论文部分内容阅读
【摘 要】研究噪声图像的边缘检测算法。根据噪声像素点与相邻像素点的关联程度进行去噪，再运用改进的Canny算子提取图像的边缘信息，最后对提取的边缘进行形态学处理，得到清晰的图像边缘。仿真实验结果对比表明本算法能较清晰地提取出图像的边缘，具有较强的抗噪鲁棒性。
【关键词】噪声 边缘检测 自适应中值滤波 形态学
一、引言
随着数字图像应用的广泛，对图像精度的要求也逐步提高。但是由于客观条件的限制，噪声对图像质量的影响从未完全去除过。例如广泛应用的视频监控，监控画面若照度低则噪声明显增强，严重时对画面质量造成较大影响。本文针对含噪图像的实际情况研究采用自适应滤波、边缘检测与形态学处理相结合的噪声图像边缘检测算法，能够有效抑制噪声的影响，准确检测图像的边缘信息，提取图像的数字特征。
二、基于自适应中值滤波形态学处理算法
本文采用基于自适应中值滤波形态学处理的AMM算法。
（一）AMM算法基本思想。AMM算法首先根据噪声像素点与相邻目标像素点的关联程度采用自适应中值滤波算法对图像进行平滑降噪处理，在去除噪声的同时尽量保护图像边缘和纹理等细节信息，然后运用改进的Canny算子对图像进行边缘检测，提取图像的边缘信息，最后对提取的边缘进行形态学处理，得到清晰的图像边缘。传统静态图像边缘检测方法有基于一阶导数和基于二阶导数的边缘检测方法。Canny边缘检测算法由高斯平滑去噪、计算梯度、细化边缘、选取阈值和连接边缘等部分组成，是最为常用的边缘检测算法。
（二）自适应中值滤波。为降低结构破坏，提高滤波效率，本文采用改进型自适应中值滤波算法。算法自适应地调整滤波模板大小，并对图像目标像素点和噪声点采取不同的处理方法。
（三）改进的Canny算子边缘检测。Canny算法在边缘检测中满足信噪比准则、定位精度准则以及单边响应准则。Canny算子首先以Gauss核函数滤波器进行平滑滤波，Gauss核函数。
分别计算核函数在和方向上的一阶偏导数：
（2）、（3）式中为Gauss滤波的空间尺度系数，决定了图像平滑的程度。
将图像分别与（2）式和（3）式做卷积运算，各点的梯度方向和梯度幅值为：
（4），（5）
可见直接决定了含噪图像的边缘检测的效果。因此在本算法中先对图像进行自适应中值滤波，降低噪声对图像的影响，也就为Canny算子边缘检测提供了较好的基础。
（四） 形态学处理方法
结构元素是形态处理的一大优点。结构元素在图像中不断移动，了解图像的结构特征，收集图像的信息。根据探测的不同，结构元素可携带形态、色度、大小等信息。因此本文采用在非边缘区域使用大尺度滤波，在边缘区域进行小尺度滤波的处理方法，既满足了边缘定位的精度，又有效地抑制了噪声。
三、 算法的实现
AMM算法描述如下。
Step 1：图像自适应中值滤波。设最大窗口为，滤波输出像素值为，1）初始化滤波模板（即窗口）大小，令；2）计算滤波模板中的最大值，最小值及中间值；3）计算出中值滤波阈值；4）如果，则跳转至5），否则増大窗口，如果，跳转到2）；5）如果，，表明该点不是噪声，输出保持不变，否则该点的值用中值代替，即。
Step 2：选取两个不同大小的方差（）分别进行平滑滤波。通过设定双门限值（和），去除检测出的虚假边缘点。为消除虚假细节，以图像为种子，对进行跟踪，并补充信息到的边缘，最后输出结果
Step 3：图像伪边缘形态学处理。本文在非边缘区域使用大尺度形态滤波，在边缘区域进行小尺度形态滤波的方法。确定结构元素序列，即对结构元素进行次膨胀，得到大尺度的结构元素。取不同的就得到不同的结构元素，可以用结构元素序列提取不同区域上的边缘。
经上述处理得到清晰的边缘检测效果。
四、 仿真结果
为检测AMM算法的图像边缘检测效果，在Matlab2010仿真平台下对含噪图像进行边缘检测实验并Canny算子检测方法相比较。AMM算法在含噪图像边缘检测方面效果显著，在较大程度上提高了噪声图像边缘检测的质量。
本文研究自适应中值滤波与形态学处理相结合的噪声图像边缘检测AMM算法。该方法综合考虑图像边缘增强检测和噪声抑制，克服了单纯图像边缘检测方法和形态学处理方法对噪声敏感的影响，能够准确检测含噪声图像的边缘，准确提取图像特征。
参考文献：
[1]谭筠梅，王履程，鲁怀伟.一种有效去除图像中脉冲噪声的滤波算法[J].兰州交通大学学报，2011，30（1）：18-21.
