陳寧寧

(西安外事學院工學院，陜西西安 710077)

0 引言

圖像的邊緣是圖像最基本的特征。圖像邊緣是指其周圍像素灰度有階躍變化或“屋頂”變化的那些像素的集合。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。因此，它是圖像分割所依賴的重要特征［1］。瀝青混合料是由集料、瀝青膠漿和空隙三大部分構成的，即瀝青混合料各部分具有良好的色彩對比度。所以應用圖像處理技術對瀝青混合料數(shù)字圖像進行邊緣檢測，可以直觀快速地勾勒出集料的邊緣，對圖像進行分割［2］。

1 圖像邊緣檢測

圖像邊緣檢測主要根據(jù)引起圖像灰度變化的物理過程來描述圖像中灰度變化的過程。經(jīng)典的邊緣提取方法是考察圖像的每個像素在某個鄰域內灰度的變化，利用邊緣鄰近一階或二階方向導數(shù)變化規(guī)律，用簡單的方法檢測邊緣［3］。本文主要介紹Sobel算子，Prewitt算子，Laplacian算子進行圖像邊緣檢測的原理、算法及用VC.NET實現(xiàn)的部分源程序。

1.1 Sobel邊緣檢測算子

Sobel邊緣檢測算子原理為先做加權平均，再微分，最后求梯度，其算子定義為:

其梯度大小為

或取絕對值

Sobel邊緣算子可以用模板表示，如圖1即為Sobel算子的兩個模板或稱卷積核［4］。

圖1 Sobel邊緣算子

1.2 Prewitt邊緣檢測算子

在一個較大區(qū)域內，若用兩點的偏導數(shù)值求梯度幅度值，則受噪聲干擾很大。為了降低噪聲的影響，則采用Prewitt算子［5］進行邊緣檢測。Prewitt算子主要采用計算偏微分估計值的方法實現(xiàn)邊緣檢測，即對兩個點的各自一定領域內的灰度值求和，并根據(jù)兩個灰度值和的差再計算x，y的偏導數(shù)。

圖2兩個卷積核形成了Prewitt邊緣檢測算子。同使用Sobel算子的方法一致，圖像中的每個點都用這兩個核進行卷積，取出最大值作為輸出值。

圖2 Prewitt邊緣檢測算子

1.3 高斯拉普拉斯邊緣檢測算子

拉普拉斯算子是一種不依賴于邊緣方向的二階微分算子，它是一個標量而不是向量，具有旋轉不變即各向同性的性質，在圖像處理中常被作為提取圖像的邊緣的一種方法。其算子為:

在數(shù)字圖像情況下的近似值為:

圖3 Laplacian邊緣檢測算子模板

也可用數(shù)字圖像的f(x，y)和圖3Laplacian算子模板的卷積來表示。

2 邊緣檢測方法的實現(xiàn)及比較

基于VC.NET平臺編程對以上邊緣檢測算子進行實現(xiàn)［6］。圖4為分別應用 Sobel、Prewitt和 Laplacian算子進行瀝青混合料數(shù)字圖像邊緣檢測后的效果圖。

從對瀝青混合料數(shù)字圖像邊緣檢測結果可以看出Sobel算子和Prewitt算子對噪聲具有較好的平滑作用，能濾除一些噪聲，去掉部分偽邊緣，但同時也平滑了真正的邊緣，對集料顆粒的邊緣定位精度不高。Laplacian算子是二階微分算子，利用邊緣點處二階導函數(shù)出現(xiàn)零交叉原理檢測邊緣，不具方向性，對灰度突變敏感，邊緣定位精度高，且實現(xiàn)容易。在此基礎上則三種瀝青混合料數(shù)字圖像邊緣檢測中高斯拉普拉斯算子檢測出的集料輪廓比較清楚完整，所以效果最好。

圖4 邊緣檢測

3 結論

本文主要介紹了應用圖像處理技術對瀝青混合料數(shù)字圖像進行邊緣檢測，可以直觀快速地勾勒出集料的邊緣，進而對圖像進行分割。然后對目前常用的幾種經(jīng)典邊緣檢測算子進行了分析，并分別采用這幾種邊緣檢測算子對瀝青混合料數(shù)字圖像進行邊緣檢測。通過對檢測結果的分析比較得到拉普拉斯邊緣檢測算子所檢測出的集料輪廓比較清楚完整，效果最好。

［1］夏良正，李久賢.數(shù)字圖像處理［M］.第2版.南京:東南大學出版社，2005.

［2］李智.基于數(shù)字圖像處理技術的瀝青混合料體積組成特性分析［D］.哈爾濱工業(yè)大學，2002.

［3］夏良正，李久賢.數(shù)字圖像處理［M］.第2版.江蘇:東南大學出版社，2005:143－151.

［4］葉楓.基于灰度圖像的邊緣檢測方法研究［D］.西北工業(yè)大學，2003.

［5］J Prewitt.Object Enhancement and Extraction.Picture Process［J］.Psychopict，1970:75－149.

［6］楊淑瑩，邊奠英.VC++圖像處理程序設計［M］.第2版.北京:清華大學出版社，2005.