，，，，

(浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，杭州 310023)

基于迭代擬合的集裝箱角件邊緣檢測(cè)算法

高飛，李定謝爾，徐云靜，盧書芳，肖剛

(浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，杭州310023)

噪聲通常是影響集裝箱角件圖像中低層次語義信息提取精度的重要因素，傳統(tǒng)的邊緣檢測(cè)算法通常通過改進(jìn)濾波器和閾值來消除圖像中的物理噪聲和環(huán)境噪聲，但是卻無法去除邊緣檢測(cè)后的噪聲，為解決這一問題，提出了一種基于迭代擬合的邊緣檢測(cè)算法；首先，對(duì)角件圖像進(jìn)行一系列預(yù)處理操作獲取邊緣點(diǎn)集，其次，使用擬合算法處理點(diǎn)集并且得到函數(shù)表達(dá)式，然后定義偏差值度量并計(jì)算，用于衡量目標(biāo)點(diǎn)集到擬合或者檢測(cè)結(jié)果的偏差，最后，去除定義下距離擬合結(jié)果最遠(yuǎn)的指定數(shù)量的點(diǎn)，如此迭代擬合直至評(píng)價(jià)函數(shù)收斂；實(shí)驗(yàn)結(jié)果與分析表明，該算法可以有效地去除邊緣點(diǎn)集中的非真實(shí)邊緣點(diǎn)，相比于傳統(tǒng)的邊緣檢測(cè)算法更能去除特殊噪聲，算法具有收斂速度快、準(zhǔn)確率較高、靈活性好等特點(diǎn)。

集裝箱角件；邊緣檢測(cè)；迭代擬合；評(píng)價(jià)函數(shù)

0 引言

通常在對(duì)圖像進(jìn)行二值化處理以及邊緣檢測(cè)的時(shí)候，由于圖像的質(zhì)量問題或者是灰度閾值、檢測(cè)參數(shù)的設(shè)定無法適應(yīng)每幅圖像導(dǎo)致最后得到的圖像往往包含不準(zhǔn)確的邊緣信息，這些干擾信息降低了目標(biāo)檢測(cè)的準(zhǔn)確性，如何去除這些干擾信息，改進(jìn)相關(guān)算法成為提高邊緣檢測(cè)準(zhǔn)確率的研究重點(diǎn)。

