摘  要： 傳統(tǒng)Canny算法采用高斯濾波會(huì)造成圖像的過(guò)度光滑，容易導(dǎo)致緩變邊緣的丟失，而且梯度幅值的計(jì)算方法沒(méi)有充分考慮到3×3鄰域內(nèi)周?chē)袼貙?duì)中心像素的影響。針對(duì)上述存在的問(wèn)題與不足，結(jié)合小波融合技術(shù)的優(yōu)勢(shì)，提出了一種基于改進(jìn)Canny算子與圖像形態(tài)學(xué)融合的邊緣檢測(cè)方法，利用改進(jìn)的Canny算子和圖像形態(tài)學(xué)分別對(duì)圖像進(jìn)行邊緣檢測(cè)，然后應(yīng)用小波融合技術(shù)把兩種方法檢測(cè)出來(lái)的邊緣進(jìn)行圖像融合，得到最終的圖像邊緣。仿真結(jié)果表明，該算法具有較好的抗噪能力，有效地提高了邊緣檢測(cè)的準(zhǔn)確性和完整性。
關(guān)鍵詞： Canny算子；圖像形態(tài)學(xué)；邊緣檢測(cè)；圖像融合

    邊緣檢測(cè)是圖像分割、目標(biāo)區(qū)域識(shí)別和特征提取等數(shù)字圖像分析領(lǐng)域中的重要技術(shù)，目前已經(jīng)成為機(jī)器視覺(jué)研究領(lǐng)域最活躍的熱點(diǎn)課題之一。傳統(tǒng)邊緣檢測(cè)方法包括Roberts算子、Sobel算子等一階微分算子,以及Laplacian算子、LOG算子等二階微分算子[1]。這類算法以滿足一階導(dǎo)數(shù)極大值點(diǎn)或者二階導(dǎo)數(shù)過(guò)零點(diǎn)作為圖像的候選邊緣點(diǎn)，通過(guò)人為設(shè)定的全局閾值作為評(píng)價(jià)標(biāo)準(zhǔn)去除噪聲與弱邊緣點(diǎn)，將梯度值小于閾值的候選邊緣點(diǎn)刪除。由于微分運(yùn)算對(duì)噪聲比較敏感，抗噪聲性能差，提取的邊緣不夠精細(xì),因此在實(shí)際應(yīng)用中受到了限制[2]。對(duì)于邊緣檢測(cè)算子性能優(yōu)劣，Canny提出了三個(gè)評(píng)價(jià)準(zhǔn)則[2]：高信噪比準(zhǔn)則、定位精準(zhǔn)準(zhǔn)則和單一邊緣唯一響應(yīng)準(zhǔn)則，并據(jù)此提出了Canny邊緣檢測(cè)算子。實(shí)際應(yīng)用證明,Canny算子具有較好的邊緣檢測(cè)效果，因此迄今為止一直被廣泛應(yīng)用。
    近年來(lái)，很多學(xué)者都提出了基于Canny算子的改進(jìn)算法，但大多數(shù)都是針對(duì)如何解決自適應(yīng)確定雙閾值的問(wèn)題[3-5]。傳統(tǒng)Canny算法采用高斯濾波器消除圖像噪聲，不僅會(huì)造成圖像的過(guò)度光滑，而且容易造成緩變邊緣的丟失，這樣會(huì)導(dǎo)致復(fù)雜圖像的弱邊緣無(wú)法檢測(cè)。另外，傳統(tǒng)Canny算子中梯度幅值的計(jì)算方法沒(méi)有充分考慮到3×3鄰域內(nèi)周?chē)袼貙?duì)中心像素的影響。針對(duì)上述問(wèn)題與不足，結(jié)合小波融合技術(shù)的優(yōu)勢(shì)，本文提出了一種基于改進(jìn)Canny算子與圖像形態(tài)學(xué)融合的邊緣檢測(cè)方法。仿真結(jié)果表明，該算法有效地提高了邊緣檢測(cè)的準(zhǔn)確性和完整性。
方向、45°方向、y方向、135°方向的一階偏導(dǎo)數(shù)有限差分均值來(lái)確定像素點(diǎn)的梯度幅值，充分考慮到各個(gè)方向?qū)χ行狞c(diǎn)梯度幅值的影響，最大限度地減少誤差。借鑒于Sobel算子，這4個(gè)方向上的梯度算子如圖1所示，對(duì)離鄰域中心點(diǎn)最近的像素進(jìn)行了加權(quán)，增強(qiáng)了抑制噪聲的效果。

