鄧建新,黃秋林,袁邦頤,丁度坤

(1.廣西大學(xué) 機(jī)械工程學(xué)院,廣西 南寧 530003;2.廣西制造系統(tǒng)與先進(jìn)制造技術(shù)重點(diǎn)實(shí)驗(yàn)室,廣西 南寧 530003;3.東莞職業(yè)技術(shù)學(xué)院 電子信息學(xué)院,廣東 東莞 523808)

0 引 言

邊緣檢測(cè)是視覺定位、零件(如鑄件)缺陷識(shí)別、視覺測(cè)量等圖像處理中的關(guān)鍵環(huán)節(jié),其檢測(cè)質(zhì)量直接影響后續(xù)的圖像目標(biāo)識(shí)別與定位的精度[1]。目前有Canny、Sobel等諸多可選的邊緣檢測(cè)算法,針對(duì)具體的邊緣檢測(cè)任務(wù),因效果等存在差異,需要評(píng)定和優(yōu)選對(duì)應(yīng)算法,以達(dá)到最佳的效果。

對(duì)邊緣算法檢測(cè)效果的評(píng)價(jià),目前有兩種評(píng)價(jià)方法,即直觀評(píng)價(jià)法和指標(biāo)評(píng)價(jià)法[2-4]。其中,直觀評(píng)價(jià)是以人體視覺來評(píng)價(jià)不同算法的圖像邊緣檢測(cè)效果。

李盛前等人[5]采用肉眼觀察的方法來比較不同邊緣檢測(cè)算法對(duì)于水下焊縫圖像的處理效果,其選擇了最佳的圖像邊緣檢測(cè)算法;但該方法受評(píng)價(jià)者主觀因素影響較大,不能作為穩(wěn)定的邊緣檢測(cè)效果的評(píng)價(jià)方法。由此可見,直觀評(píng)價(jià)法不穩(wěn)定。

目前,指標(biāo)評(píng)價(jià)法成為了研究邊緣檢測(cè)算法評(píng)價(jià)的主要方向。該評(píng)價(jià)法又可分為兩種,即參考圖像的指標(biāo)評(píng)價(jià)法和無參考圖像的指標(biāo)評(píng)價(jià)法。其中,有參考圖像評(píng)價(jià)法通過合成或繪制原圖像的“真實(shí)邊緣”,對(duì)比、檢測(cè)邊緣重疊性、品質(zhì)因數(shù)等屬性,以此來確定評(píng)價(jià)最優(yōu)檢測(cè)算法。

包從望等人[6]對(duì)比了四種算法的檢測(cè)邊緣與“真實(shí)邊緣”重疊系數(shù)的方法,以量化形式確定了齒輪圖像的最優(yōu)邊緣檢測(cè)算法;但其合成的“真實(shí)邊緣”不能完全替代原圖像的邊緣。ABDULLAH Y A等人[7]以合成的圖像邊緣作為原圖像邊緣,并將其與檢測(cè)邊緣的品質(zhì)因數(shù)進(jìn)行了對(duì)比,采用上述方法驗(yàn)證了所提邊緣檢測(cè)算法效果更好、精度更高;但該方法依賴于精確的合成邊緣。

由此可見,直觀評(píng)價(jià)法和有參考圖像的指標(biāo)評(píng)價(jià)法都難以在自動(dòng)化圖像處理系統(tǒng)中得到有效應(yīng)用。無參考圖像的指標(biāo)評(píng)價(jià)法則以檢測(cè)邊緣的特征屬性,或者檢測(cè)邊緣與原圖像的關(guān)系作為評(píng)價(jià)指標(biāo),不需原圖像的邊緣圖像作為比較對(duì)象,更適用于圖像自動(dòng)化處理任務(wù)。

薛萍[8]768-769分析了各邊緣圖像像素?cái)?shù)據(jù)的關(guān)系,提出了以數(shù)據(jù)密切值為指標(biāo),以此來定量評(píng)價(jià)不同邊緣檢測(cè)算法處理效果的方法,并以實(shí)驗(yàn)證明了該方法可作為挑選邊緣檢測(cè)算法的一種輔助手段;但該方法不完全與人體感官評(píng)價(jià)同步。朱維斌等人[9]提出了一種利用激光干涉儀將圖像邊緣轉(zhuǎn)化為長(zhǎng)度量的方法,并計(jì)算了物體實(shí)際尺寸與成像尺寸的對(duì)應(yīng)關(guān)系,以邊緣檢測(cè)的誤差來評(píng)價(jià)邊緣檢測(cè)算法的精度;但該方法需要高精度儀器支撐。

