高俊釵，韓 冰

（1.西安工業(yè)大學 電子信息工程學院，陜西 西安 710032；2.西安工業(yè)大學 信息技術中心，陜西 西安 710032）

由于圖像傳感器件的特性和光學衍射效應的濾波特性，由相機采集的圖像存在一定程度的模糊，目標邊緣輪廓與背景之間也存在一定程度的過渡變化，所以背景與目標邊緣之間的信號變化不是階躍變化，而是呈斜坡的過渡[1]。過渡區(qū)的存在造成了目標輪廓的模糊，是目標真實邊界分割的主要障礙。過渡區(qū)部分屬于背景區(qū)域，部分屬于目標區(qū)域，也造成了目標區(qū)域與背景區(qū)域灰度存在重疊。

目前輪廓圖像分割算法一般是基于梯度局部極大值來實現的，但這種算法獲得的是否是真實的輪廓，沒有可靠的分析與說明。

筆者利用清晰的輪廓圖形進行實驗分析，采用平滑濾波器模擬相機采集圖像的濾波特性，對基于梯度的幾種算子：sobel算子、canny算子進行了比較，并提出了提取真實輪廓的圖像邊緣檢測算法。

1 采集圖像的邊緣特性分析

邊緣是圖像最基本的特征，與圖像亮度或圖像亮度的一階導數的不連續(xù)性有關，從而表現為階躍邊緣和線條邊緣，這里主要關注階躍邊緣，如圖1（a）所示。

在實際圖像中，由于圖像傳感器的特性和光學衍射效應等影響，階躍邊緣變成斜坡形邊緣，如圖1（b）所示。

階躍邊緣表現為圖像亮度在不連續(xù)處兩邊的像素灰度值有著明顯的差異，這種差異從視覺上表現為圖像從亮場景過渡到暗背景，或從亮背景過渡到暗場景。所以圖像亮度的一階導數的幅度在階躍邊緣上非常大，而在非邊緣上為零，如圖 1（c）所示。

斜坡邊緣上的圖像亮度一階導數的幅值最大，在非邊緣點幅值減小，如圖 1（d）所示。

圖1 圖像邊緣截面圖及其一階導數Fig.1 Image edge sections and the first derivative

2 邊緣檢測的原理

2.1 梯度檢測原理

邊緣是指圖像局部亮度變化最顯著的部分，通常與圖像亮度的一階導數的不連續(xù)性有關，是背景與目標之間的邊界點集。這種不連續(xù)可利用導數方便地檢測到，一般常用一階來檢測邊緣，一階導數即梯度[2-3]。二維圖像 的梯度定義為向量：

為簡化計算，該數值有時通過省略平方根的計算來近似，或通過取絕對值來近似，這些近似值仍然具有導數性質，即在不變亮度區(qū)中的值為零，與可變亮度區(qū)的亮度變化程度成比例。

梯度向量的基本性質是它指向f在（x，y）處的最大變化率方向。最大變化率出現時的角度為：

2.2 邊緣檢測算子

圖像導數可借助空域微分算子通過卷積來完成。實際上對于離散的、數字化的圖像，求導數是利用差分近似微分來完成[4-5]?；诓煌乃阕咏菩纬闪瞬煌倪吘墮z測器，常用的邊緣檢測的方法，一階導數近似的有Sobel算子、Canny算子[6]等，由這些邊緣檢測器生成的邊緣集可以分成兩個子集：真邊緣集和假邊緣集。真邊緣集對應場景中的邊緣，假邊緣集不是場景中的邊緣。還有一個邊緣子集，即場景中漏檢的邊緣集。邊緣檢測[7]對噪聲（即目標內部和背景內部的變化也比較敏感），雖然真邊緣集對邊界定位較準確，但會出現漏檢邊緣集和假邊緣集。

3 基于梯度的邊緣檢測算法比較

3.1 原始圖像合成

為了說明圖像輪廓模糊對檢測的邊緣的影響,給出一幅人工合成圖像，其背景和目標的灰度范圍分別是單一灰度圖像，背景的灰度為 0.5，目標的灰度為 0.75，如圖 2（a）所示，輪廓比較清晰。采用一13×13的均值濾波器對人工合成圖像進行濾波，模擬相機濾波采集的圖像，如圖2（b）所示?？梢钥闯?，輪廓有一定程度的模糊。

圖2 原始圖像Fig.2 Original image

3.2 邊緣檢測處理比較

分別采用Sobel算子和Canny算子對合成圖像和模擬相機采集圖像進行邊緣檢測，Sobel算子檢測的結果如圖3所示，圖3（a）是對合成圖像檢測的結果，圖3（b）是對模擬相機采集圖像檢測的結果。Canny算子檢測的結果如圖4所示，圖4（a）是對合成圖像檢測的結果，不同算子處理的結果基本相同。圖4（b）是對模擬相機采集圖像檢測的結果。通過比較可以看出，輪廓的模糊對邊緣檢測有很大的影響，而且不同的算子處理結果會有所差異，Sobel算子處理的結果出現了多邊緣，而Canny算子處理的結果角點部分變得圓滑。

