劉劍

（中電建冀交高速公路投資發(fā)展有限公司，河北 石家莊 050000）

邊緣是圖像最基本特征之一，邊緣檢測(cè)是圖像分析和識(shí)別等后續(xù)處理工作的基礎(chǔ)，直接影響圖像信息提取結(jié)果精度。本文以數(shù)字圖像處理中的邊緣檢測(cè)與圖像分割方法為理論基礎(chǔ)，基于無(wú)人機(jī)影像提取車(chē)輛邊緣信息，比較分析各種方法的檢測(cè)結(jié)果，為影像邊緣檢測(cè)算子選擇提供參考依據(jù)。

一、無(wú)人機(jī)影像的采集與預(yù)處理

（一）影像采集

此次研究采用地面分辨率0.05m無(wú)人機(jī)影像作為實(shí)驗(yàn)圖像，盡量獲取晴朗無(wú)云、無(wú)風(fēng)、自然光照條件好的觀測(cè)環(huán)境條件下的航拍片，無(wú)人機(jī)的飛行高度保持在50m～70m，以盡量獲取分辨率高、噪聲小的影像。

（二）影像預(yù)處理

無(wú)人機(jī)影像在獲取過(guò)程中，因傳感器、地球本身等方面原因，致使原始圖像上各地物品幾何位置、形狀等特征，與參照系統(tǒng)中表達(dá)要求不一致時(shí)會(huì)產(chǎn)生幾何畸變，為了后續(xù)處理獲取高精度結(jié)果，無(wú)人機(jī)影像預(yù)處理過(guò)程必須校正相機(jī)幾何。

獲取相機(jī)的各項(xiàng)檢校參數(shù)是校正畸變的前提，此參數(shù)可由依托建設(shè)工程項(xiàng)目部提供，也可以通過(guò)建立檢校場(chǎng)標(biāo)定獲取。獲取參數(shù)之后可以根據(jù)校正模型校正，具體流程如圖1所示。

二、車(chē)輛邊緣檢測(cè)

（一）LOG 邊緣檢測(cè)算法

圖像邊緣是指像素灰度值發(fā)生突變的像元集合，圖像邊緣檢測(cè)實(shí)質(zhì)是利用一階梯度算子找出目標(biāo)與背景分界線，界線包圍的圖形是目標(biāo)區(qū)域。在數(shù)字圖像處理理論下，Prewitt、Sobel、Roberts等算子均可用于邊緣檢測(cè)，其中LOG算子首先用高斯函數(shù)進(jìn)行濾波，然后用Laplacian算子檢測(cè)邊緣。下文以LOG算子為例，結(jié)合MATLAB下的源程序介紹數(shù)字圖像邊緣檢測(cè)的主要步驟。

圖1 畸變校正流程

圖2 LOG算子

（二）數(shù)學(xué)形態(tài)學(xué)方法

數(shù)學(xué)形態(tài)學(xué)是語(yǔ)言集合論，其基本運(yùn)算包括腐蝕、膨脹、開(kāi)啟、閉合運(yùn)算等。腐蝕屬于數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算之一，可用于縮小物體邊界范圍。用公式（1）定義區(qū)域A被區(qū)域B的腐蝕：

膨脹為腐蝕對(duì)偶運(yùn)算，定義為結(jié)構(gòu)元素B中心平移至a得到Ba,若Ba擊中A，記下點(diǎn)a，以上結(jié)果則為A被B膨脹所得，可表示為。

開(kāi)啟是使用一個(gè)結(jié)構(gòu)元素先腐蝕圖像，然后利用該結(jié)構(gòu)元素對(duì)腐蝕結(jié)果進(jìn)行膨脹。A用B開(kāi)啟記作，用定義。與開(kāi)啟相反，閉合是先對(duì)圖像進(jìn)行膨脹運(yùn)算，然后腐蝕其結(jié)果。A用B閉合記作定義。

數(shù)學(xué)形態(tài)學(xué)方法提取車(chē)輛邊緣信息的基本思想是，讀入待處理的圖像后，首先將其轉(zhuǎn)換為灰度圖像，然后通過(guò)腐蝕、膨脹、去噪、取反等運(yùn)算得到邊緣檢測(cè)結(jié)果。以下對(duì)主要程序代碼作出解釋為：

%膨脹運(yùn)算C=imdilate(B,sa);

%腐蝕運(yùn)算G=imerode(F,sc);

%圖像相減H=imsubtract(F,G);