圖像邊緣本身保存了原圖像的信息。質(zhì)量良好的檢測(cè)方法,其邊緣保留的信息更多,因而以其檢測(cè)邊緣進(jìn)行重構(gòu)的圖像越接近原圖像。

基于此,可采用重構(gòu)圖像與原圖像對(duì)比的方法來評(píng)價(jià)邊緣檢測(cè)效果。

GOVINDARAJAN B等人[10]提出了一種八方向重構(gòu)圖像評(píng)價(jià)法,并以結(jié)構(gòu)相似度為指標(biāo),對(duì)邊緣檢測(cè)效果進(jìn)行了評(píng)價(jià);但該方法的重構(gòu)圖像含有較多虛假邊緣。NERCESSIAN S等人[11]提出了引入虛假邊緣抑制因子為評(píng)價(jià)指標(biāo)的方法,以此來剔除誤檢的圖像邊緣;但該方法搜索方向太少,精度較低。磨少清[12]提出了一種多方向重構(gòu)圖像評(píng)價(jià)法,以重構(gòu)相似度、邊緣置信度為指標(biāo),更準(zhǔn)確地評(píng)價(jià)了邊緣檢測(cè)結(jié)果;但該方法計(jì)算量大、耗時(shí)長(zhǎng)。王洪申等人[13]提出了一種小距離橫縱方向的圖像邊緣檢測(cè)效果評(píng)價(jià)算法,提高了評(píng)價(jià)效率;但該方法僅以結(jié)構(gòu)相似度作為評(píng)價(jià)指標(biāo),未評(píng)價(jià)檢測(cè)邊緣的真實(shí)性。

為此,筆者提出一種基于多方向滑動(dòng)窗口線性插值重構(gòu)法的圖像邊緣檢測(cè)質(zhì)量評(píng)價(jià)算法。

首先,進(jìn)行多方向線性插值圖像重構(gòu);然后,利用結(jié)構(gòu)相似度和邊緣錯(cuò)檢率,建立評(píng)價(jià)指標(biāo);最后,以多種邊緣檢測(cè)算法為案例,優(yōu)選出圖像處理的邊緣檢測(cè)算法。

1 邊緣檢測(cè)算法優(yōu)選方法

筆者建立的邊緣檢測(cè)算法優(yōu)選方法主要分為圖像重構(gòu)和算法性能評(píng)價(jià)兩個(gè)階段。

邊緣檢測(cè)算法優(yōu)選方法基本流程如圖1所示。

圖1 邊緣檢測(cè)算法優(yōu)選方法基本流程

圖1的流程主要涉及三個(gè)步驟:

1)使用待選擇的邊緣檢測(cè)算法處理原圖像;

2)使用多方向滑動(dòng)窗口線性插值重構(gòu)法,生成重構(gòu)圖像;

3)計(jì)算并對(duì)比算法優(yōu)選的評(píng)價(jià)指標(biāo)值,對(duì)邊緣檢測(cè)算法進(jìn)行優(yōu)選。

1.1 多方向滑動(dòng)窗口線性插值重構(gòu)法

CARLSSON S等人[14]最早提出了邊緣重構(gòu)圖像的基本原理,即在生成的邊緣圖像中,非邊緣區(qū)域(即像素為0的區(qū)域)的像素通過其鄰域像素以某種方式計(jì)算插值,以遍歷方式完成圖像重構(gòu)。

基于邊緣重構(gòu)圖像的原理如圖2所示。

圖2 基于邊緣重構(gòu)圖像的原理

圖2中,設(shè)O為原圖像(灰度圖),E為邊緣檢測(cè)二值化圖像,G為由O和E生成的邊緣圖,G的計(jì)算方法如下:

(1)

