基于小波变换的图像边缘检测的文献翻译

《基于小波变换的图像边缘检测的文献翻译》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

基于Canny算法的改进的路面边缘检测赵利辉同济大学秦国峰同济大学王星建同济大学摘要在本文中，我们将介绍改进的Canny边缘检测算法和滤波过程中的边缘保存在路面边缘检测中的应用。随机选择路面数据来检测这一算法。在Canny算法中存在诸如下列一些问题，比如，不能检测到弱边缘，无法区分变化很小的灰度，边缘检测不连续。基于这些缺陷，本文主要使用Mallat的小波变换，以加强弱边缘的输入图像，用二次优化的遗传算法根据自适应标准在Canny算法步骤中获得合适的阈值。在Canny算子的基础及改进上，本文构建了一个新的模型，它可以满足实时路面边缘检测的需要。计算机模拟表明，改进后的算法可以弥Canny算法的缺点，能有效的检测路面的边缘图像，并且此过程耗时更少。特别地，它已被证明，该算法可以不仅有效地消除噪声，并且还可以保护不清楚的边缘关键字：路面边缘检测Mallat小波变换Canny算子遗传算法的二次优化 一、绪论图像边缘检测是一种有效的图像处理工具它可以提供必要的图像边缘信息和特点。此信息被用于广泛的领域，如图像分割，图像分类，图像配准，图像可视化，模式识别。这些应用其输出可能会有所不同，但他们都共同需要精确的边缘信息，来成功的实施完成他们的任务。一个边沿检测器可以被定义为一个数学运算符响应的空间变化，一个灰度（亮度）的像素组中的不连续性图像[1]。道路的长度在中国的发展速度非常快，自动边缘检测[2]是最近的热点之间的研究。对实现这一目标，路面裂缝检测成为需要完成的主要任务。检测技术主要是处理图像或视频收集路面信息，动态的获取道路信息和定量地分析道路损坏情况，诸如裂纹等。美国利用许多先进的技术，已经在道路图像处理技术和应用快速道路检测系统方面取得了很大的进展。该系统不仅收集路面数据，并且还及时地建立了数据库，这样可以非常方便的查询和获取任何部分道路的数据和动态影像。此外，这个系统还增加了独立性和处理图像的速率。然而，中国在这个方面的研究还很少，一些部门还仅仅在几年前开始做这项工程。在目前的时间，这项工作在中国进行的大多是用简单的测量工具目测进行手动操作。其结果是粗糙的和并且非常不准确，除此之外，效率也非常低，且人员安全的也会受到危害。此外，由于处理数据非常困难并且容易使工作人人员感到非常疲惫导致产生错误的判断，所以这种数据的获得非常的不方便。随着快速发展之路长，公路养护和管理工作重得多，为交通和道路的服务质量要高得多因此，现有的常规的检测和维修技术无法满足需求，迫切需要技术突破并且发展快速和可靠的道路自动检测系统。为了找到道路裂缝检测的精确方法，它需要比较几种算法，如Sobel算子，Robert算子，Prewitt算子，拉普拉斯算子，LOG算子，Canny算子等。Sobel算子和Prewitt用做差和滤波器来检测图像的边缘，在平滑部分采取不同权重和检测厚的边缘以增加的小量附近的窗口。Robert不进行平滑处理直接计算不同的图像，导致对噪声敏感。拉普拉斯是一个第二差分算法，并且加强了噪声对图像的影响[4]。LOG首先使用高斯函数对原始图像进行平滑处理，然后，采用无方向性的。拉普拉斯算子，为了得到零交叉点作为边缘，即使该算法是简单和容易实现的，但该算法检测到虚假的边缘灰度阶变化不大，并且对噪声敏感也不抗干扰。与此相反，Canny算子[5]操作符是一个高信号噪声和精确检测的优化算法，并且得到了广泛的应用。因为它首先建立优化边缘检测算子理论原则，建议的边缘检测的三个标准沿用至今。然而，在进行道路边缘检测的时候必须将环境因素和应用需要紧密考虑在内。二、Canny算法的改进1.Canny算子Canny算法已经建议标准[6]，用以评估边缘检测的质量：（1）信噪比（SNR）的标准，它用高概率检测真实的边缘点，用低概率检测边 缘点，以使尽可能的产生不同的SNR。（2）定位精度的标准，它是保证检测的边缘点尽可能接近真正的边缘（3）Monolateral响应标准，它是用低概率对单个边缘产生几个不同的响应，并且能够尽可能大的抑制不真实边缘地响应。Canny算子被建议只是基于以上三个标准，其中的基本思想首先采用高斯函数平滑图像然后，通过第一个最大的差值确定边缘点。第二差分的零交叉点不仅匹配第一差分的最大值同时也匹配其最小值这意味着，大的变化的灰度（强边缘）和小灰度变化（弱边缘）都匹配的第二差分的零交叉点。为了通过两个阈值检测强边缘和弱边缘，只有当强和弱的边缘连结在一起，弱边缘才可以包含在输出之中。因此，Canny算子不容易被噪音干扰。下面将具体地分析Canny算子的标准：（1）信噪比（SNR）标准它既不丢失真实的边缘，也不检测虚假的边缘点，使SNR足够大。SNR越大，边缘检测的质量越高。SNR的定义如下：在公式中(1),G(x)表示输入图像,h(x)代表宽度为w的滤波器脉冲响应.r正确的高斯噪声的方差。2）定位精度标准这意味着，所检测出的边缘点最接近真实边缘点，或者检测的部分处在检测边缘与真实边缘之间且它受噪声的影响最小。