%圖像取反J=imcomplement(I)。

（三）基于多尺度形態(tài)學(xué)梯度的邊緣檢測(cè)

形態(tài)學(xué)邊緣檢測(cè)利用梯度算子尋找圖像邊緣，結(jié)合腐蝕、膨脹算法提取圖像輪廓信息。近年來(lái)，研究學(xué)者在單尺度形態(tài)學(xué)理論基礎(chǔ)上，提出多尺度形態(tài)學(xué)梯度算子，即創(chuàng)建多個(gè)不同大小結(jié)構(gòu)元素分別提取圖像邊緣，大尺度較小尺度結(jié)構(gòu)元素去除噪聲能力稍強(qiáng)，但檢測(cè)到邊緣較粗，小尺度可以更好地檢測(cè)到邊緣。然后對(duì)不同結(jié)構(gòu)元素的提取結(jié)果求平均值，該方法可以有效地提取出邊緣，且優(yōu)于經(jīng)典的邊緣檢測(cè)算子。多尺度形態(tài)學(xué)梯度定義為：

式中Bi為結(jié)構(gòu)元素，大小為(2i+1)*(2i+1)的正方形。

采用灰度形態(tài)學(xué)膨脹和腐蝕，對(duì)圖像進(jìn)行多尺度形態(tài)學(xué)邊緣檢測(cè)的部分MATLAB源程序，如圖3所示。

圖3 部分MATLAB源程序

式中：s=strel(‘shape’,n)函數(shù)創(chuàng)建有指定形狀shape對(duì)應(yīng)的結(jié)構(gòu)元素，其中shape的種類(lèi)有正方形(square)、直線(line)等，n一般控制se的大小。

（四）基于閾值的圖像分割

基于閾值圖像分割方法是獲取目標(biāo)與背景區(qū)域在灰度上的差異，通過(guò)一個(gè)或是幾個(gè)閾值將圖像分割成不同集合，其中包括目標(biāo)區(qū)域。如果對(duì)整幅圖像所有像元均使用一個(gè)閾值，則稱該方法為全局閾值法；如果是按分割的局域性不同而選擇相對(duì)應(yīng)的閾值，該方法稱為局部閾值法。

1.全局閾值法

（1）基于灰度直方圖的閾值分割。求取圖像分割最佳閾值方法較多，依據(jù)直方圖性質(zhì)便是常用的確定給定圖像最佳閾值方法之一。圖像分割前先求出其直方圖，然后選擇適當(dāng)閾值，對(duì)灰度值在閾值范圍內(nèi)的像元，其修正后灰度值賦1，其他像元的灰度值賦0，根據(jù)分割后的結(jié)果反復(fù)調(diào)整閾值直至獲得最佳分割圖像。核心源程序如圖4所示，

圖4 基于灰度直方圖的分割法

如圖4所示，是通過(guò)設(shè)定閾值范圍分割，還有一種是利用單閾值進(jìn)行圖像分割，即根據(jù)圖像直方圖性質(zhì)合理選擇初始閾值，灰度值小于或大于閾值像元，其修正后灰度值賦1，其他像元灰度值賦0，同樣需要根據(jù)分割結(jié)果反復(fù)調(diào)整閾值，直到得出最佳邊緣檢測(cè)效果為止。

圖5 基于灰度值方圖閾值分割程序

基于灰度直方圖閾值分割原理較簡(jiǎn)單，只需要把閾值范圍內(nèi)像元灰度值設(shè)置為1，其余像元灰度值設(shè)置為0，得到的結(jié)果便是分割后的圖像。

（2）迭代閾值分割。迭代閾值分割首先選擇介于整幅圖像灰度范圍之內(nèi)的一個(gè)數(shù)作為初始閾值，然后根據(jù)圖像的分割效果不斷改進(jìn)，直到效果最佳為止。具體步驟如下：

第一步，選擇待處理圖像的灰度中值作為初始域值。

第二步，利用選定的閾值將圖像分為兩個(gè)部分，并根據(jù)式（2）分別計(jì)算兩部分的灰度均值。

圖6 迭代閾值分割程序

相較于灰度直方圖閾值分割法，迭代閾值分割通過(guò)逐步逼近，得到最佳閾值，分割后的車(chē)輛輪廓更為明顯，且噪聲更小。

（3）最大類(lèi)間方差閾值分割法。最大類(lèi)間方差閾值分割以最小二乘法為理論基礎(chǔ)，是一種自適應(yīng)的閾值確定方法，同樣是以某一介于整幅圖像灰度值之間的值作為閾值，將圖像分成兩部分并分別計(jì)算兩部分方差，使用此方法反復(fù)實(shí)驗(yàn)，兩組方差越大，說(shuō)明兩部分差別越大，錯(cuò)分概率越小，當(dāng)方差為最大時(shí)，選擇該閾值分割圖像。整個(gè)運(yùn)算過(guò)程中有以下兩個(gè)主要步驟如圖7所示。