圖3 Sobel算子邊緣檢測Fig.3 Edge detection of Sobel operator

圖4 Canny算子邊緣檢測Fig.4 Edge detection of Canny operator

4 基于灰度乘方的梯度邊緣檢測算法

由于輪廓的模糊性，以至于不能很好地檢測目標的邊緣。輪廓的模糊性是相機成像濾波造成的。而濾波在一定意義上可看作圖像平滑的特殊情況，平滑的實質是灰度內插,所以過度平滑會對圖像產生不良影響，原始圖像逐漸模糊，尤其表現在高頻的邊緣部分。如果過度平滑會在圖像區(qū)域邊緣產生較嚴重的幾何畸變，如圖2（b）所示，其相應的分割結果也逐漸變差，如圖 3（b）和 4（b）所示。

然而在圖像邊緣產生幾何畸變(模糊)的過程就是產生過渡區(qū)的過程，邊緣存在于過渡區(qū)內，而過渡區(qū)本身就在消除灰度變化之間的差異，所以前面梯度算子不能較好地檢測模糊輪廓。要較好地檢測模糊輪廓邊緣，就需要做與濾波平滑相反的運算，提高過渡區(qū)的灰度變化差異性。由于相機的平滑濾波是不可估計的，所以設計有助于提高過渡區(qū)灰度變化差異性的算法都是可行的。因此提出了改進的梯度邊緣檢測算法，其主要步驟如下：

1）圖像灰度乘方運算，提高圖像灰度變化的差異性；

2）對乘方后的圖像歸一化處理[8]，提高圖像的動態(tài)范圍；

3）對歸一化圖像采用梯度算子進行邊緣檢測。

按照以上步驟，對模擬相機采集圖像進行處理如圖5所示，其中，圖5（a）為灰度乘方運算處理的歸一化圖像，與圖2（b）進行比較，提高了邊緣的清晰度。圖5（b）為本文算法處理的邊緣檢測圖像，與合成圖像直接采用梯度算子檢測的結果一致，達到了對模糊輪廓的真實邊緣檢測的效果。

圖5 灰度乘方算法邊緣檢測Fig.5 Edge detection algorithm of gray-scale power

5 結 論

圖像灰度乘方處理可以提高圖像灰度變化的差異性，從而提高了圖像模糊輪廓區(qū)域即過渡區(qū)域灰度變化的差異性，相應減小了相機采集過程帶來的圖像輪廓模糊。通過實驗仿真分析，基于自乘處理的圖像的梯度邊緣效果較好，檢測到了與清晰輪廓一致的邊緣輪廓，是一種有效的模糊輪廓檢測算法。

[1]張廣軍.視覺測量[M].北京：科學出版社，2008.

[2]曹建農，孫承志.圖像分割中區(qū)域灰度重疊問題研究[J].計算機應用，2006，26（9）：2077-2080.

CAO Jian-nong，SUN Cheng-zhi.Study on the overlap of regional intensity ranges in image segmentation[J].Computer Applications，2006，26（9）：2077-2080.

[3]岡薩雷斯.數字圖像處理[M].北京：電子工業(yè)出版社，2009.

[4]章毓晉.圖像工程[M].北京：清華大學出版社，2005.

[5]閆成新，桑農，張?zhí)煨?基于小波變換的圖像過渡區(qū)提取與分割[J].計算機工程與應用，2004（18）：29-31.

YAN Cheng-xin，SANG Nong，ZHANG Tian-xu.Wavelet transform based image transition region extraction and segmentation[J].Computer Engineering and Applications，2004（18）：29-31.

[6]樂寧，梁學軍，翁世修.圖像過渡區(qū)算法及其改進[J].紅外與毫米波學報，2001，20（3）：211-214.

LE Ning，LIANG Xue-jun，WENG Shi-xiu.The algorithm of image transition region and its improvement[J].Infrared Milim.Waves，2001，20（3）：211-214.

[7]宗露艷，吳陳.一種改進的Canny算子邊緣檢測算法[J].現代電子技術，2011（04）：104-106.

ZONG Lu-yan，WU Chen.An Improved Edge Detection Algorithm Based on Canny Operator[J].Modern Electronics Technique，2011（04）：104-106.

[8]楊通鈺，彭國華.基于NCC的圖像匹配快速算法[J].現代電子技術，2010（22）：107-109.

YANG Tong-yu，PENG Guo-hua.Fast algorithm for image matchingbasedonNCC[J].ModernElectronicsTechnique，2010（22）：107-109.