面向信息细节化的图像边缘检测

时间：2024-05-04

赵子润高保禄郭云云田力

（太原理工大学软件学院山西省太原市 030024）

图像边缘中包含大量图像基本特征信息，为图像分析及识别提供数据基础。现阶段图像边缘检测技术在工业生产领域得到广泛应用，随着工业生产对精度要求的增加，以往基于Canny 算法、Sobel 算法的图像边缘检测技术，在特征信息提取准确性及抗外部干扰能力等方面受到更大挑战。因此有必要在延续以往边缘检测技术优势的同时，对其进行优化升级，更好满足工业生产活动对图像检测的需求。

1 Canny算法

1.1 Canny算法简介

判断图像边缘检测技术检测效果的标准包括边缘检测错误率、边缘检测定位与实际边缘中心的重合度以及边缘检测受噪声的影响程度。基于Canny 算法的图像边缘检测在从目标图像中提取对相关实验或分析有用的特征信息，可最大限度缩减目标数据体量，相较于其他算法，该检测技术在信噪比及检测精度方面均存在显著优势，因此在实际图像检测中的应用非常广泛。Canny 算法在进行图像边缘检测时，依次经历以下五个步骤：

（1）利用Gauss 滤波器，对目标图像做平滑化处理，降低因噪声影响而引发的检测误差，有公式：。

（2）确定目标图像像素点的方向及梯度强度，Canny 算法检测中图像边缘方向并不确定，设x、y 轴上信息分别为Gx和Gy，则图像边缘像素点的方向及梯度强度可表示为。

（3）通过非极大值抑制，去除图像边缘检测中的杂散响应，其中，非极大值抑制为一种边缘稀疏方式，一般作用于图像的瘦边缘，即当图像边缘仅存在单个响应时，利用该稀疏方式可将除最大值以外的梯度值处理为0[1]。

（4）使用双阈值法，区分图像真实及虚假边缘。

（5）抑制图像单独存在的弱边缘，完成对图像边缘特征信息的检测。

弱边缘与强边缘为相对概念，强边缘来自于真实的图像边缘信息，其可被视为真正的图像边缘。而弱边缘中的像素可能来自真实边缘，也可能来自造成及颜色的影响。因此需要尽可能抑制弱边缘，提高图像边缘检测精度。

1.2 传统Canny算法的不足

分析传统Canny 算法的图像边缘检测流程能够发现，图像平滑降噪处理成为影响图像边缘检测精度的重要因素。传统Canny 算法利用高斯滤波器完成平滑降噪处理，因此滤波效果又受到高斯滤波器方差的影响。例如当目标图像范围内存在强噪声时，方差较高，易引发图像细节信息丢失问题。由于传统Canny 算法中高斯滤波器的方差固定，因此无法依照噪声情况做适当调整，影响降噪效果的发挥。另外，传统Canny 算法图像像素点的方向及梯度强度计算在2×2 邻域内开展，因该范围非常小，也会引发计算精度降低的问题，再加上该算法需要借助双阈值确定图像真实边缘，而该阈值为人工设定，在统一性和标准性上很难被保证，导致各目标图像边缘强度不均，图像边缘检测自适应性不强。

针对以上不足，本文结合前人研究文献，重点对传统Canny 算法图像边缘检测技术的滤波处理及双阈值处理步骤进行优化设计。

2 面向信息细节化的图像边缘检测

2.1 Canny算法优化

2.1.1 引入双边滤波降噪技术

传统Canny 算法在对图像进行滤波降噪处理时，易因噪声干扰出现弱边缘，因此决定在原有算法的基础上，引入局部自适应阈值化方法，进行滤波降噪改进。

（1）获取目标图像的梯度矩阵以及梯度均值和方差，若方差大于H，则继续下一步，若方差小于H，则在高斯滤波的基础上进行后续处理。其中，梯度均值的计算公式为：；梯度方差的计算公式为：。

（2）将目标图像梯度矩阵Gra(i,j)平均分为四部分，逆时针计算各部分的梯度均值及方差，若满足方差小于H 的要求，则可进行下一步处理；若方差大于H，继续对子块进行分解，重复以上步骤。

