【摘 要】研究噪聲圖像的邊緣檢測(cè)算法。根據(jù)噪聲像素點(diǎn)與相鄰像素點(diǎn)的關(guān)聯(lián)程度進(jìn)行去噪，再運(yùn)用改進(jìn)的Canny算子提取圖像的邊緣信息，最后對(duì)提取的邊緣進(jìn)行形態(tài)學(xué)處理，得到清晰的圖像邊緣。仿真實(shí)驗(yàn)結(jié)果對(duì)比表明本算法能較清晰地提取出圖像的邊緣，具有較強(qiáng)的抗噪魯棒性。

【關(guān)鍵詞】噪聲 邊緣檢測(cè) 自適應(yīng)中值濾波 形態(tài)學(xué)

一、引言

隨著數(shù)字圖像應(yīng)用的廣泛，對(duì)圖像精度的要求也逐步提高。但是由于客觀條件的限制，噪聲對(duì)圖像質(zhì)量的影響從未完全去除過(guò)。例如廣泛應(yīng)用的視頻監(jiān)控，監(jiān)控畫(huà)面若照度低則噪聲明顯增強(qiáng)，嚴(yán)重時(shí)對(duì)畫(huà)面質(zhì)量造成較大影響。本文針對(duì)含噪圖像的實(shí)際情況研究采用自適應(yīng)濾波、邊緣檢測(cè)與形態(tài)學(xué)處理相結(jié)合的噪聲圖像邊緣檢測(cè)算法，能夠有效抑制噪聲的影響，準(zhǔn)確檢測(cè)圖像的邊緣信息，提取圖像的數(shù)字特征。

二、基于自適應(yīng)中值濾波形態(tài)學(xué)處理算法

本文采用基于自適應(yīng)中值濾波形態(tài)學(xué)處理的AMM算法。

（一）AMM算法基本思想。AMM算法首先根據(jù)噪聲像素點(diǎn)與相鄰目標(biāo)像素點(diǎn)的關(guān)聯(lián)程度采用自適應(yīng)中值濾波算法對(duì)圖像進(jìn)行平滑降噪處理，在去除噪聲的同時(shí)盡量保護(hù)圖像邊緣和紋理等細(xì)節(jié)信息，然后運(yùn)用改進(jìn)的Canny算子對(duì)圖像進(jìn)行邊緣檢測(cè)，提取圖像的邊緣信息，最后對(duì)提取的邊緣進(jìn)行形態(tài)學(xué)處理，得到清晰的圖像邊緣。傳統(tǒng)靜態(tài)圖像邊緣檢測(cè)方法有基于一階導(dǎo)數(shù)和基于二階導(dǎo)數(shù)的邊緣檢測(cè)方法。Canny邊緣檢測(cè)算法由高斯平滑去噪、計(jì)算梯度、細(xì)化邊緣、選取閾值和連接邊緣等部分組成，是最為常用的邊緣檢測(cè)算法。

（二）自適應(yīng)中值濾波。為降低結(jié)構(gòu)破壞，提高濾波效率，本文采用改進(jìn)型自適應(yīng)中值濾波算法。算法自適應(yīng)地調(diào)整濾波模板大小，并對(duì)圖像目標(biāo)像素點(diǎn)和噪聲點(diǎn)采取不同的處理方法。

（三）改進(jìn)的Canny算子邊緣檢測(cè)。Canny算法在邊緣檢測(cè)中滿(mǎn)足信噪比準(zhǔn)則、定位精度準(zhǔn)則以及單邊響應(yīng)準(zhǔn)則。Canny算子首先以Gauss核函數(shù)濾波器進(jìn)行平滑濾波，Gauss核函數(shù)。

分別計(jì)算核函數(shù)在和方向上的一階偏導(dǎo)數(shù)：

（2）、（3）式中為Gauss濾波的空間尺度系數(shù)，決定了圖像平滑的程度。

將圖像分別與（2）式和（3）式做卷積運(yùn)算，各點(diǎn)的梯度方向和梯度幅值為：

（4），（5）

可見(jiàn)直接決定了含噪圖像的邊緣檢測(cè)的效果。因此在本算法中先對(duì)圖像進(jìn)行自適應(yīng)中值濾波，降低噪聲對(duì)圖像的影響，也就為Canny算子邊緣檢測(cè)提供了較好的基礎(chǔ)。