目前邊緣檢測(cè)算子有Sobel算子、Roberts算子等，但是它們?nèi)菀资艿皆肼暩蓴_，因此更為常用的方法大都是基于Canny算子，它比一階算子具有更好的抗噪能力和檢測(cè)精度，但是Canny算子也存在著一些缺點(diǎn)，比如不具備自適應(yīng)能力、容易丟失圖像邊緣細(xì)節(jié)等，為此許多學(xué)者對(duì)其進(jìn)行了改進(jìn)，文獻(xiàn)[1]提出了一種使用自適應(yīng)平滑濾波代替高斯濾波的Canny邊緣檢測(cè)算法，同時(shí)兼具了平滑圖像和銳化邊緣的功能，但是在減少環(huán)境噪聲的同時(shí)引入了真實(shí)邊緣附近的噪聲；文獻(xiàn)[2]為了解決傳統(tǒng)Canny算法容易丟失圖像邊緣細(xì)節(jié)的問題，采用形態(tài)學(xué)算子各向異性擴(kuò)散濾波代替高斯濾波，同時(shí)加入最大類間方差算法提高自適應(yīng)能力，但是相比于其他的改進(jìn)算法提升并不明顯；文獻(xiàn)[3]考慮到圖像中的區(qū)域邊界可能因?yàn)槭艿焦庹沼绊懚a(chǎn)生模糊，提出了一種基于模糊集的概念用來解決邊緣的不確定性，文獻(xiàn)[4]為了檢測(cè)出醫(yī)學(xué)圖像中紅細(xì)胞面積、圓度和個(gè)數(shù)等特征，使用迭代計(jì)算獲得最佳的Canny高低雙閾值，之后再用形態(tài)學(xué)細(xì)化檢測(cè)出圖像邊緣，在一定程度上減少了邊緣干擾和噪聲的影響，但是在圖像中目標(biāo)邊界模糊的情況下，檢測(cè)效果欠佳；文獻(xiàn)[5]提出一種自適應(yīng)獲取Canny動(dòng)態(tài)閾值的檢測(cè)方法，它考慮到全局閾值將會(huì)丟失部分局部信息，對(duì)圖像進(jìn)行分塊處理并利用梯度方差作為判斷依據(jù)，然后使用最大類間方差法加以插值運(yùn)算獲得閾值矩陣，實(shí)現(xiàn)了良好的抗噪性和較好的檢測(cè)精度，但是其在去除噪聲的同時(shí)也丟失了部分細(xì)節(jié)；文獻(xiàn)[6]為了在噪聲較多的圖像中盡可能多地檢測(cè)出邊緣細(xì)節(jié)，構(gòu)造了一種基于形態(tài)學(xué)濾波特性的邊緣算子，使用多方向結(jié)構(gòu)元素實(shí)現(xiàn)精確的邊緣檢測(cè)，并根據(jù)灰度特征自適應(yīng)調(diào)整各個(gè)方向結(jié)構(gòu)元素的權(quán)值，但是它需要人工調(diào)整結(jié)構(gòu)元素大小，欠缺靈活性；文獻(xiàn)[7]提出了一種結(jié)合小波變換模極大值和形態(tài)學(xué)的含噪圖像邊緣檢測(cè)方法，兼顧了邊緣定位和弱邊緣保留。此外還有基于結(jié)構(gòu)森林[8-9]的方法，它利用局部圖像表現(xiàn)出來的結(jié)構(gòu)特征去學(xué)習(xí)一個(gè)具有計(jì)算效率和準(zhǔn)確性的邊緣檢測(cè)器，在現(xiàn)有公共數(shù)據(jù)集上實(shí)現(xiàn)了很好的效果并具有實(shí)時(shí)性、整體嵌套[10]等方法。

上述方法大都是在檢測(cè)算法上進(jìn)行改進(jìn)，沒有考慮到在檢測(cè)之后對(duì)結(jié)果進(jìn)行后續(xù)的去噪，在實(shí)際的集裝箱角件邊緣檢測(cè)應(yīng)用中，由于圖像模糊，使用傳統(tǒng)檢測(cè)方法后容易在邊緣周圍產(chǎn)生干擾點(diǎn)，這常常導(dǎo)致最終提取的邊緣信息精度偏低，例如在直線類邊緣提取中，會(huì)有很多噪聲導(dǎo)致提取到的邊緣偏離了實(shí)際的目標(biāo)。從本質(zhì)上講，問題的關(guān)鍵在于這些方法并未充分結(jié)合具體的邊緣信息。為便于描述，將與邊緣有關(guān)的難以用傳統(tǒng)方法去除的噪聲定義為特殊噪聲，或稱為非物理噪聲，其詳細(xì)定義見第1節(jié)。針對(duì)這一問題，本文提出了一種通用的基于迭代擬合的角件邊緣檢測(cè)算法。

1 角件邊緣特殊噪聲定義

特殊噪聲指出現(xiàn)在集裝箱角件圖像中邊緣周圍的噪聲，它影響邊緣提取的準(zhǔn)確性，同時(shí)和邊緣具有一定關(guān)聯(lián)。通常而言，傳統(tǒng)物理噪聲分散于整個(gè)圖像中，與目標(biāo)并不具備空間上特有的關(guān)聯(lián)性，目標(biāo)固有的先驗(yàn)知識(shí)對(duì)去除物理噪聲并不具有多大的幫助。而特殊噪聲與之相反，先驗(yàn)知識(shí)對(duì)去除特殊噪聲將起到關(guān)鍵性作用。綜上所述，角件邊緣的特殊噪聲具有以下特點(diǎn)。

