肖付才 靳雯雯

(許昌職業(yè)技術(shù)學院 河南許昌 461000)

數(shù)字圖像邊緣檢測算法作為圖像處理以及機器視覺領域的關(guān)鍵技術(shù)，其檢測貫穿整個處理過程，并且直接影響到圖像處理分析的正確性、可靠性，決定機器視覺對外界事物的客觀分析與理解。數(shù)字圖像邊緣檢測算法，是針對圖像基本特征展開準確識別與分割，并將圖像進行增強或者壓縮處理。包括方向、幅度特點，從邊緣走向出發(fā)，像素值不會出現(xiàn)較明顯變化；從垂直與邊緣方向出發(fā)，像素值則出現(xiàn)明顯變化。農(nóng)產(chǎn)品外觀品質(zhì)檢測中應用數(shù)字圖像邊緣檢測算法，可以提高檢測的準確性。

1 數(shù)字圖像邊緣檢測算法步驟

數(shù)字圖像邊緣檢測算法的檢測操作主要包括2種，灰度圖像邊緣檢測和彩色圖像邊緣檢測。彩色圖像邊緣檢測需要掌握彩色圖像的8類彩色基，檢測期間不同的彩色基會顯示不同的檢測效果，并且對檢測的實時性與兼容性有直接影響，因此彩色圖像邊緣檢測方法應用較少。灰度圖像邊緣檢測法操作相對簡單，準確性較為理想，因此，本文著重研究數(shù)字圖像邊緣檢測算法中的灰度圖像邊緣檢測方法?；叶葓D像邊緣檢測算法的步驟是：(1)獲取圖像，將圖像從彩色轉(zhuǎn)變?yōu)榛叶龋?2)低通濾波與邊緣提取、邊緣定位處理；(3)完成邊緣鏈接、斷邊、偽邊處理；(4)邊緣輸出[1]。涉及到零穿插法與閾值法。算法完成后獲得邊際圖畫、單像素寬2值。需注意的是，邊緣定位完成后，可能會出現(xiàn)部分小邊緣片段的情況，主要是因為噪音影響，在實際運行中，應采取全局邊緣鏈接亦或者局部邊緣鏈接等算法，準確定位邊緣位置，科學預防邊緣片段情況。

2 數(shù)字圖像邊緣檢測算法分類

數(shù)字圖像邊緣檢測算法實現(xiàn)了更多的檢測技能，比如特定目標獲取功能等。數(shù)字圖像邊緣檢測中，檢測目標十分復雜，極易受到外界因素的干擾，比如光纖、分辨率等，因此原始圖像本身就有可能存在邊緣模糊情況。利用數(shù)字圖像邊緣檢測方法，可以科學提取圖像的邊緣，降低邊緣提取的困難程度[2]。早在1965年相關(guān)學者就已經(jīng)提出了邊緣檢測的理念，其中包括經(jīng)典算子、多尺度方法、最優(yōu)算子等。通過對這些理論的升級與創(chuàng)新，提出了神經(jīng)元網(wǎng)絡、模糊數(shù)學等算法。

2.1 經(jīng)典算子

經(jīng)典算子主要是利用梯度算子的方式完成檢測，積極進行邊緣梯度求解，準確計算像素位置。數(shù)字圖像邊緣檢測算法中經(jīng)典算子的計算核心在于小區(qū)域模板卷積的核算，根據(jù)權(quán)值方陣打造計算模板，包括Sobel、Prewitt、Kirsch模板等。不同類型的經(jīng)典算子運算速度對比情況見表1。

應用不同算法的目的是對圖像進行實際的邊緣檢測期間，做好噪聲抑制處理，提高邊緣定位能力。當然不同的算法擅長不同的功能，比如Roberts算子適合定位邊緣，但對噪聲抑制處理不理想，導致定位邊緣期間會出現(xiàn)丟失；圖像平滑計算的方式，可以抑制噪聲對定位邊緣的影響，成為了圖像處理算法最理想的選擇。圖像濾波處理及差分運算，主要選擇Prewitt算子、Sobel算子；這2種算子存在一定差別，主要體現(xiàn)在平滑環(huán)節(jié)中權(quán)值差異方面，即對噪聲抑制的能力。Sobel算子、Prewitt算子，邊緣定位能力較強，定位計算十分準確，但在實際應用中卻極易出現(xiàn)邊緣多像素寬的現(xiàn)象，這2種算子更適合灰度漸變的圖像邊緣檢測分析。經(jīng)典算子中Kirsch算子計算量最大(表1)，定位邊緣作用較為理想，能幫助圖像檢測出不同方位所展現(xiàn)的邊緣信息，本身還具備噪聲抑制能力。Laplacian算子的主要優(yōu)勢在階躍型邊緣點檢測，能在檢測中做到旋轉(zhuǎn)不變性[3]；但檢測期間會導致部分圖畫邊緣方向信息丟失，進而引發(fā)邊緣檢測不連續(xù)情況，且不具備抗噪聲能力，比較適合應用在圖畫屋脊型邊緣檢測中。