在此基礎(chǔ)上,筆者按以下方法生成重構(gòu)圖像R:先在圖像G中搜索非邊緣點(diǎn)的周圍像素,若搜索到像素值非0點(diǎn)或者圖像邊界,則停止;然后采用某種方法計(jì)算像素插值,如采用均值插值,則計(jì)算搜到的像素值的平均值作為重構(gòu)圖像R(x,y)的像素值。

CARLSSON S提出的重構(gòu)法失真現(xiàn)象嚴(yán)重,故出現(xiàn)了八方向、多方向等重構(gòu)法;但這些方法搜索范圍為整個(gè)邊緣圖像G的像素空間,其效率較低。

由于距離太遠(yuǎn)的邊緣對(duì)重構(gòu)像素影響很小,因此,可利用小距離橫縱方向搜索的重構(gòu)法來提高算法效率;但其忽略了其他方向?qū)χ貥?gòu)像素的影響,丟失了部分圖像信息。

為兼顧重構(gòu)的精度和速度,筆者提出了多方向滑動(dòng)窗口線性插值重構(gòu)法,其原理如下:

為避免搜到距離太遠(yuǎn)的邊緣,以圖像G的最大連續(xù)非邊緣矩形區(qū)域?yàn)樗阉骰瑒?dòng)窗口M×N(或略大于此M、N值,M、N分別為矩形區(qū)域的長(zhǎng)和寬),在窗口內(nèi)尋找邊緣像素?；瑒?dòng)方向?yàn)?從左到右、從上到下。

滑動(dòng)窗口計(jì)算方法如圖3所示。

圖3 滑動(dòng)窗口計(jì)算方法

圖3中的深灰色區(qū)域?yàn)镚(x,y)>0的邊緣,其余區(qū)域?yàn)镚(x,y)=0的待重構(gòu)區(qū)域。筆者觀察圖像G連續(xù)非邊緣區(qū)域,估計(jì)面積較大的區(qū)域作為可能的滑動(dòng)窗口區(qū)域,如圖3中的A、B、C,分別輸出這些區(qū)域的像素值,并統(tǒng)計(jì)0像素組成的最大矩形面積,對(duì)比面積大小,最終以面積最大區(qū)域作為滑動(dòng)窗口的大小。

M、N的計(jì)算公式如下:

(2)

式中:x1為滑動(dòng)窗口第一列的橫坐標(biāo);xi為滑動(dòng)窗口最后一列的橫坐標(biāo);y1為滑動(dòng)窗口第一行的縱坐標(biāo);yi為滑動(dòng)窗口最后一行的縱坐標(biāo)。

在理論上,方向數(shù)越多,搜索到的邊緣像素就越充分,其重構(gòu)效果就越好;但搜索時(shí)間也越長(zhǎng),同時(shí)會(huì)導(dǎo)致邊緣像素出現(xiàn)更多不必要的重復(fù)搜索。

為避免過多的重復(fù)搜索,保證算法在自動(dòng)化圖像處理中的高效性,筆者結(jié)合實(shí)驗(yàn),分析了方向數(shù)與圖像重構(gòu)時(shí)間關(guān)系,并基于該結(jié)果,選擇了最佳搜索的方向數(shù)。

該實(shí)驗(yàn)采用Canny算子檢測(cè)20幅不同圖像邊緣,使用滑動(dòng)窗口線性插值,在不同的搜索方向數(shù)下進(jìn)行重構(gòu),并計(jì)算所需的平均時(shí)間。

滑動(dòng)窗口方向數(shù)和重構(gòu)耗時(shí)的變化關(guān)系如圖4所示。

圖4 滑動(dòng)窗口方向數(shù)和重構(gòu)耗時(shí)的變化關(guān)系

由圖4可知:當(dāng)方向數(shù)n>12時(shí),圖像重構(gòu)耗時(shí)增速明顯加快(即搜索方向增加導(dǎo)致耗時(shí)更多,以及需花費(fèi)更多時(shí)間去排除重復(fù)搜索的邊緣),基于此,確定12個(gè)方向?yàn)樽罴阉阉鞣较驍?shù)。

