素数据；

步骤S4，用最大类间方差法对边缘识别的图像进行二值化处理,得到二值化处理后的图像；步骤S5，获取二值化处理后的图像的像素数据，某像素点的像素值与该像素点沿四个方向分布的像素值比对,判断该像素点的像素值是否与其四个方向的像素值相同，从而实现图像的边缘识别。

在步骤S2中，获取即将进行边缘识别的图像的像素数据后，为了方便、快捷地提取其他特征量，需要对即将进行边缘识别的图像进行灰度化处理,得到灰度化处理后的图像,获取灰度化处理后的图像的灰度值,灰度值经过量化得出灰度值的级别,即将进行边缘识别的图像是彩色的,灰度化处理后的图像是黑白的,灰度化处理的过程中用到灰度处理加权平均法公式,其中灰度处理加权平均法公式如下:

Gray＝rValue*0.299+gValue*0.587+bValue*0.114,

其中Gray、rValue、gValue、bValue分别代表单位像素点灰度值、R分量红色分量值、G分量绿色分量值、B分量蓝色分量值。

步骤S4还包括以下子步骤：步骤S400：获取灰度处理后的图像的像素数据，并以数组形式分别设置灰度直方图、灰度值分布概率；

步骤S401:灰度直方图根据最大类间方差的计算公式建立,最大类间方差的计算公式为:g＝w0(t)*(1–w0(t))*(u0(t)-ul(t))²，

其中t为分割阈值，g为类间方差，w0(t)为前景像素点所占比例，w1(t)为背景像素点所占比例，且w0(t)+w1(t)＝1，u0(t)为前景像素点灰度均值，ul(t)为背景像素点灰度均值；

步骤S402:遍历每个像素点，分别计算出类间方差g并寻找出最大值时的分割阈值t；

步骤S403：执行二值化过程，逐行获取图像的每个像素点位置，取像素点的其中一个颜色分量与最优阈值比较，根据比较结果对该像素点的各个颜色分量进行赋值,本步骤一直循环,直到所有像素点位置都被收集完毕。

步骤S5还包括以下子步骤：

步骤S500：获取二值化处理后的图像的像素数据，根据单位像素点的4个颜色分量以及图像单位像素行的像素点个数计算得出该单位像素点沿四个方向分布的像素点的位置；

步骤S501:处于图像四边的像素点，通过像素点的位置判断该像素点是否处于图像的四边，处于图像四边的像素点，该像素点沿两个方向分布的像素点进行同值处理；

步骤S502：判断每个像素点的像素值以及每个像素点沿四个方向分布的像素点的像素值，像素点的像素值与该像素点沿四个方向分布的像素点的像素值分别比较，若有异值,则判断该像素点处于图像边缘,并对其各颜色分量赋值进行绘制。

本发明的有益效果是：

1、本发明只是对特定的区域进行处理，而不是对整幅图像进行处理，大大节约了图像定位的时间

2、采取自适应的方法获取目标的二值化阈值，更准确有效。

3、采用改进的一阶梯度变换和局部梯度积分的方法，大大减小了外界因素的影响，能够更准确的实现对外边界的定位。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的步骤流程图；

图2是步骤S4的流程图；

图3是步骤S5的流程图；

图4是本发明的可视化展示流程图。

具体实施方式

参照图1至图4。

一种图像边缘识别方法，包括如下步骤：

步骤S1，创建一个固定大小的画布，获得画布的二维上下文对象并渲染图像,得出即将进行边缘识别的图像；

步骤S2，获取即将进行边缘识别的图像的像素数据，并对即将进行边缘识别的图像进行灰度化处理,得到灰度化处理后的图像；

步骤S3，灰度化处理后的图像经过重新渲染得出边缘识别的图像，然后获取边缘识别的图像的像素数据；

步骤S4，用最大类间方差法对边缘识别的图像进行二值化处理,得到二值化处理后的图像；步骤S5，获取二值化处理后的图像的像素数据，某像素点的像素值与该像素点沿四个方向分布的像素值比对,判断该像素点的像素值是否与其四个方向的像素值相同，从而实现图像的边缘识别。

具有以下优点：

1、本发明只是对特定的区域进行处理，而不是对整幅图像进行处理，大大节约了图像定位的时间

2、采取自适应的方法获取目标的二值化阈值，更准确有效。

3、采用改进的一阶梯度变换和局部梯度积分的方法，大大减小了外界因素的影响，能够更准确的实现对外边界的定位。

在步骤S2中，获取即将进行边缘识别的图像的像素数据后，为了方便、快捷地提取其他特征量，需要对即将进行边缘识别的图像进行灰度化处理,得到灰度化处理后的图像,获取灰度化处理后的图像的灰度值,灰度值经过量化得出灰度值的级别,即将进行边缘识别的图像是彩色的,灰度化处理后的图像是黑白的,灰度化处理的过程中用到灰度处理加权平均法公式,其中灰度处理加权平均法公式如下:

Gray＝rValue*0.299+gValue*0.587+bValue*0.114,

其中Gray、rValue、gValue、bValue分别代表单位像素点灰度值、R分量红色分量值、G分量绿色分量值、B分量蓝色分量值。

步骤S4还包括以下子步骤：步骤S400：获取灰度处理后的图像的像素数据，并以数组形式分别设置灰度直方图、灰度值分布概率；

步骤S401:灰度直方图根据最大类间方差的计算公式建立,最大类间方差的计算公式为:g＝w0(t)*(1–w0(t))*(u0(t)-ul(t))²，

其中t为分割阈值，g为类间方差，w0(t)为前景像素点所占比例，w1(t)为背景像素点所占比例，且w0(t)+w1(t)＝1，u0(t)为前景像素点灰度均值，ul(t)为背景像素点灰度均值；

步骤S402:遍历每个像素点，分别计算出类间方差g并寻找出最大值时的分割阈值t；

步骤S403：执行二值化过程，逐行获取图像的每个像素点位置，取像素点的其中一个颜色分量与最优阈值比较，根据比较结果对该像素点的各个颜色分量进行赋值,本步骤一直循环,直到所有像素点位置都被收集完毕。

步骤S5还包括以下子步骤：

步骤S500：获取二值化处理后的图像的像素数据，根据单位像素点的4个颜色分量以及图像单位像素行的像素点个数(即图像宽度)计算得出该单位像素点沿四个方向分布的像素点的位置；

步骤S501:处于图像四边的像素点，通过像素点的位置判断该像素点是否处于图像的四边，处于图像四边的像素点，该像素点沿两个方向分布的像素点进行同值处理；

步骤S502：判断每个像素点的像素值以及每个像素点沿四个方向分布的像素点的像素值，像素点的像素值与该像素点沿四个方向分布的像素点的像素值分别比较，若有异值,则判断该像素点处于图像边缘,并对其各颜色分量赋值进行绘制。

灰度直方图只是信息，灰度处理后的图像不包含色彩信息的图像，就像我们平时看到亮度由暗到明的黑白照片，变化是连续的。因此，要表示成灰度图，就需要把亮度值进行量化,亮度值

灰度值的级别通常是0到255,一共有256个级别，0最暗(全黑)，255最亮(全白)。

四个方向分别是上、下、左、右。

综上所述，本专利为一种图像边缘识别方法通过系统分析图像像素点数据并分别作出灰度值化、二值化处理后进一步开始从二值化后图像查找边缘特征点与其四个方向的像素点值存在异值从而实现边缘识别并提取。本专利更适用于对图像中包含的主体物各组成部分是互相连接的一个整体的对象，进行主体边缘提取从而进行主体物的抠图处理，其边缘提取效果好，可以应用在很多照片艺术效果处理的前期主体物提取步骤中。

充分利用了虹膜图像的灰度信息，通过对图像进行分块提取图像上单位像素点的颜色分量数据；采用类间方差的方法提取目标的二值化阈值，然后获取目标的边界点采取异值判断的方法，获得目标边界的位置参数；充分利用目标的位置参数信息，选择目标边界可能存在的区域，通过对所选区域中值滤波后采取改进的一阶差分对目标外界进行梯度变换，同时采取局部梯度积分的方法确定虹膜外边界的范围，见笑了虹膜外边界过渡带宽、模糊带来的影响，快速准确的实现目标边界的定位。

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：颜色分量。图像中的每个单位像素点包含4个颜色分量,4个颜色分量分别为R、G、B、A、(其中R、G、B分别为红色值颜色分量、绿色值颜色分量、蓝色值颜色分量；A代表透明度颜色分量,本方法未使用到这一颜色分量,可忽略这一颜色分量)。

定义2：灰度化。在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。对彩色图像进行灰度化一般有四种方法，四种方法分别是分量法最大值法、平均值法、加权平均法。

定义3：二值化阈值。对图像进行二值化时所选用的灰度门限值。

定义4:二值化。把整幅图像的所有制转化成只有两种值得过程，一般这种值为0和1或者0和255。当图像上的值小于二值化阈值的时候，该点的值二值化为1(或255)；当图像上的值小于二值化阈值的时候，该点的值化为0。