表1 經(jīng)典算子具體運算速度對比

2.2 最優(yōu)算子

最優(yōu)算子同樣包含很多，比如LOG濾波算子、anny邊緣檢測等。對于最優(yōu)算子Torre，Poggio提出高斯函數(shù)。從最接近平滑函數(shù)角度出發(fā)，在圖像邊緣檢測之前，利用高斯函數(shù)與Gaussian函數(shù)搭配的方式及時進行圖像平滑處理。完成平滑處理后，觀察二階導數(shù)變化，如果導數(shù)過0點，則圖像邊緣檢測必須選擇拉氏算子即LOG濾波算子。LOG濾波算子可以及時反映出圖像邊緣變化，尤其是處于階躍邊緣的算子變化。當然圖像邊緣實際檢測期間，還要對其中的真?zhèn)芜M一步計算。最優(yōu)算子中坎尼算法、沈俊算子、Deriche算子之間具有統(tǒng)一的表述與計算意義。通過曲面擬合算法，及時將圖片灰度值、曲面平滑等深度擬合，計算曲面變化的一、二階導數(shù)。曲面擬合算法，需要以函數(shù)為基礎，所以在實際計算期間，檢測多選擇低階多項式。

2.3 多尺度算法

多尺度算法以檢測邊緣首要目標尺度為基礎和核心，調(diào)節(jié)尺度與圖像檢測之間的錯位關(guān)系，在檢測處理期間可能會出現(xiàn)邊緣干擾。多尺度算法應用多個尺寸的算子完成圖像邊緣檢測，利用檢測結(jié)果的組合獲得準確檢測結(jié)果。實際圖像邊緣檢測中，根據(jù)多個算子(標準不一)探索出其中的組合規(guī)則，在后期應用中不斷完善與升級，根據(jù)零交叉的因果性，確定具體尺寸組合。多尺度算法不僅能準確辨識圖畫信號，還可以完成高層視覺處理，提高圖像邊緣檢測的準確性。

3 數(shù)字圖像邊緣檢測算法在農(nóng)產(chǎn)品加工中的具體應用

農(nóng)產(chǎn)品加工中應用數(shù)字圖像邊緣檢測對農(nóng)產(chǎn)品大小、缺陷、質(zhì)量、形狀等進行檢測。利用數(shù)字圖像邊緣提取的方式，準確對邊緣信息進行分析，及時映射出檢測結(jié)果。

3.1 水果大小、質(zhì)量檢測

對于水果，可以根據(jù)體積及重量將其劃分成不同等級。以蘋果為例，蘋果質(zhì)量需要通過直徑、面積等進行預測，蘋果風機決定系數(shù)為R2，具體系數(shù)等級為0.91、0.94、0.98。數(shù)字圖像邊緣檢測算法，將蘋果的果梗去除，對蘋果進行邊緣提取處理，并將圖像細化，計算其中的曲線積分與形心坐標，列出線性回歸方程。水果實際尺寸、測量值會存在半徑誤差，因為成像是光線并不能利用水果最大截面進行圖像邊緣提取獲得。對此可利用最小外接矩形計算水果最大橫徑。根據(jù)形態(tài)學對蘋果尺寸進行檢測，通過可見光圖像，發(fā)現(xiàn)人工測量與數(shù)字圖像邊緣檢測之間存在誤差，對此則需要以X射線圖像進行檢測。

3.2 水果形狀檢測

水果在不同的環(huán)境下生長，會出現(xiàn)不同形狀，可進行分級檢測。水果形狀分級包括很多方法，編碼法、光譜法、統(tǒng)計法等。數(shù)字圖像邊緣檢測算法主要以梯度法為主，對水果輪廓、半徑序列等進行跟蹤算法，然后傅里葉變換，根據(jù)變換后的數(shù)據(jù)對水果形狀加以分類。也可以采取在線實時檢測的方法計算水果的果形，對水果橫徑、縱徑應用幾何法加以確定，完成線性回歸處理，從而確定水果果形等級。

3.3 水果缺陷檢測

水果一旦存在缺陷，會在很大程度上影響水果的品質(zhì)與銷售。水果缺陷檢測主要針對水果表面缺陷。數(shù)字圖像邊緣檢測算法從塊狀缺陷、果梗等圖像著手，通過高斯濾波有效抑制噪音，及時計算水果缺陷。

4 結(jié)束語

數(shù)字圖像邊緣檢測算法是對圖像識別處理的升級，并且增加了更多的檢測技能。圖像邊緣檢測算法結(jié)合算子類型對圖像進行多元化檢測，可及時獲得準確的檢測數(shù)據(jù)。將此應用到農(nóng)產(chǎn)品檢測中，可以對農(nóng)產(chǎn)品進行分級，提高農(nóng)產(chǎn)品的銷售分類效率。