1)單一性：在圖像預(yù)處理后，集裝箱角件圖像中邊緣周圍出現(xiàn)干擾信息，這只存在于二值圖像中。

2)關(guān)聯(lián)性：特殊噪聲反映出目標(biāo)區(qū)域與周圍區(qū)域在空間、紋理、色彩等方面存在關(guān)聯(lián)。據(jù)此特點(diǎn)可知，對(duì)于角件邊緣而言，距離過遠(yuǎn)的噪聲不屬于特殊噪聲范疇。

3)不確定性：不同于物理噪聲普遍地存在,。當(dāng)圖像質(zhì)量好、目標(biāo)檢測(cè)算法有效時(shí)，特殊噪聲將不存在于角件圖像中。

4)先驗(yàn)性：根據(jù)角件邊緣的先驗(yàn)知識(shí)，特殊噪聲的判定具有一定先驗(yàn)性，即事先了解特殊噪聲的存在范圍。

2 角件邊緣檢測(cè)算法流程

根據(jù)以上特殊噪聲的定義和特點(diǎn)，提出一種適用于角件邊緣的檢測(cè)算法，流程如圖1所示，其步驟可總結(jié)如下。

1)點(diǎn)集獲?。焊鶕?jù)角件邊緣的先驗(yàn)知識(shí)，從圖像中獲取邊緣點(diǎn)集，其算法可描述為：

算法1:邊緣點(diǎn)集提取算法。

輸入：圖像I。

對(duì)于角件邊緣，通常f包含如下步驟：

獲取到角件邊緣點(diǎn)集P不僅包含邊緣信息，也包含特殊噪聲。

2)參數(shù)擬合：根據(jù)步驟1得到的點(diǎn)集P進(jìn)行參數(shù)擬合，目的是為步驟3提供計(jì)算基準(zhǔn)，其算法描述如下。

算法2:參數(shù)擬合算法，通常采用如下模型求解：

輸入：像素點(diǎn)集P。

輸出：參數(shù)擬合方程v=f(x,y)。

ei=vi-f(xi,yi)

其中:f(x,y)=ax+b-y=0表示直線形式的參數(shù)擬合函數(shù)，ξ表示擬合偏差，即像素點(diǎn)與擬合函數(shù)之間的偏差范數(shù)ei的和。有時(shí)候，為了體現(xiàn)目標(biāo)中部分點(diǎn)的重要性，需要給出不同的權(quán)重值wi，正常情況下，wi全部為1。

圖1 集裝箱角件邊緣檢測(cè)算法流程圖

3)噪聲剔除：在步驟2中擬合偏差定義下，P中存在著一些偏差范數(shù)ei較大的像素點(diǎn)。在此步驟中，按偏差范數(shù)從大到小的順序?qū)⒓螾中的點(diǎn)重新排序，然后將排在前面的M個(gè)偏差范數(shù)較大的點(diǎn)當(dāng)作特殊噪聲從P剔除，具體算法描述如下。

算法3:特殊噪聲剔除算法。

輸入：偏差范數(shù)集合E={ei|i=1,2,…,n}。

輸出：剔除特殊噪聲之后的像素點(diǎn)集P。

Step2：P′=P-Q，去除特殊噪聲，即從集合P中剔除Q。

Step3：P=P′，更新像素點(diǎn)集。

4)迭代收斂：特殊噪聲通常無法在一次迭代中完全去除，所以去噪效果需要評(píng)價(jià)函數(shù)進(jìn)行評(píng)估。在步驟3中，去除的噪聲中有部分可能不是真正的特殊噪聲，這同樣需要評(píng)估函數(shù)以避免更多的真實(shí)數(shù)據(jù)點(diǎn)被移除。

為此，提出偏差值變化率作為評(píng)價(jià)函數(shù)以評(píng)估去噪效果。當(dāng)真實(shí)的特殊噪聲被去除時(shí)，評(píng)價(jià)函數(shù)值較大；當(dāng)真實(shí)邊緣點(diǎn)被移除時(shí)，評(píng)價(jià)函數(shù)值較小。因此，在評(píng)價(jià)函數(shù)值大于某個(gè)閾值時(shí)，迭代步驟2～4；反之，小于該閾值時(shí)，停止迭代，具體算法如下。

