内容发布更新时间 : 2024/5/18 8:07:19星期一 下面是文章的全部内容请认真阅读。

龙源期刊网 http://www.qikan.com.cn

基于多尺度形态学的运动目标边缘检测算法研究

作者：徐康为

来源：《电子技术与软件工程》2016年第01期

研究和分析了形态学梯度算子，提出了一种适合运动目标图像边缘检测的多尺度形态学梯度算子。它结合了基于灰度图像和边缘图像的二进小波检测方法的优点，减低了直接从灰度图像中提取时的算法复杂度，并且解决了普通边缘提取算法带来的诸多对噪声敏感问题。试验结果表明，该方法能够在较低噪声背景下更有效地检测运动目标图像边缘特征，提高判决准确率。

【关键词】多尺度边缘检测 形态学梯度 图像处理 1 引言

在图像处理中，边缘（edge）不仅仅是指表示物体边界的线，还应包括能够描绘图像特征的线要素，利用所提取的边缘点可以分割出特定的物体，因此边缘检测是一种重要的图像分割方法，可作为复杂的图像识别、图像理解的预处理环节。常见的边缘检测算子包括：Roberts，Sobel和Canny算子等。当Roberts算子运用到彩色图像时，与灰度化彩色图像不同，它是将彩色图像中两个像素的RGB颜色空间的三个分量（r，g，b）的偶数距离代入Roberts算子中计算，确定图像边缘，最终获得文本区域。在利用边缘检测的邮件地址标签图像分割方法中，为减小后续计算复杂度，首先图像需经过预处理和灰度化，再利用Sobel算子检测图像边缘，用Hough变换筛选和聚类边缘点，达到分割邮件图像地址信息的目的。在检测视频图像的算法中，利用其边缘检测和线条特征，将Canny算子进行改进，然后应用于图像边缘检测中。一旦候选图像的边缘被检测出，用连通扫描算法追踪相邻的边缘像素，形成线条，然后过滤线条，再将相邻的线条聚集起来，从而获得候选区域，最后依照图像特征确定图像区域。 2 多尺度形态学梯度的边缘检测

常用的边缘检测算子，计算图像中局部小区域的差分，这些算子对噪声较敏感，且常会在检测边缘的同时加强噪声。而形态边缘检测器建立在形态梯度基础之上，虽也对噪声较敏感，但不会引起噪声的加强或放大。

其中，f为原始图像，g为结构元素。单尺度形态学梯度算子性能由结构元素g的大小所决定。倘若g足够大，对斜坡边缘而言，梯度算子的输出与边缘高度相等。大结构元素会加强边缘间的影响，将会引发梯度极大值与边缘的差异；而小结构元素虽使得梯度算子具备高分辨率的优势，但对斜坡边缘会出现一个很小的输出结果。

龙源期刊网 http://www.qikan.com.cn

3 多尺度边缘检测算法研究

各个尺度下沿着边界的模极大曲线是由沿边界方向将该尺度下的边缘连接起来而获得，通过检测二维小波变换的模极大点可确定图像的边缘点。当图像经小波变换分解成多个尺度，对每个尺度上的成分采用相应的时域或空域取样步长，能不断地聚焦到对象的任意微小细节。正因为小波变换所具备的这种多尺度特性，恰好将其用于检测图像边缘。

数字图像处理中，幅度变化的程度由边缘走向的方向所决定的。当处于沿着边缘走向时，幅度会发生平缓的变化，而当垂直于边缘走向时，幅度会变化加剧。此外，当某个物体的大小不一致时，它们的边缘也会出现不同尺度。在细化尺度中，边缘点的正则性是由模极大的衰减速度所决定的。 4 仿真与分析 4.1 实验一

假设灰度图像矩阵为，滤波器矩阵为，输出为行列矩阵。我们在进行图像边缘检测时，重点考虑的的是小波变换的模。

如图1所示，图（a）为原始图像，图（b）-（d）依次为经过3层小波变换的结果。图像的边缘和纹理在第1层小波变换中显现出来，而图像的边缘则在第2、3层小波变换凸显，并且将图像细致的纹理结构平滑掉。 4.2 实验二

如图2所示，用摄像头针对某运动物体进行多景拍摄的一段时间内的一组连续的图像记录（共7幅图像），通过边缘特征提取技术分析该组图像的变化。

从图2中各幅图像边缘检测的结果观察到：每幅图像中车辆位置变化情况在边缘检测图中可以直观地反映出来。例如图中的白色面包车在接近摄像头的过程中，其边缘图像逐渐变得完整；当在最后一幅图片中白色面包车消失时，图中的边缘信息随即消失。相比于单尺度梯度边缘检测方法，多尺度梯度法能更好地一致噪声的影响，使得针对车辆信息提取的边缘特征更加清晰，便于识别。 5 结语

物体的边缘主要表现为不连续的图像局部特征，例如灰度值和颜色突变。本文首先论述了复杂背景下文字信息边缘检测提取，随后研究了基于小波变换的快速检测算法，该算法结合了基于灰度图像和边缘图像的二进小波检测方法的各自优点，减低了直接从灰度图像中提取时的算法复杂度，并且解决了普通边缘提取算法带来的诸多对噪声敏感问题，降低了误判率。最后

龙源期刊网 http://www.qikan.com.cn

通过实验将边缘检测技术应用于一系列不同时间段内的实际图像特征提取中，观察各个时刻图像边缘特征的变化。 参考文献

[1]Usman Akram，M.Tariq， Anam，Bashir， Zabeel，Khan，Shoab A.Gaussian mixture model based handwritten numeral character recognition [J].ISIEA 2013-2013 IEEE Symposium on Industrial Electronics and Applications，2013， 81-85

[2]Prum，S.，Visani，M.，Fischer，A.，Ogier， J.M.A Discriminative Approach to On-Line Handwriting Recognition Using Bi-character Models.Document Analysis and Recognition （ICDAR）， 2013 12th International Conference on.2013，364-368.

[3]SHEN D，HORACE H S IP. Discriminative wavelet shape descriptors for recognition of 2-D patterns [J].Pattern Recognition，1999，32（2）：151-165.

[4]Wang Run—sheng.Image Understanding [M].Changsha：National University of Defense Technology Press，1994：145-146.

[5]Chen Yang，Wang Run-sheng.A method for texture classification by integrating Gabor filters and ICA [J].Acta Electronica Sinaica，2007，35（2）：299-303. 作者简介

徐康为（1994-），男，江苏省南京市人。现为武汉大学大学本科在读。主要研究领域为遥感图像。 作者单位

武汉大学 湖北省武汉市 430010