（3）得到图像的局部阈值，对于全部满足方差小于H 的梯度子块，利用Otsu 获取其最佳分割阈值，以得到与子梯度矩阵尺寸相同的阈值矩阵。检查是否有子矩阵未经过前一步的分解处理，若有，则重新执行第二步。最终，由双边滤波器输出的像素可表示为：式中w(i,j,u,v)、f(u,v)分别表示权重系数和对应像素，而权重系数与定义域核及值域核有关。以上各项参数的具体值共同决定了双边滤波的滤波降噪效果。

2.1.2 引入自适应阈值处理技术

结合前人文献分析成果，采用最大熵自适应阈值进行图像边缘检测，可得到更优的检测成果。例如，设目标图像由m×n 个像素点构成，并以灰度级{0,1，…，m，…，L-1}表示，设ni为灰度级i 的像素个数，pi为灰度级i 的概率。任选阈值k，以此为基础将目标图像分割处理为A1和A2，分别由灰度值在[0，k]和[m+1，L-1]内的像素点构成，因此像素被分配至A1的概率为相应的像素被分配至A2的概率P2(m)=1-P1(m)[2]。可得到A1 与A2 的熵为，最大熵为每个m均对应一个最大值，最大值则为目标图像的分割阈值，此时的信息增益最低。因此在图像边缘检测中，可实现以高阈值为最大值，以通过二次分类的m 为低阈值，得到目标图像的自适应阈值。

2.2 图像边缘检测效果分析

为验证经优化后的Canny 算法图像边缘检测效果，设定Inter 3.0Ghz 四核CPU、8GB 内存、Matlab2015b 的检测环境，对面向信息细节化的图像边缘检测技术做仿真分析，以找出该技术较传统Canny 算法的优势。边缘检测效果的判断指标包括信噪比、定位精度及单边缘响应。在传统Canny 算法图像边缘检测中，信噪比、定位精度及单边缘响应分别为14.7023、0.0047、0.1265；在面向信息细节化的图像边缘检测中，以上三项指标分别为14.8189、0.0055和0.1393。其中，优化后的信噪比要高于传统Canny 算法，且信噪比越高，图像边缘检测中图像的失真度越低，因此说明优化后的检测技术可更准确提取图像边缘信息。另外，优化后的定位精度更高，说明优化后的检测技术在图像定位精度及图像边缘连续性上更优。而单边缘响应也更高，说明优化后响应效果降低，主要受噪音的影响。总体看来，面向信息细节化的图像边缘检测技术在图像检测精度上优势明显。

3 面向信息细节化图像边缘检测的应用

以工业零件的分类识别为例，介绍面向信息细节化的图像边缘检测技术的具体应用。

3.1 系统方案设计

设计基于优化Canny 算法图像边缘识别技术的工件轮廓分类识别系统。该系统由图像信息采集、信息通信、图像处理等模块构成。其中，图像信息采集模块使用型号为VD040SM 的工业相机，配合型号为M0824-MPW2 的低畸变镜头，获取工件图像特征信息。图像处理模块的核心为Labview，用以对目标图像的特征信息进行识别处理。数据通信模块则将提取到的目标信息传输至生产流程中的机械手，精确完成工件分拣工作。

3.2 工件边缘识别

3.2.1 灰度化处理

图像信息采集模块获取的工件图像为真彩色形式，即常见的RGB 图像，此类图像中信息点构成非常复杂，但其细节信息并不完全有效。因此在工件边缘识别中，首先通过灰度化处理，清除图像中的冗余信息，以提高图像识别效率。灰度化主要清除RGB 图像中的色彩信息，其亮度级别在0 ～225 之间，对应黑色到白色之间的不同灰度。考虑到工件边缘识别的实际需求，决定以加权平均的方式确定图像灰度比，有公式Y=0.299R+0.587G+0.114B。Labview 中含有颜色转换功能，利用既定的灰度处理函数及算法，即可完成原始图像的灰度化处理。