從圖像像素坐標(biāo)系x軸正方向開始,沿順時(shí)針每隔30°設(shè)置一個(gè)搜索方向,多方向進(jìn)行邊緣像素搜索,記錄搜索距離。相對(duì)于八方向搜索,12個(gè)方向增加了搜索能力,也保持了搜索的對(duì)稱性,雖然在一定程度上降低了搜索效率,但提高了重構(gòu)圖像的質(zhì)量。該搜索窗口避免了搜索時(shí)間太長(zhǎng),也能保證每一個(gè)待重構(gòu)像素都有機(jī)會(huì)搜索到其附近邊緣。

根據(jù)人體視覺的主觀感受,兩像素之間的距離越近,其相互影響越大;距離越遠(yuǎn),其相互影響越小[15]。即重構(gòu)像素與像素之間的距離成反比。

為此,采用線性插值法生成重構(gòu)像素。

搜索方向?yàn)?2的邊緣重構(gòu)的插值公式如下:

(3)

式中:R(x,y)為插值重構(gòu)像素;ti為搜索到的第i個(gè)邊緣像素;di為第i個(gè)邊緣像素與重構(gòu)像素的距離。

1.2 算法優(yōu)選方法評(píng)價(jià)指標(biāo)

由于邊緣是圖像信息的載體,如果邊緣檢測(cè)算法檢測(cè)到的邊緣是正確的,則通過邊緣檢測(cè)可完整地重構(gòu)原圖像[16]。故可通過比較基于邊緣重構(gòu)的圖像與原圖像的關(guān)系,判斷出邊緣檢測(cè)效果的好壞。

完美的邊緣檢測(cè)需滿足:1)不漏檢有效邊緣;2)不錯(cuò)誤檢測(cè)虛假邊緣;3)邊緣定位準(zhǔn)確。

因此,筆者基于以上三點(diǎn)來評(píng)定算法的性能:

1)結(jié)構(gòu)相似度(structural similarity,SSIM)

完美的邊緣檢測(cè)的第1)和第3)點(diǎn)要求都反映了圖像的結(jié)構(gòu)特征,因此,筆者通過衡量重構(gòu)圖和原圖像相似程度來進(jìn)行評(píng)定,具體使用結(jié)構(gòu)相似度來評(píng)價(jià),以反映其檢測(cè)質(zhì)量。

人類視覺感知系統(tǒng)判斷兩幅圖像的結(jié)構(gòu)差異主要體現(xiàn)在構(gòu)成結(jié)構(gòu)、亮度和對(duì)比度3個(gè)方面;因此可分別從亮度、對(duì)比度、構(gòu)成結(jié)構(gòu)3方面度量圖像相似性[17]。為此,筆者將像素均值作為亮度的估計(jì),像素標(biāo)準(zhǔn)差作為對(duì)比度的估計(jì),兩圖像像素協(xié)方差作為構(gòu)成結(jié)構(gòu)相似程度的度量。

將三者相乘即得到圖像結(jié)構(gòu)相似度的定義,即兩幅圖像的相似度指標(biāo)定義[18,19]如下:

(4)

式中:SSIM取值[0,1],值越大說明兩幅圖像的結(jié)構(gòu)越相似,則對(duì)應(yīng)的圖像重構(gòu)算法越好;c1、c2為常數(shù),c1=(k1L)2、c2=(k2L)2,是為了避免分母為0而維持穩(wěn)定,一般取值k1=0.01、k2=0.03、L=255。

2)錯(cuò)檢率

邊緣是圖像灰度發(fā)生突變的地方,其兩側(cè)像素值存在明顯差異,即方差大為真實(shí)邊緣,方差小為虛假邊緣。故根據(jù)E(x,y)=255對(duì)應(yīng)的O(x,y)的近鄰像素方差,可判斷E(x,y)=255是否為虛假邊緣點(diǎn)。

近鄰示意圖及平均方差變化曲線如圖5所示。

圖5 近鄰示意圖及平均方差變化曲線

邊緣點(diǎn)的近鄰如圖5(a)所示,灰色矩形為邊緣點(diǎn),定義其被一層矩形包圍稱為1近鄰,被k層矩形包圍稱為k近鄰。若邊緣k近鄰像素方差小于或等于某個(gè)臨界值,則為虛假邊緣。

下面以實(shí)驗(yàn)確定k大小和方差臨界值:

