摘 要： 傳統(tǒng)Canny算法采用高斯濾波會造成圖像的過度光滑,，容易導致緩變邊緣的丟失,，而且梯度幅值的計算方法沒有充分考慮到3×3鄰域內(nèi)周圍像素對中心像素的影響。針對上述存在的問題與不足,，結(jié)合小波融合技術(shù)的優(yōu)勢,，提出了一種基于改進Canny算子與圖像形態(tài)學融合的邊緣檢測方法，利用改進的Canny算子和圖像形態(tài)學分別對圖像進行邊緣檢測,，然后應(yīng)用小波融合技術(shù)把兩種方法檢測出來的邊緣進行圖像融合,，得到最終的圖像邊緣。仿真結(jié)果表明,，該算法具有較好的抗噪能力,，有效地提高了邊緣檢測的準確性和完整性。
關(guān)鍵詞： Canny算子,；圖像形態(tài)學,；邊緣檢測；圖像融合
邊緣檢測是圖像分割,、目標區(qū)域識別和特征提取等數(shù)字圖像分析領(lǐng)域中的重要技術(shù),，目前已經(jīng)成為機器視覺研究領(lǐng)域最活躍的熱點課題之一。傳統(tǒng)邊緣檢測方法包括Roberts算子,、Sobel算子等一階微分算子,以及Laplacian算子,、LOG算子等二階微分算子[1]。這類算法以滿足一階導數(shù)極大值點或者二階導數(shù)過零點作為圖像的候選邊緣點,，通過人為設(shè)定的全局閾值作為評價標準去除噪聲與弱邊緣點,，將梯度值小于閾值的候選邊緣點刪除。由于微分運算對噪聲比較敏感,，抗噪聲性能差,，提取的邊緣不夠精細,因此在實際應(yīng)用中受到了限制[2]。對于邊緣檢測算子性能優(yōu)劣,，Canny提出了三個評價準則[2]：高信噪比準則,、定位精準準則和單一邊緣唯一響應(yīng)準則，并據(jù)此提出了Canny邊緣檢測算子,。實際應(yīng)用證明,Canny算子具有較好的邊緣檢測效果,，因此迄今為止一直被廣泛應(yīng)用。
近年來,，很多學者都提出了基于Canny算子的改進算法,，但大多數(shù)都是針對如何解決自適應(yīng)確定雙閾值的問題[3-5]。傳統(tǒng)Canny算法采用高斯濾波器消除圖像噪聲,，不僅會造成圖像的過度光滑,，而且容易造成緩變邊緣的丟失,，這樣會導致復雜圖像的弱邊緣無法檢測。另外,，傳統(tǒng)Canny算子中梯度幅值的計算方法沒有充分考慮到3×3鄰域內(nèi)周圍像素對中心像素的影響,。針對上述問題與不足，結(jié)合小波融合技術(shù)的優(yōu)勢,，本文提出了一種基于改進Canny算子與圖像形態(tài)學融合的邊緣檢測方法,。仿真結(jié)果表明，該算法有效地提高了邊緣檢測的準確性和完整性,。
方向,、45°方向、y方向,、135°方向的一階偏導數(shù)有限差分均值來確定像素點的梯度幅值,，充分考慮到各個方向?qū)χ行狞c梯度幅值的影響，最大限度地減少誤差,。借鑒于Sobel算子,，這4個方向上的梯度算子如圖1所示，對離鄰域中心點最近的像素進行了加權(quán),，增強了抑制噪聲的效果,。
6 實驗結(jié)果及分析
實驗所用PC機配置為：AMD Sempron 3200+CPU,1 GB內(nèi)存，集成顯卡,，仿真實驗采用Matlab7.0編程,。選取加入1%椒鹽噪聲的Lena灰度圖像作為測試圖像，分別用傳統(tǒng)Canny算法和本文提出的融合算法進行邊緣檢測,，實驗結(jié)果如圖3~圖6所示,，算法運算時間及相應(yīng)參數(shù)如表1所示。
由圖4,、圖5比較可知,，傳統(tǒng)Canny算子對椒鹽噪聲非常敏感，而改進的Canny算子具有較強的噪聲抑制能力,，并且保持了Canny算子檢測邊緣清晰連貫的優(yōu)勢,，兼顧了平滑噪聲和抑制假邊緣的需要；由圖5,、圖6的檢測結(jié)果比較可知,，本文提出的融合算法豐富了部分灰度變化緩慢的局部邊緣細節(jié)信息，具有更好的抗噪能力和細節(jié)保留能力,，可以檢測出比較完整并且連續(xù)的邊緣,，使邊緣檢測結(jié)果有明顯改善。從表1的運算時間可知,，本文算法與傳統(tǒng)Canny算法的所需時間相當,，在提高檢測效果的同時沒有明顯降低檢測效率,。
本文結(jié)合小波融合技術(shù)的優(yōu)勢提出了一種基于改進Canny算子與圖像形態(tài)學融合的邊緣檢測方法，仿真實驗表明該算法檢測提取的圖像邊緣包含了比原始圖像更加豐富的邊緣細節(jié)和更加完整的輪廓信息,，提高了邊緣定位的精度及準確度,，兼顧了平滑噪聲和抑制假邊緣的需要，檢測出的邊緣連續(xù)性好,，是一種有效的邊緣檢測方法,。
參考文獻
[1] 孫即祥. 圖像處理[M]. 北京：科學出版社,，2005.
[2] CANNY J. A Computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6):679-698.
[3] 黃劍玲,，鄒輝. 一種精確的自適應(yīng)圖像邊緣提取方法[J]. 計算機工程與科學，2009,，31(9)：53-55.
[4] 雒濤.改進的自適應(yīng)閾值Canny邊緣檢測[J]. 光電工程,，2009,36(11)：106-111.
[5] 王衛(wèi)星.一種基于最大類間后驗概率的Canny邊緣檢測算法[J].計算機應(yīng)用,2009,29(4)：962-965.
[6] 何明一，衛(wèi)保國. 數(shù)字圖像處理[M]. 北京：科學出版社,，2008.
[7] 張德豐. MATLAB數(shù)字圖像處理[M].北京：機械工業(yè)出版社,，2009.
[8] 陳浩，王延杰.基于小波變換的圖像融合技術(shù)研究[J].微電子學與計算機,，2010,27(5)：39-41.