戴震

摘要：針對(duì)在監(jiān)控系統(tǒng)中無(wú)法高效地區(qū)分圖片的霧霾與失焦，該文提出一種基于Sobel和Canny相結(jié)合的邊緣檢測(cè)算法，首先對(duì)圖片進(jìn)行Sobel水平方向邊緣檢測(cè)，再運(yùn)用Canny算法，最后通過(guò)計(jì)算二值圖像中白色像素點(diǎn)個(gè)數(shù)來(lái)區(qū)分圖片。該算法可以有效區(qū)分霧霾與失焦圖片，適合運(yùn)用于道路監(jiān)控系統(tǒng)中對(duì)于霧霾和失焦的判斷。

關(guān)鍵詞：道路監(jiān)控;霧霾與失焦;邊緣檢測(cè)

中圖分類號(hào)：TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? 文章編號(hào)：1009-3044（2018）35-0182-02

1 概述

圖片的邊緣是非常重要的視覺信息，圖片的邊緣檢測(cè)是圖片處理及分析等相關(guān)技術(shù)處理的基本步驟。邊緣檢測(cè)的準(zhǔn)確性會(huì)對(duì)圖片后期處理的結(jié)果產(chǎn)生直接的影響，在現(xiàn)今各種邊緣檢測(cè)算法中，較為經(jīng)典的有Prewit算子、Sobel算以及Canny算子。其中Sobel算子只對(duì)垂直和水平有很強(qiáng)的方向性[2]。本文在Sobel和Canny算子的基礎(chǔ)上，提出一種檢測(cè)圖片霧霾與失焦的方法。該方法對(duì)區(qū)分圖片霧霾和失焦有較好的魯棒性。

2 Sobel邊緣檢測(cè)算法

Sobel算子通過(guò)一階微分方程對(duì)圖片邊緣進(jìn)行提取。其中函數(shù)的變化通過(guò)梯度來(lái)度量，而圖片可以表示為灰度連續(xù)函數(shù)的取樣點(diǎn)數(shù)組。所以梯度的離散逼近函數(shù)可以用來(lái)檢測(cè)灰度值的顯著變化。

其中如下數(shù)學(xué)表達(dá)式表示了兩個(gè)3*3矩陣被用在Sobel算子中來(lái)對(duì)原圖片進(jìn)行卷積運(yùn)算，以此來(lái)計(jì)算不同方向的灰度差分的估計(jì)值。

對(duì)于圖像中的每個(gè)點(diǎn)，可以通過(guò)如下公式得到最后該點(diǎn)的灰度大小：

最后我們只需設(shè)置一個(gè)閾值Gmax，如G大于Gmax，則認(rèn)為它是該圖片中的一個(gè)邊界點(diǎn)。

3 Canny邊緣檢測(cè)算法

Canny邊緣檢測(cè)是一個(gè)多級(jí)邊緣檢測(cè)算法。對(duì)比于其他邊緣算子，Canny運(yùn)算較為復(fù)雜，但是圖像邊緣處理的結(jié)果好于其他邊緣檢測(cè)算子。Canny邊緣檢測(cè)算子有幾個(gè)核心步驟：①使用高斯濾波器對(duì)圖像進(jìn)行噪聲過(guò)濾并消除;②用一階偏導(dǎo)的有限差分計(jì)算梯度的幅值和方向;③應(yīng)用非極大值抑制來(lái)消除邊緣檢測(cè)帶來(lái)的影響;④用雙閾值來(lái)檢測(cè)真實(shí)或潛在邊緣;⑤采用高斯平滑函數(shù)[1]。

其中2個(gè)閾值為高閾值和低閾值，高閾值控制圖片強(qiáng)邊緣的初始分割，低閾值控制圖片邊緣連接。

4 基于Sobel和Canny算子的霧霾與失焦圖片區(qū)分

該方法具體過(guò)程為：首先對(duì)輸入圖片用Sobel進(jìn)行水平方向邊緣檢測(cè)，然后再選取合適的閾值對(duì)處理后的圖像進(jìn)行Canny邊緣檢測(cè)，最后計(jì)算結(jié)果的二值圖像中白像素點(diǎn)個(gè)數(shù)來(lái)區(qū)分圖片。

對(duì)于Canny檢測(cè)，第一步為防止圖片噪聲對(duì)邊緣產(chǎn)生影響，須對(duì)噪聲進(jìn)行濾除，本文采用大小為（2k+1）*（2k+1）的高斯濾波器核的高斯濾波器對(duì)圖像進(jìn)行積卷處理，方程式為：

第二步根據(jù)平滑后的圖像計(jì)算水平和豎直方向的一階導(dǎo)數(shù)（梯度），得到邊界的梯度和方向。

第三步對(duì)梯度圖各個(gè)像素運(yùn)用非極大值抑制（對(duì)整幅圖進(jìn)行掃描），剔除非邊界點(diǎn)。如圖所示對(duì)每一個(gè)像素進(jìn)行檢查。

第四步在運(yùn)用非極大值抑制之后，剩余的像素可更好地表示圖片中的邊緣。不過(guò)依舊會(huì)存在由于噪聲等因素引起的邊緣像素。所以在實(shí)際操作中選擇高低閾值來(lái)解決雜散響應(yīng)，其中用弱梯度值過(guò)濾邊緣像素，并保留具有高梯度值的邊緣像素。如其梯度值高于高閾值，則記錄為強(qiáng)邊緣像素;如其梯度值小于高閾值并且大于低閾值，則記錄為弱邊緣像素;如其梯度值小于低閾值，則會(huì)被抑制。其中雙閾值代碼思路如下。

if [Gp] ≥ HighThreshold

[Gp] is an strong edge

else if [Gp] ≥ LowThreshold

[Gp] is an weak edge

else [Gp] is suppressed? ? （7）

為了驗(yàn)證結(jié)果，本文采用多幅監(jiān)控拍攝的圖像，并裁剪掉水印部分以消除對(duì)結(jié)果的影響。下圖分別為霧霾及失焦圖片，以及在使用Canny邊緣檢測(cè)算法之后的效果圖。在本文Canny算子中，Sigma為1.4，EdgeRatio為0.4[3]。

通過(guò)Canny邊緣檢測(cè)無(wú)法區(qū)分霧霾與失焦圖片，因而本文在對(duì)圖片進(jìn)行Canny算子邊緣檢測(cè)前，加入Sobel水平方向邊緣檢測(cè)，對(duì)圖片進(jìn)行處理，結(jié)果如下所示。

5 結(jié)論

本文針對(duì)現(xiàn)實(shí)生產(chǎn)生活中對(duì)霧霾與失焦圖片區(qū)分研究不足的情況，提出一種Sobel與Canny算子相結(jié)合的邊緣檢測(cè)方法。實(shí)驗(yàn)表明，該方法通過(guò)選定合適的像素閾值，可有效地區(qū)分霧霾與失焦圖片，并在閾值60的前提下，對(duì)27張圖片進(jìn)行區(qū)分，成功率達(dá)93.5%。本文的不足在于沒有對(duì)算法進(jìn)行優(yōu)化，也沒有著重優(yōu)化對(duì)參數(shù)閾值的選取，今后對(duì)這方面還需進(jìn)行進(jìn)一步研究。

參考文獻(xiàn)：

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

[2] 袁春蘭，熊宗龍.基于Sobel算子的圖像邊緣檢測(cè)研究[J].激光與紅外，2009（1）：85-87.

[3] John Canny， A Computational Approach to Edge Detection[J].IEEE，1979（11）：679-698.

[通聯(lián)編輯：代影]