筆者取20幅不同圖像,先分別進(jìn)行邊緣檢測(cè),從邊緣E(x,y)=255任意選取5點(diǎn),定位到原圖像相應(yīng)的坐標(biāo)位置,觀察確定邊緣點(diǎn)(x,y)為真實(shí)邊緣之后,分別計(jì)算該邊緣點(diǎn)的不同k近鄰的像素方差。任意取5點(diǎn)非邊緣像素點(diǎn),進(jìn)行類似的操作。

由圖5可知:隨著k值增大,相對(duì)于邊緣,非邊緣的近鄰像素方差基本不變,且方差遠(yuǎn)小于邊緣近鄰的方差。當(dāng)k>7時(shí),邊緣像素平均方差增幅大大變緩,說明邊緣突變發(fā)生在小距離內(nèi)。因此,取近鄰大小k=7,相應(yīng)方差臨界值取36。即如果邊緣點(diǎn)k=7近鄰的像素方差不大于36,則該點(diǎn)為虛假邊緣。

對(duì)基于邊緣的圖像重構(gòu),檢測(cè)到的邊緣越多,重構(gòu)的效果越好,但其中的誤檢邊緣也越多。因此,對(duì)于第2)點(diǎn)要求,筆者提出用錯(cuò)檢率來衡量,定位為虛假邊緣像素?cái)?shù)量與全部像素?cái)?shù)量的比值,其計(jì)算式如下:

(5)

式中:error為錯(cuò)檢率,取值[0,1],其越小表明檢測(cè)質(zhì)量越好;Apixel為圖像像素總數(shù);Epixel為虛假邊緣像素總數(shù)。

然后,筆者以結(jié)構(gòu)相似度和錯(cuò)檢率兩者之和構(gòu)成綜合評(píng)價(jià)指標(biāo),以判定不同邊緣檢測(cè)算法的處理效果,實(shí)現(xiàn)方法優(yōu)選目的。對(duì)error值進(jìn)行一致化處理,使錯(cuò)檢率指標(biāo)值越大越好。

綜合評(píng)價(jià)指標(biāo)的計(jì)算式如下:

f=SSIM+error′

(6)

式中:SSIM和error′皆取值[0,1],f值越大越好。

2 應(yīng)用實(shí)例

為評(píng)價(jià)重構(gòu)算法性能和驗(yàn)證邊緣檢測(cè)算法優(yōu)選方法的有效性,筆者先以多方向滑動(dòng)窗口線性插值重構(gòu)法與文獻(xiàn)中算法的重構(gòu)結(jié)果進(jìn)行比較,證明其性能,再將其用于重構(gòu)不同邊緣檢測(cè)算法獲得的邊緣圖像,對(duì)比評(píng)價(jià)指標(biāo),對(duì)邊緣檢測(cè)算法進(jìn)行優(yōu)選,并證明優(yōu)選方法的有效性。

該算法通過Python+OpenCV實(shí)現(xiàn),在處理器為AMD Ryzen 5 4600U 2.10 GHz,16 GB內(nèi)存的筆記本電腦上進(jìn)行測(cè)試。

2.1 重構(gòu)算法性能評(píng)價(jià)

重構(gòu)圖像因失真,缺失邊緣像素,故筆者選擇結(jié)構(gòu)相似度作為重構(gòu)算法性能評(píng)價(jià)指標(biāo),同時(shí)評(píng)價(jià)重構(gòu)算法的運(yùn)行時(shí)間。

筆者以像素大小為2 048×1 365的原圖像為輸入測(cè)試對(duì)象,選用Canny邊緣檢測(cè)算法,針對(duì)該多方向滑動(dòng)窗口線性插值重構(gòu)法進(jìn)行圖像重構(gòu)實(shí)驗(yàn)(根據(jù)圖3所示計(jì)算方法確定滑動(dòng)窗口為350×350),并與八方向重構(gòu)法、多方向重構(gòu)法、小距離橫縱方向搜索重構(gòu)法的結(jié)果進(jìn)行對(duì)比。