（四） 形態(tài)學(xué)處理方法

結(jié)構(gòu)元素是形態(tài)處理的一大優(yōu)點(diǎn)。結(jié)構(gòu)元素在圖像中不斷移動(dòng)，了解圖像的結(jié)構(gòu)特征，收集圖像的信息。根據(jù)探測(cè)的不同，結(jié)構(gòu)元素可攜帶形態(tài)、色度、大小等信息。因此本文采用在非邊緣區(qū)域使用大尺度濾波，在邊緣區(qū)域進(jìn)行小尺度濾波的處理方法，既滿(mǎn)足了邊緣定位的精度，又有效地抑制了噪聲。

三、 算法的實(shí)現(xiàn)

AMM算法描述如下。

Step 1：圖像自適應(yīng)中值濾波。設(shè)最大窗口為，濾波輸出像素值為，1）初始化濾波模板（即窗口）大小，令；2）計(jì)算濾波模板中的最大值，最小值及中間值；3）計(jì)算出中值濾波閾值；4）如果，則跳轉(zhuǎn)至5），否則増大窗口，如果，跳轉(zhuǎn)到2）；5）如果，，表明該點(diǎn)不是噪聲，輸出保持不變，否則該點(diǎn)的值用中值代替，即。

Step 2：選取兩個(gè)不同大小的方差（）分別進(jìn)行平滑濾波。通過(guò)設(shè)定雙門(mén)限值（和），去除檢測(cè)出的虛假邊緣點(diǎn)。為消除虛假細(xì)節(jié)，以圖像為種子，對(duì)進(jìn)行跟蹤，并補(bǔ)充信息到的邊緣，最后輸出結(jié)果

Step 3：圖像偽邊緣形態(tài)學(xué)處理。本文在非邊緣區(qū)域使用大尺度形態(tài)濾波，在邊緣區(qū)域進(jìn)行小尺度形態(tài)濾波的方法。確定結(jié)構(gòu)元素序列，即對(duì)結(jié)構(gòu)元素進(jìn)行次膨脹，得到大尺度的結(jié)構(gòu)元素。取不同的就得到不同的結(jié)構(gòu)元素，可以用結(jié)構(gòu)元素序列提取不同區(qū)域上的邊緣。

經(jīng)上述處理得到清晰的邊緣檢測(cè)效果。

四、 仿真結(jié)果

為檢測(cè)AMM算法的圖像邊緣檢測(cè)效果，在Matlab2010仿真平臺(tái)下對(duì)含噪圖像進(jìn)行邊緣檢測(cè)實(shí)驗(yàn)并Canny算子檢測(cè)方法相比較。AMM算法在含噪圖像邊緣檢測(cè)方面效果顯著，在較大程度上提高了噪聲圖像邊緣檢測(cè)的質(zhì)量。

本文研究自適應(yīng)中值濾波與形態(tài)學(xué)處理相結(jié)合的噪聲圖像邊緣檢測(cè)AMM算法。該方法綜合考慮圖像邊緣增強(qiáng)檢測(cè)和噪聲抑制，克服了單純圖像邊緣檢測(cè)方法和形態(tài)學(xué)處理方法對(duì)噪聲敏感的影響，能夠準(zhǔn)確檢測(cè)含噪聲圖像的邊緣，準(zhǔn)確提取圖像特征。

參考文獻(xiàn)：

[1]譚筠梅，王履程，魯懷偉.一種有效去除圖像中脈沖噪聲的濾波算法[J].蘭州交通大學(xué)學(xué)報(bào)，2011，30（1）：18-21.

[2]黃寶貴，馬春梅，盧振泰.新的形態(tài)學(xué)圖像降噪方法[J].計(jì)算機(jī)應(yīng)用， 2011， 31（3）： 757-759.

[3]張新明，劉斌，李雙等. 二維直方圖斜分最大類(lèi)間交叉熵的圖像分割[J]. 計(jì)算機(jī)應(yīng)用，2010，30（9）：2453-2457.

[4]林愛(ài)英，賈芳，昝紅英.基于二維直方圖的改進(jìn)的PCM 聚類(lèi)分割方法[J].湖北大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，34（1）：31-35.

[5]高月紅.灰度圖像分割算法的研究.[J] 科技信息.2009，（27）.