定义5：最大类间方差法。最大类间方差法是一种自适应的阈值的方法，它按照图像的灰度特性将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构建图像的两部分差别越大。对于图像I(x,y),目标和鳖精的分割阈值记作T,属于目标的像素点数占整幅图像的比例记为w₀,其平均灰度u₀；背景像素点数占整幅图像的比例为w₁，其平均灰度为u₁。图像的总平均灰度记为u，类间方差记为g。假设图像的大小为M*N,图像中像素的灰度值小于阈值T的像素个数记作n₀,像素灰度大于阈值T的像素个数记作n₁，则有：w₀＝n₀/(M*N),w₁＝n₁/(M*N),n₀+n₁＝1,u＝w₀*u₀+w₁*u₁,g＝w₀*(u₀–u)²+w₁(u₁–u)²＝w₀w₁(u₀–u₁)²＝w₀(1-w₀)(u₀–u₁)²采用遍历的方法得到是类间方差最大的阈值T，即为所求。

以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。

Claims (4)

1.一种图像边缘识别方法，其特征在于包括如下步骤：

步骤S1，创建一个固定大小的画布，获得画布的二维上下文对象并渲染图像,得出即将进行边缘识别的图像；

步骤S2，获取即将进行边缘识别的图像的像素数据，并对即将进行边缘识别的图像进行灰度化处理,得到灰度化处理后的图像；

步骤S3，灰度化处理后的图像经过重新渲染得出边缘识别的图像，然后获取边缘识别的图像的像素数据；

步骤S4，用最大类间方差法对边缘识别的图像进行二值化处理,得到二值化处理后的图像；

步骤S5，获取二值化处理后的图像的像素数据，某像素点的像素值与该像素点沿四个方向分布的像素值比对,判断该像素点的像素值是否与其四个方向的像素值相同，从而实现图像的边缘识别。

2.根据权利要求1所述的一种图像边缘识别方法，其特征在于，在步骤S2中，获取即将进行边缘识别的图像的像素数据后，为了方便、快捷地提取其他特征量，需要对即将进行边缘识别的图像进行灰度化处理,得到灰度化处理后的图像, 获取灰度化处理后的图像的灰度值, 灰度值经过量化得出灰度值的级别,即将进行边缘识别的图像是彩色的, 灰度化处理后的图像是黑白的, 灰度化处理的过程中用到灰度处理加权平均法公式, 其中灰度处理加权平均法公式如下:

Gray = rValue * 0.299 + gValue * 0.587 + bValue * 0.114,

其中Gray、rValue、gValue、bValue分别代表单位像素点灰度值、R分量红色分量值、G分量绿色分量值、B分量蓝色分量值。

3.根据权利要求2所述的一种图像边缘识别方法，其特征在于，于步骤S4还包括以下子步骤：

步骤S400：获取灰度处理后的图像的像素数据，并以数组形式分别设置灰度直方图、灰度值分布概率；

步骤S401:灰度直方图根据最大类间方差的计算公式建立, 最大类间方差的计算公式为:

g = w0(t)*(1 – w0(t))*(u0(t) - ul(t))²，

其中t为分割阈值，g为类间方差，w0(t)为前景像素点所占比例，w1(t)为背景像素点所占比例，且w0(t) + w1(t) =1 ，u0(t) 为前景像素点灰度均值，ul(t)为背景像素点灰度均值；

步骤S402:遍历每个像素点，分别计算出类间方差g并寻找出最大值时的分割阈值t；

步骤S403：执行二值化过程，逐行获取图像的每个像素点位置，取像素点的其中一个颜色分量与最优阈值比较，根据比较结果对该像素点的各个颜色分量进行赋值,本步骤一直循环,直到所有像素点位置都被收集完毕。

4.根据权利要求3所述的图像边缘识别方法，其特征在于步骤S5还包括以下子步骤：

步骤S500：获取二值化处理后的图像的像素数据，根据单位像素点的4个颜色分量以及图像单位像素行的像素点个数计算得出该单位像素点沿四个方向分布的像素点的位置；

步骤S501: 处于图像四边的像素点，通过像素点的位置判断该像素点是否处于图像的四边，处于图像四边的像素点，该像素点沿两个方向分布的像素点进行同值处理；

步骤S502：判断每个像素点的像素值以及每个像素点沿四个方向分布的像素点的像素值，像素点的像素值与该像素点沿四个方向分布的像素点的像素值分别比较，若有异值,则判断该像素点处于图像边缘,并对其各颜色分量赋值进行绘制。

Images