圖7 最大類(lèi)間方差閾值分割程序

2.局部閾值法

當(dāng)圖像中含有陰影或各處的光照強(qiáng)度不同等情況時(shí)，只使用一個(gè)閾值分割圖像會(huì)因?yàn)殡y以兼顧圖像的各個(gè)部分導(dǎo)致圖像分割效果較差，此時(shí)可根據(jù)圖像各部分特點(diǎn)，即局部特性分別選擇閾值進(jìn)行圖像處理，該法稱為局部閾值法。該法優(yōu)點(diǎn)為檢測(cè)結(jié)果完整，缺點(diǎn)是空間復(fù)雜度較大。局部閾值法提取邊緣主要環(huán)節(jié)是進(jìn)行均值濾波與中值濾波：

圖8 均值濾波和中值濾波程序

三、實(shí)驗(yàn)結(jié)果與討論

在實(shí)驗(yàn)中，采用畸變校正后的圖像，利用上述方法進(jìn)行車(chē)輛邊緣提取后可以看出數(shù)學(xué)形態(tài)學(xué)方法的檢測(cè)結(jié)果存在偽邊緣，圖像邊緣的間斷點(diǎn)較多，定位精度較低；LOG邊緣檢測(cè)算法采用高斯函數(shù)平滑處理圖像，對(duì)噪聲有抑制作用，但同時(shí)平滑了高頻部分，導(dǎo)致邊緣不連續(xù)。

基于多尺度形態(tài)學(xué)梯度邊緣檢測(cè)方法的提取結(jié)果具有蠟質(zhì)感，圖像較為模糊，在增大信息檢測(cè)量的同時(shí)卻引入了大量的無(wú)關(guān)信息；局部閾值法邊緣檢測(cè)結(jié)果的定位比較準(zhǔn)確，但是對(duì)噪聲的抑制作用較弱，存在很多假邊緣。

基于區(qū)域的全局閾值方法對(duì)灰度較為敏感，難以準(zhǔn)確把握灰度值范圍，由于陰影對(duì)車(chē)輛的遮蔽作用導(dǎo)致車(chē)輛亮度較低，可能會(huì)把車(chē)輛誤分入背景區(qū)域；基于點(diǎn)的全局閾值方法分割效果明顯優(yōu)于前者，可以清晰地將車(chē)輛與背景分開(kāi)，但是仍帶有其他邊緣。迭代閾值分割與最大類(lèi)間方差閾值分割的結(jié)果非常接近，與前幾種方法相比效果更佳，可以將車(chē)輛的詳細(xì)邊緣信息較完整的顯示在處理后圖像中，但是不可避免地帶有陰影等信息。此外，選擇不同的閾值其處理結(jié)果也不同，增大或減小閾值得到更完整車(chē)輛輪廓信息的同時(shí)，也會(huì)引入更多的噪聲，使得邊緣完整性與噪聲量難以兼顧，因此在實(shí)際操作中應(yīng)該根據(jù)圖像信息，合理選擇相應(yīng)的邊緣提取方法并恰當(dāng)設(shè)置閾值，以求獲得最佳的車(chē)輛邊緣檢測(cè)效果。

四、結(jié)語(yǔ)

圖像邊緣提取在圖像處理中有著舉足輕重的作用。本文基于數(shù)學(xué)形態(tài)學(xué)方法、圖像分割等理論檢測(cè)車(chē)輛邊緣，有效地提取出圖像的邊緣信息，定位準(zhǔn)確，具有較好的實(shí)時(shí)性。但是引起圖像噪聲的因素多種多樣，本文所使用的除噪方法僅考慮了最主要的產(chǎn)生原因，因此處理后的圖像還帶有背景部分的邊緣信息，產(chǎn)生偽邊緣，降低了檢測(cè)定位精度。在今后的研究中，可以將幾種方法結(jié)合起來(lái)，或者引入新的理論方法，利用多重條件限制提取車(chē)輛邊緣信息，以獲取信息完整、噪聲小的邊緣檢測(cè)圖像。