它可以用精确的边缘位置进行定量描述：在公式(2),值越大,边缘检测越精确.3)Monolateral响应标准它对低概率的单个边缘产生几个响应，并且抑制不真实边缘的响应(检测边缘与真实边缘应该一一对应).为了确保单个边缘只有一个响应，零交叉点的平均距离，也就是检测算子脉冲响应的微分系应满足以下条件： 在公式(3)中,值应该越大越好。用Canny算子进行图像边缘检测的步骤如下:①得到二维高斯过滤模板和灰度图像之间的卷积，从而降低噪音干扰。②使用微分算子找到两个方向衍生工具xG，yG的灰度图像，确定大小梯度和方向。③非最大抑制。要遍历一个图像，如果一些像素的灰度值不是前者和后者中最大的一个就把这个像素的值赋0，这意味着它不是边缘。④通过积累图像的直方图来计算两个阈值，像素的灰度值大于高的阈值表明这个像素是边界，与此相反，较小的那个不是边界，两个阈值之间的那些，如果它们毗邻像素值的灰度值比高的阈值高，则表明它们是边界，相反它们不是。Canny算法被广泛应用于边缘检测，但在不同地区，边缘检测有不同的需求，Canny算子对不同的应用来说有不同的限制，边缘检测，针对不同的客观条件，Canny算子还存在有一些问题。B.Canny算子在边缘检测的基础上改进从传统的Canny算子获取的边缘信息非常少，并且这些信息不足以突出主要的轮廓信息，这导致不能很好的进行图像分割。在原来的算法，利用二维小波变换[7]做灰度图像增强的预处理，然后，使用经典的Canny边缘检测提取边缘，并得到最终的边缘图像。此外，在抑制非最大像素灰度值之后使用传统的Canny算子，这需要设置两个阈值，一个高一个低，以进行筛选边缘点。目前，关于这两个阈值选择没有统一的标准，大部分的他们由人为的进行确定。然而，由于不同的拍摄条件，照明以及其他的外部条件下，对于相同的图像，有不同的结果，这是不同于那些在理想条件下的Canny算法。不仅如此，不同的图像有不同的灰度分布。因此，阈值的选择应有所不同。虽然它可能改变高和低阈值（切，并尝试）并通过修改该检测结果，直到得到一个完美的检测结果，但它不能满足实际应用中 的实时需要。Canny算法只使用固定高和低阈值提取边缘，没有适应性[8]不同的图像，并不能消除噪声干扰，同时，这将会存在一些不真实的边缘检测，在缓慢的灰度变化中丢失一些弱的边缘信息。在这个问题上，基于遗传算法的改进Canny算法被提出，使用二次优化的遗传算法[9]迭代寻求协同曲线阈值作为Canny算法的高阈值。该算法可以自适应地为不同的图像产生动态阈值，有效地解决阈值选择的问题，并且有更好的检测精度和检测准确度。III.基于Canny算子的改进的图像检测模型A.TheproblemsofCannyoperatoronroadimagedetectionCanny算子对道路的图像检测问题路面图像检测很容易受环境因素的干扰，目前的主要获取数据途径是路面条件下的图像和视频。由于天气条件不同，一旦它是阴天或雨天，检测路面裂缝将被强烈干扰，如果是晴天，会有树木，线，电线杆的阴影等，这将极大地干扰路面裂缝，并且，照明效果及其他因素，导致道路阴影及道路裂缝之间的区别不是很清楚，这些问题，将使它不可能检测到裂纹边缘。此外，道路上检测到的具有不规则边缘的树叶，油斑，绘图，这些与裂缝边缘非常相似。通过这种方式，呈现的信息不准确。由于起重机的条件及地理状况的不同，多种路面损坏，如横向裂缝，纵向裂缝，块状裂纹等，会导致很多问题。例如，一次性裂纹会导致弱边缘。由于这些问题，传统的Canny算法还不能清楚地检测弱边缘，区分边缘无明显差异的灰度，消除噪声，因此，这些缺陷和问题，在用Canny算子进行路面裂缝检测时得到改进。BCanny算子的改进模型分析Canny算子的标准和步骤，结合改进的方法和实践的需要，基于路面图像检测可以得到改进的Canny算子模型。为了使路面检测更准确，特别是裂纹边缘和消除外部因素的干扰，首先，使用增加频率和加强的Mallat小波变换方法以加强边缘[11]，使对比度更清楚。然后，通过Canny处理增强图像来提取边缘，主要的轮廓集中形成，边缘具有更好的连续性。两种算法一起使用，扩大了应用范围，例如在处理低对比度的图像时，效果会更好。这个方法为下一步的图像处理做了很多工作，减少了在常规的边缘检测中对高对比度的需要。在进行了Canny算子处理图像的步骤之后，需要解决的问题是获得阈值，该模型使用二次优化遗传算法获取阈值，避免了人为的给予阈值带来的干扰。根据Canny算法的原则，有两个重要的因素影响算法的功能，这是σ和高、低阈值。对于变化不大的灰度图像，较小的σ可能会得到更好的平滑结果，但是，随着图像复杂性的增加，σ应该随着增加。在这种情况下，高斯平滑模板将增加和大规模的平滑的速度将减缓。灰度分布的图像了在恶劣条件下的光照条件下的图像的灰度分布将不对称。如果选择高阈值的Canny算法进行检测，某些部分图 像将丢失，通过对比，选择低阈值时，一些不真实的边缘将出现。很显然，两个阈值Canny算子的提取物具有一定的鲁棒性，阈值对检测结果来是一个重要因素，固定阈值是一件相当困难的。因此，改善传统的Canny算法解决这个困难问题，并且给出一个合适的阈值，二次优化遗传学算法产生一个具有高适应性和自动化的阈值。