3.2.2 二值化处理

经灰度化的图像中各像素点的灰度范围均在0 ～255 内，通过阈值选取即可得到二值化图像。将像素点中灰度值大于等于阈值的像素划分为同一类，其他像素则为另一类，量类像素分别取值。经过以上处理，图像中每个像素点均对应两个灰度值，即二值化处理。二值化处理的主要目的是，依照灰度级进行图像分割，使目标图像与背景间完全剥离，可最大限度减少数据处理量，同时又可确保工件轮廓信息的完整性，不改变其基本特征。

3.2.3 膨胀腐蚀处理

工件图像边缘检测中会出现图像边缘断裂的现象，并受到噪声的干扰而影响检测精度。通过图像的膨胀和腐蚀处理，可重新连接图像边缘断裂点，同时帮助排除背景噪声的影响。膨胀处理与腐蚀处理依次进行，其原理对应前文介绍的图像平滑处理，可优化图像边缘检测效果。

3.2.4 滤波处理工件图像采集过程中受噪声的干扰程度较大，且噪声带有明显的随机性，常见噪声包括椒盐噪声、脉冲高斯噪声等，因此在传统Canny 算法图像边缘检测技术中，常使用椒盐滤波器或高斯滤波器进行滤波处理。在工件边缘识别中选用粒子滤波的方式，该方式使用粒子集表示概率，其适用的空间模型较多，通过计算样本均值，可减少积分计算的麻烦，以得到当系统达到最状态时的最小方差[3]。若粒子数量足够多，可表示任意的概率分布密度。粒子滤波法可有效应对噪声随机性的特点，其不受高斯分布的限制，因此分布形式较高斯模型更多，可提高检测精度。

3.2.5 边缘特征提取

工件轮廓可看成全部边缘的整合，将各类边缘叠加后得到工件的实际轮廓。利用Canny 算法进行目标图像处理，可将图像边缘检测转化为单位函数极大值的计算，在获取调工件边缘图像后，从中提取其轮廓特征信息，与模型中的标准信息做对比，可判断该工件是否符合当前的分拣要求，进而准确完成工件的识别与分类。

工件轮廓特征主要有以下四项：一是面积特征。梳理图像全部像素点信息，位于轮廓内的像素计1，可得到工件的轮廓面积。二是周长特征。计算轮廓上相邻点间距离并叠加，可得到轮廓的周长。三是Hu 矩相似度特征。Hu 矩相似度特征需通过轮廓二阶及三阶归一化中心矩的线性组合获得，比较轮廓Hu 不变矩及模型中信息，可得到Hu 矩的相似度。第四，最小包围矩形特征。计算工件轮廓最小包围矩形，对比轮廓相邻边的边长、矩形面积以及矩形面积与轮廓面积的比值，可准确判断工件是否为目标工件。工件轮廓特征识别过程中，需要将实际特征值与模型特征值相对比，进而对工件进行判断，因此需要搭建典型特征模型库，结合具体工况，对典型特征数据做完善和更新，不断扩充数据库中的标准化信息，以提高工件识别精度及可有效识别的工件范围。完成单一工件轮廓特征识别后，若有需求将其保存为标准模型，则将所提取的轮廓特征值录入到模型数据库当中。若无需求，则依照既定流程输出识别结果，完成之后的机械手命令及分拣动作。

3.3 应用效果分析

对基于改进后Canny 算法的工件分类识别系统做实验验证，分析工件识别精度是否能达到实际生产的要求。测试过程中，划定被检测区域，并使用矩形框框选，对该区域内的工件进行轮廓识别和数量统计，可实现多个零件的同时识别。若识别对象为单一工件，则使用红点标注该工件的重心，在矩形框内呈现该工件轮廓重心的坐标。对处于不同位置的工件进行反复多次检测，输出相应的检测结果。通过对比发现，该分类识别系统的工件轮廓检测可靠度较高，基本达到设计预期。经计算，单个工件的平均识别实时间在0.32s左右，可满足实际生产条件下，工件识别分类对效率的要求[4]。另外，在系统连续运行试验中，当系统不间断运行8h 后，其工件轮廓检测精度依然较高，且与实验初期未产生明显差异，因此可判断该系统的运行稳定性较强，且检测结果可靠，具备较高的实用价值。