算法4:迭代收斂。

Step1 定義評(píng)價(jià)函數(shù)。迭代評(píng)價(jià)函數(shù)被定義為如下方法：

(1)

Step2 根據(jù)評(píng)價(jià)函數(shù)決定是否迭代，即若Akgt;T，則繼續(xù)步驟2～4；否則，終止。

其中:Ak表示第k輪迭代的評(píng)價(jià)函數(shù)值，ξk表示第k輪迭代時(shí)的偏差值，T表示迭代收斂閾值。

算法總體分為以上4個(gè)步驟，其中每個(gè)步驟使用的算法可根據(jù)實(shí)際情況分別具體化，在一定程度上保證了算法的靈活性。

3 實(shí)驗(yàn)驗(yàn)證

在實(shí)驗(yàn)中，選取了自動(dòng)化碼頭應(yīng)用之一的基于機(jī)器視覺的集裝箱定位問題，其核心是識(shí)別集裝箱的角件邊緣，實(shí)驗(yàn)環(huán)境為Visual Studio 2013，運(yùn)行環(huán)境中CPU型號(hào)是E3-1230 v3，內(nèi)存為8 G，操作系統(tǒng)是Windows 7。根據(jù)先驗(yàn)知識(shí)，角件邊緣為直線，角件圖像尺寸為135×140，M設(shè)置為1，檢測(cè)結(jié)果如圖2～7所示。其中圖2(a)、3(a)、4(a)、5(a)、6(a)、7(a)為集裝箱角件原圖。圖2(b)、3(b)、4(b)、5(b)、6(b)、7(b)經(jīng)過圖像分割的角件輪廓圖，圖2(c)、3(c)、4(c)、5(c)、6(c)、7(c)為在角件原圖上進(jìn)行Canny邊緣檢測(cè)的結(jié)果，圖2(d)、3(d)、4(d)、5(d)、6(d)、7(d)為在邊緣檢測(cè)后進(jìn)行3×3均值濾波的結(jié)果，圖2(e)、3(e)、4(e)、5(e)、6(e)、7(e)為在邊緣檢測(cè)后進(jìn)行3×3中值濾波的結(jié)果，圖2(f)、3(f)、4(f)、5(f)、6(f)、7(f)為在角件輪廓圖上使用掃描法得到的部分邊緣點(diǎn)集，圖2(g)、3(g)、4(g)、5(g)、6(g)、7(g)為T=0.1時(shí)的檢測(cè)效果，圖2(h)、3(h)、4(h)、5(h)、6(h)、7(h)為T=0.5時(shí)的檢測(cè)效果，當(dāng)T=0.1和0.5時(shí)檢測(cè)所花時(shí)間分別大約為70 ms、9 ms，針對(duì)不同類別、角度的情況，選取了193張角件圖像進(jìn)行邊緣檢測(cè)實(shí)驗(yàn)，準(zhǔn)確率在96%以上。

圖2 不同去噪算法的效果比較1

圖3 不同去噪算法的效果比較2

圖4 不同去噪算法的效果比較3

圖5 不同去噪算法的效果比較4

圖6 不同去噪算法的效果比較5

圖7 不同去噪算法的效果比較6

實(shí)驗(yàn)結(jié)果表明，由于經(jīng)過Canny邊緣檢測(cè)后，圖中邊緣為單像素，所以使用傳統(tǒng)的3×3均值濾波在角件輪廓圖像中進(jìn)行去噪時(shí)，無法獲得較好的結(jié)果，從而導(dǎo)致邊緣檢測(cè)的效果欠佳，中值濾波方法更是破壞了圖中所有的邊緣。而本文提出的帶去除特殊噪聲的邊緣檢測(cè)方法是在圖像分割的基礎(chǔ)上進(jìn)行的，分割后的圖中并沒有過多的干擾點(diǎn)，因此在不同種類的角件圖像下都有著更好的效果，當(dāng)閾值T在一定范圍內(nèi)減小時(shí)能提升檢測(cè)準(zhǔn)確性，而且可以使用同一個(gè)閾值應(yīng)對(duì)不同的圖像。雖然該方法在一定程度上犧牲了計(jì)算時(shí)間，但是實(shí)驗(yàn)所用的代碼并未進(jìn)行優(yōu)化，后續(xù)可以通過改進(jìn)算法來提升檢測(cè)速度，在實(shí)際應(yīng)用中，可權(quán)衡計(jì)算時(shí)間和準(zhǔn)確性來設(shè)定閾值T，做到兩者的平衡。