   

6 實(shí)驗(yàn)結(jié)果及分析
    實(shí)驗(yàn)所用PC機(jī)配置為：AMD Sempron 3200+CPU,1 GB內(nèi)存，集成顯卡，仿真實(shí)驗(yàn)采用Matlab7.0編程。選取加入1%椒鹽噪聲的Lena灰度圖像作為測(cè)試圖像，分別用傳統(tǒng)Canny算法和本文提出的融合算法進(jìn)行邊緣檢測(cè)，實(shí)驗(yàn)結(jié)果如圖3~圖6所示，算法運(yùn)算時(shí)間及相應(yīng)參數(shù)如表1所示。

    由圖4、圖5比較可知，傳統(tǒng)Canny算子對(duì)椒鹽噪聲非常敏感，而改進(jìn)的Canny算子具有較強(qiáng)的噪聲抑制能力，并且保持了Canny算子檢測(cè)邊緣清晰連貫的優(yōu)勢(shì)，兼顧了平滑噪聲和抑制假邊緣的需要；由圖5、圖6的檢測(cè)結(jié)果比較可知，本文提出的融合算法豐富了部分灰度變化緩慢的局部邊緣細(xì)節(jié)信息，具有更好的抗噪能力和細(xì)節(jié)保留能力，可以檢測(cè)出比較完整并且連續(xù)的邊緣，使邊緣檢測(cè)結(jié)果有明顯改善。從表1的運(yùn)算時(shí)間可知，本文算法與傳統(tǒng)Canny算法的所需時(shí)間相當(dāng)，在提高檢測(cè)效果的同時(shí)沒(méi)有明顯降低檢測(cè)效率。
    本文結(jié)合小波融合技術(shù)的優(yōu)勢(shì)提出了一種基于改進(jìn)Canny算子與圖像形態(tài)學(xué)融合的邊緣檢測(cè)方法，仿真實(shí)驗(yàn)表明該算法檢測(cè)提取的圖像邊緣包含了比原始圖像更加豐富的邊緣細(xì)節(jié)和更加完整的輪廓信息，提高了邊緣定位的精度及準(zhǔn)確度，兼顧了平滑噪聲和抑制假邊緣的需要，檢測(cè)出的邊緣連續(xù)性好，是一種有效的邊緣檢測(cè)方法。
參考文獻(xiàn)
[1] 孫即祥. 圖像處理[M]. 北京：科學(xué)出版社，2005.
[2] CANNY J. A Computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.
[3] 黃劍玲，鄒輝. 一種精確的自適應(yīng)圖像邊緣提取方法[J]. 計(jì)算機(jī)工程與科學(xué)，2009，31(9)：53-55.
[4] 雒濤.改進(jìn)的自適應(yīng)閾值Canny邊緣檢測(cè)[J]. 光電工程，2009,36(11)：106-111.
[5] 王衛(wèi)星.一種基于最大類間后驗(yàn)概率的Canny邊緣檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用,2009,29(4)：962-965.
[6] 何明一，衛(wèi)保國(guó). 數(shù)字圖像處理[M]. 北京：科學(xué)出版社，2008.
[7] 張德豐. MATLAB數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2009.
[8] 陳浩，王延杰.基于小波變換的圖像融合技術(shù)研究[J].微電子學(xué)與計(jì)算機(jī)，2010,27(5)：39-41.