关于这个理论，对比分析一些改进的模型算法，基于Canny算子理论的改进模型，通过加入Mallat小波变换的强化方法，。没有增加算法的复杂性，且确保了检测的实时性。二次优化遗传算法迭代次数少，不花太多的算法，显著的增加运算速率。虽然遗传算法的复杂性和计算时间大于Canny算法，但他们对实时检测的影响很小。该模型满足路面图像检测的实时需要，并且改进的模型消除了诸如噪音干扰，灰度值的差别小和对比度不明显等其他因素，避免了不准确，扩大的工作范围内。四．实例分析和模型改进将改进模型用于路面检测，并通过实验证明分析此算法在实际条件下的可行性。图1是原始图像。图2是经过传统的Canny处理后的结果，图像中存在噪声干扰，对比度较低的薄弱点没有被完全检测到，检测到的图像边缘是不连续的。图3是通过改进的Canny算子模型进行的图像处理，弱边缘可以被清楚的检测噪声也被消除，并且裂缝的边缘是连续的。总之，基于改进模型的路面图像检测效果相当不错，该模型的可行性经过了检查和验证。图1.原始图像图2.通过常规Canny算子产生的图像 图3.基于Canny算子的改进模型处理的图像五，结论本文主要阐述了改进的Canny算子在路面图像检测中的应用，分析实际应用中路面检测的需要和此算法过程中的问题，提出改进的建议，建立了一个改进模型。最后，实例验证了该模型的可行性。然而，仍然存在着一些问题需要改善。例如，对于实际路面裂缝的检测，存在一些干扰，如斑马线，标语，人行道上的广告画，及如何消除这些噪音的问题来完善这个模型，以使边缘检测更准确。参考文献：[1]M.Young,TheTechnicalWriter'sHandbook.MillValley,CA:UniversityScience,1989.[1]XunWangandJian-QiuJin,“AnedgedetectionalgorithmbasedonCannyoperator,”IntelligentSystemsDesignandApplications.ISDA2007.20-24Oct.2007Page(s):623–628.[2]Houxiang-shen,Wangzhe-ren,Liuzhen-peng.TheTechnicalResearchPavementImageAutomaticAcquisitionandProcessingEquipment[J].Road,2003(2).[3]HUxia-guang.TheCurrentSituationandDevelopmentofFastPavementDetectionTechnologyHomeandAbroad[J].Sino-foreignHighway，2008,12(6):95-99.[4]Zouqi-jun,Lizhong-ke.ImageEdgeDetectionAlgorithmContrastiveAnalysis[J].ComputerApplication,2008,6(28):215-216.[5]CannyJ.AComputationalApproachtoEdgeDetection[J].IEEETransonPAMI,1986,8(6):679-698.[6]Zhangjie,Tanjie-qing.BasedonAnisotropicDiffusionEquationCannyEdgeDetectionAlgorithm[J].ComputerApplication,2009,8(8):2049-2051.[7]Zhangyu-wei,Wangyao-ming.BasedonWaveletTransformCannyOperatorEdgeDetection[J].ShangHaiNormalUniversity(Natural ScienceEdition)，2006，6(3):35-38.[8]Limu,Yanji-hong,Lige,Zhaojie.AdaptiveCannyOperatorEdgeDetectionTechnology[J].JournalofHarbinEngineeringUniversity,2007，9(9):1002-1007.[9]Chenyan-long,Zhuhu-cheng.ImprovementalgorithmbasedonCannyoperatoredgedetection[J].ComputerApplicationandSoftware，2008，8(8)：51-53.[10]Foedisch,M.,andTakeuchi,A.,“Adaptiveroaddetectionthroughcontinuousenvironmentlearning”,inAppliedImageryPatternRecognitionWorkshop,2004.Proceedings.33rd,Vol.,Iss.,13-15Oct.2009.[11]JansenM,MalfaitM,BultheelA.Generalizedcrossvalidationforwaveletthresholding[J].SignalProcessing,2009,56(1):33-44.