4 算法討論

從實(shí)驗(yàn)結(jié)果來看，所提角件邊緣檢測(cè)算法通過擬合—剔除—評(píng)估的迭代計(jì)算可有效去除影響檢測(cè)精度的特殊噪聲，更準(zhǔn)確地保留了角件的真實(shí)邊緣。在算法中，步驟2、4中偏差值、偏差范數(shù)以及評(píng)價(jià)函數(shù)如何定義對(duì)檢測(cè)效果有著十分明顯的影響，所以在具體應(yīng)用的時(shí)候應(yīng)該著重研究這兩者。同時(shí)，本算法也存在著一定的局限，比如，參數(shù)擬合部分往往會(huì)花費(fèi)較多的時(shí)間，當(dāng)特殊噪聲較多且收斂條件較嚴(yán)格時(shí)，為了去除這些特殊噪聲，導(dǎo)致算法的迭代次數(shù)過多，花費(fèi)的時(shí)間將線性遞增，不具有實(shí)時(shí)性，在選擇擬合方法的時(shí)候需要考慮到這點(diǎn)，根據(jù)圖9比較來看，上部分為Hough變換花費(fèi)時(shí)間，下部分為最小二乘法花費(fèi)時(shí)間，在效率上后者明顯優(yōu)于前者。

在算法中，T和M的取值對(duì)計(jì)算效果與效率有著至關(guān)重要的影響。M的取值決定了在一次迭代中去除噪聲的數(shù)量，通常來說M值越大，檢測(cè)效果越好，計(jì)算時(shí)間越短，但是過大的M值將導(dǎo)致計(jì)算時(shí)間增長同時(shí)擬合效果降低。而T的取值決定了整個(gè)迭代環(huán)節(jié)的終止條件, 通常來說T值越大，檢測(cè)效果越好，計(jì)算時(shí)間越長，T和M的取值應(yīng)該根據(jù)具體案例。在角件邊緣檢測(cè)實(shí)驗(yàn)的基礎(chǔ)上統(tǒng)計(jì)了不同T和M值下的計(jì)算時(shí)間，見表1。

表1 不同擬合參數(shù)下檢測(cè)時(shí)間分析

另一方面，T值過大或過小將導(dǎo)致迭代過快或過慢終止，導(dǎo)致效果變差，如圖8～圖9所示。

圖8 過大、過小T值下的檢測(cè)效果

圖9 Hough變換和最小二乘法時(shí)間對(duì)比

5 結(jié)論

本文通過分析現(xiàn)有檢測(cè)方法的優(yōu)缺點(diǎn)，提出一種角件邊緣檢測(cè)算法。首先對(duì)圖像進(jìn)行預(yù)處理，提取角件邊緣的像素點(diǎn)集，然后擬合點(diǎn)集獲得函數(shù)方程并定義、計(jì)算偏差值集合，最后移除定義下的特殊噪聲，評(píng)估是否需要進(jìn)行迭代。該算法具有一定的靈活性，在每個(gè)步驟中并沒有限定算法，可以根據(jù)實(shí)際情況采用具體的算法，在實(shí)驗(yàn)中取得了較好的效果。不過在偏差值定義、去除特殊噪聲的策略以及評(píng)估函數(shù)設(shè)置上尚缺少分析，之后可以結(jié)合機(jī)器學(xué)習(xí)方法進(jìn)一步分析這些內(nèi)容。同時(shí)缺少對(duì)存在大量噪聲情況的分析，這類問題可以將本文算法與現(xiàn)有二值圖去噪算法進(jìn)行結(jié)合處理。

[1] 許宏科, 秦嚴(yán)嚴(yán), 陳會(huì)茹. 一種基于改進(jìn)Canny的邊緣檢測(cè)算法[J]. 紅外技術(shù), 2014, 36(3): 210-214.