結(jié)構(gòu)相似度與算法耗時(shí)對(duì)比如表1所示。

表1 結(jié)構(gòu)相似度與算法耗時(shí)對(duì)比

由表1可知:該多方向滑動(dòng)窗口線性插值重構(gòu)法的結(jié)構(gòu)相似度最大,為0.708 7,即其重構(gòu)效果最好;其運(yùn)行耗時(shí)少于八方向重構(gòu)法、多方向重構(gòu)法,僅約為多方向重構(gòu)法耗時(shí)的一半,小距離橫縱方向搜索重構(gòu)法耗時(shí)最少。

多方向滑動(dòng)窗口線性插值重構(gòu)法與其他重構(gòu)算法結(jié)果對(duì)比情況,如圖6所示。

圖6 多方向滑動(dòng)窗口線性插值重構(gòu)法與其他重構(gòu)算法結(jié)果對(duì)比

由圖6可以明顯觀察到:八方向重構(gòu)法的重構(gòu)圖像存在很模糊的邊緣(見圖6(d)方框標(biāo)記處),主要是因?yàn)槠渌阉鞣较蛏?導(dǎo)致邊緣信息缺失;小距離橫縱方向搜索重構(gòu)法的重構(gòu)圖像存在明顯的缺漏重構(gòu)黑點(diǎn)(見圖6(f)方框標(biāo)記處),這是因?yàn)樾【嚯x搜索會(huì)丟失部分邊緣信息;而采用多方向滑動(dòng)窗口線性插值重構(gòu)法得到的重構(gòu)圖像效果最好,克服了重構(gòu)圖像嚴(yán)重失真的問題[20,21]。

綜上可知,采用該多方向滑動(dòng)窗口線性插值重構(gòu)法能較完整地從邊緣圖像恢復(fù)原圖像,量化的評(píng)價(jià)結(jié)果和人體視覺的評(píng)價(jià)結(jié)果上都比其他重構(gòu)算法好。

2.2 邊緣優(yōu)選算法驗(yàn)證

筆者以實(shí)驗(yàn)對(duì)比五種邊緣檢測(cè)算法處理效果的重構(gòu)圖像,綜合結(jié)構(gòu)相似度和錯(cuò)檢率這兩個(gè)指標(biāo),優(yōu)選邊緣檢測(cè)算法。其中,測(cè)試所用圖像大小與2.1節(jié)相同,滑動(dòng)窗口的大小根據(jù)圖3的計(jì)算方法確定。

各邊緣檢測(cè)算法對(duì)應(yīng)的滑動(dòng)窗口大小如表2所示。

表2 各邊緣檢測(cè)算法對(duì)應(yīng)的滑動(dòng)窗口大小

然后計(jì)算得到結(jié)構(gòu)相似度、邊緣錯(cuò)檢率及其一致化值。

各邊緣檢測(cè)算法對(duì)應(yīng)評(píng)價(jià)指標(biāo)值如表3所示。

表3 各邊緣檢測(cè)算法對(duì)應(yīng)評(píng)價(jià)指標(biāo)值

由表3可知:Sobel邊緣檢測(cè)算子的指標(biāo)綜合值最高,為1.585 5,說明其邊緣圖像效果最好;而Scharr和Canny算子指標(biāo)綜合值最低,雖然其結(jié)構(gòu)相似度為0.884 2和0.708 7,居前兩位,但其一致化值僅為0.275 2和0.758 5,表明其邊緣圖像出現(xiàn)了大量的虛假邊緣,不滿足邊緣檢測(cè)第2)項(xiàng)要求;Prewitt和Roberts錯(cuò)檢率都很低,其指標(biāo)結(jié)果僅次于Sobel算子。

由此可知,對(duì)于本例圖像,Sobel為最優(yōu)邊緣識(shí)別算法。

采用五種邊緣檢測(cè)算法得到的檢測(cè)結(jié)果如圖7所示。

圖7 五種邊緣檢測(cè)算法檢測(cè)結(jié)果

由圖7可知:Scharr和Canny算子的邊緣圖像效果最差,含有大量的虛假邊緣,且邊緣處不清晰;Prewitt和Roberts虛假邊緣少,但其邊緣缺失較多;Sobel邊緣圖感官效果最好,虛假邊緣相對(duì)較少,邊緣最清晰。