[2] 王紀(jì)剛, 陳家新. 基于改進(jìn)濾波的Canny醫(yī)學(xué)圖像邊緣檢測(cè)算法[J]. 計(jì)算機(jī)測(cè)量與控制, 2013, 21(6): 1577-1579.

[3] Biswas R, Sil J. An improved canny edge detection algorithm based on type-2 fuzzy sets[J]. Procedia Technology, 2012, 4: 820-824.

[4] 王小俊, 劉旭敏, 關(guān) 永. 基于改進(jìn)Canny算子的圖像邊緣檢測(cè)算法[J]. 計(jì)算機(jī)工程, 2012, 38(14): 196-198.

[5] 張 帆, 彭中偉, 蒙水金. 基于自適應(yīng)閾值的改進(jìn)Canny邊緣檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用, 2012, 32(8):2296-2298.

[6] 師 文, 朱學(xué)芳, 朱 光. 基于形態(tài)學(xué)的MRI圖像自適應(yīng)邊緣檢測(cè)算法[J]. 儀器儀表學(xué)報(bào), 2013, 34(2): 408-414.

[7] 喬鬧生, 鄒北驥, 鄧 磊,等. 一種基于圖像融合的含噪圖像邊緣檢測(cè)方法[J]. 光電子·激光, 2012(11): 2215-2220.

[8] Dollár P, Zitnick C L. Structured forests for fast edge detection[A]. Proceedings of the IEEE International Conference on Computer Vision[C]. 2013: 1841-1848.

[9] Dollár P, Zitnick C L. Fast edge detection using structured forests[J]. IEEE transactions on pattern analysis and machine intelligence, 2015, 37(8): 1558-1570.

[10] Xie S, Tu Z. Holistically-nested edge detection[A]. Proceedings of the IEEE International Conference on Computer Vision[C]. 2015: 1395-1403.

EdgeDetectionAlgorithmforContainerCornerPiecesBasedonIterativeFitting

Gao Fei，Li Dingxieer，Xu Yunjing，Lu Shufang，Xiao Gang

(College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China)

Noise is usually the important factor that affects the accuracy of low level semantic information extraction in container corner pieces images. Traditional edge detection algorithm usually reduces the physical noise and ambient noise in the image by improving the filter and the threshold, but cannot remove the noise after edge detection. To solve the problem, an algorithm of edge detection based on iterative fitting was proposed. Firstly, container corner pieces image was processed by a series of preprocessing operations to obtain the set of edge points. Secondly, the fitting algorithm was used to process the set of points and the function expression was obtained. Thirdly, the deviation value was defined and calculated to measure the deviation of the target point set to the fitting or detection result. Finally, iteratively removing some points of farthest defined distant to fitting result until evaluation functions converge. The result of experiments shows that the proposed algorithm can effectively remove the unreal edge points and better than traditional edge detection algorithm in removing special noise. The proposed algorithm has several merits, such as fast convergence rate, higher accuracy rate and good flexibility.

container corner pieces; edge detection; iterative fitting; evaluation function

2017-03-01；

2017-03-24。

國家自然科學(xué)基金資助項(xiàng)目(C12412135, 61402410)；浙江省自然科學(xué)基金資助項(xiàng)目(LY13F020029, LQ14F020004)。

高 飛(1974-)，男，四川鄰水人，博士生導(dǎo)師，主要從事計(jì)算機(jī)視覺、圖像處理方向的研究。

1671-4598(2017)09-0134-04

10.16526/j.cnki.11-4762/tp.2017.09.035

TP391.41

A