以上結(jié)果與算法優(yōu)選結(jié)果相同,說明以結(jié)構(gòu)相似度和邊緣錯(cuò)檢率作為邊緣檢測(cè)算法優(yōu)選的評(píng)價(jià)指標(biāo),符合人眼視覺規(guī)律,驗(yàn)證了主觀與客觀的一致性,表明算法優(yōu)選方法評(píng)價(jià)的結(jié)果正確有效。

綜上可知,筆者提出的邊緣檢測(cè)算法的優(yōu)選方法可行,能用于有效檢測(cè)出最優(yōu)算法,可將其應(yīng)用到工業(yè)自動(dòng)化系統(tǒng)的智能高效的圖像處理任務(wù)中。

為進(jìn)一步驗(yàn)證優(yōu)選算法與人眼主觀評(píng)價(jià)結(jié)果同步,筆者將其與文獻(xiàn)中的評(píng)價(jià)方法進(jìn)行結(jié)果對(duì)比,并選用文獻(xiàn)[8]769-770的Lena圖像為實(shí)驗(yàn)原圖和相同的待優(yōu)選的邊緣檢測(cè)算法,其余實(shí)驗(yàn)條件與2.1節(jié)相同。

Lena圖像邊緣檢測(cè)算法對(duì)應(yīng)評(píng)價(jià)指標(biāo)值如表4所示。

表4 Lena圖像邊緣檢測(cè)算法對(duì)應(yīng)評(píng)價(jià)指標(biāo)值

根據(jù)表4的f值可知:Roberts算子的綜合指標(biāo)值最高,故其為L(zhǎng)ena圖像邊緣檢測(cè)的最優(yōu)算法,Sobel和Prewitt稍差,而其他3種算法f值最低。

Lena圖像邊緣檢測(cè)算法檢測(cè)結(jié)果如圖8所示。

圖8 Lena圖像邊緣檢測(cè)算法檢測(cè)結(jié)果

由圖8可知:LOG、Zero Cross和Canny皆有較明顯的虛假邊緣。而文獻(xiàn)[8]769-770的優(yōu)選算子為Zero Cross,最差為Sobel,其最優(yōu)評(píng)價(jià)方法傾向含有較多虛假邊緣的檢測(cè)結(jié)果,不符合人的視覺效果。

可見,筆者提出的方法優(yōu)選結(jié)果與人的視覺判定效果更一致。

3 結(jié)束語

針對(duì)具體圖像處理和邊緣識(shí)別算法優(yōu)選問題,筆者提出了一種多方向滑動(dòng)窗口線性插值圖像重構(gòu)法和基于改進(jìn)圖像重構(gòu)算法的邊緣檢測(cè)算法優(yōu)選方法,以重構(gòu)圖像和原圖像的結(jié)構(gòu)相似度以及邊緣檢測(cè)圖像的邊緣像素誤檢率為邊緣檢測(cè)算法的優(yōu)選指標(biāo),通過實(shí)驗(yàn)對(duì)比了圖像重構(gòu)算法結(jié)構(gòu)相似度和運(yùn)行時(shí)間的優(yōu)勢(shì),以及優(yōu)選算法的有效性。

研究結(jié)論如下:

1)相比其他方法,多方向滑動(dòng)窗口線性插值圖像重構(gòu)法能提高圖像重構(gòu)效率,可獲得高質(zhì)量的重構(gòu)圖像。重構(gòu)圖像的結(jié)構(gòu)相似度達(dá)到0.708 7;

2)采用該優(yōu)選方法能快速地選出最合理的邊緣檢測(cè)算法,較多方向重構(gòu)法減少50%的耗時(shí),其結(jié)果與人視覺評(píng)價(jià)結(jié)果更吻合。可為圖像處理中邊緣檢測(cè)自動(dòng)優(yōu)選奠定基礎(chǔ)。

在下一步研究中,筆者擬構(gòu)建邊緣檢測(cè)算法智能優(yōu)選程序,并建立大規(guī)模的不同場(chǎng)景的優(yōu)選結(jié)果數(shù)據(jù)集,以研究不同場(chǎng)景宜采用的邊緣檢測(cè)算法,給實(shí)際應(yīng)用提供指導(dǎo),避免不必要的邊緣檢測(cè)實(shí)驗(yàn)。