[2]黄宝贵，马春梅，卢振泰.新的形态学图像降噪方法[J].计算机应用， 2011， 31（3）： 757-759.
[3]张新明，刘斌，李双等. 二维直方图斜分最大类间交叉熵的图像分割[J]. 计算机应用，2010，30（9）：2453-2457.
[4]林爱英，贾芳，昝红英.基于二维直方图的改进的PCM 聚类分割方法[J].湖北大学学报（自然科学版），2012，34（1）：31-35.
[5]高月红.灰度图像分割算法的研究.[J] 科技信息.2009，（27）.
【关键词】噪声 边缘检测 自适应中值滤波 形态学
一、引言
随着数字图像应用的广泛，对图像精度的要求也逐步提高。但是由于客观条件的限制，噪声对图像质量的影响从未完全去除过。例如广泛应用的视频监控，监控画面若照度低则噪声明显增强，严重时对画面质量造成较大影响。本文针对含噪图像的实际情况研究采用自适应滤波、边缘检测与形态学处理相结合的噪声图像边缘检测算法，能够有效抑制噪声的影响，准确检测图像的边缘信息，提取图像的数字特征。
二、基于自适应中值滤波形态学处理算法
本文采用基于自适应中值滤波形态学处理的AMM算法。
（一）AMM算法基本思想。AMM算法首先根据噪声像素点与相邻目标像素点的关联程度采用自适应中值滤波算法对图像进行平滑降噪处理，在去除噪声的同时尽量保护图像边缘和纹理等细节信息，然后运用改进的Canny算子对图像进行边缘检测，提取图像的边缘信息，最后对提取的边缘进行形态学处理，得到清晰的图像边缘。传统静态图像边缘检测方法有基于一阶导数和基于二阶导数的边缘检测方法。Canny边缘检测算法由高斯平滑去噪、计算梯度、细化边缘、选取阈值和连接边缘等部分组成，是最为常用的边缘检测算法。
（二）自适应中值滤波。为降低结构破坏，提高滤波效率，本文采用改进型自适应中值滤波算法。算法自适应地调整滤波模板大小，并对图像目标像素点和噪声点采取不同的处理方法。
（三）改进的Canny算子边缘检测。Canny算法在边缘检测中满足信噪比准则、定位精度准则以及单边响应准则。Canny算子首先以Gauss核函数滤波器进行平滑滤波，Gauss核函数。
分别计算核函数在和方向上的一阶偏导数：
（2）、（3）式中为Gauss滤波的空间尺度系数，决定了图像平滑的程度。
将图像分别与（2）式和（3）式做卷积运算，各点的梯度方向和梯度幅值为：
（4），（5）
可见直接决定了含噪图像的边缘检测的效果。因此在本算法中先对图像进行自适应中值滤波，降低噪声对图像的影响，也就为Canny算子边缘检测提供了较好的基础。
（四） 形态学处理方法
结构元素是形态处理的一大优点。结构元素在图像中不断移动，了解图像的结构特征，收集图像的信息。根据探测的不同，结构元素可携带形态、色度、大小等信息。因此本文采用在非边缘区域使用大尺度滤波，在边缘区域进行小尺度滤波的处理方法，既满足了边缘定位的精度，又有效地抑制了噪声。
三、 算法的实现
AMM算法描述如下。
Step 1：图像自适应中值滤波。设最大窗口为，滤波输出像素值为，1）初始化滤波模板（即窗口）大小，令；2）计算滤波模板中的最大值，最小值及中间值；3）计算出中值滤波阈值；4）如果，则跳转至5），否则増大窗口，如果，跳转到2）；5）如果，，表明该点不是噪声，输出保持不变，否则该点的值用中值代替，即。
Step 2：选取两个不同大小的方差（）分别进行平滑滤波。通过设定双门限值（和），去除检测出的虚假边缘点。为消除虚假细节，以图像为种子，对进行跟踪，并补充信息到的边缘，最后输出结果
Step 3：图像伪边缘形态学处理。本文在非边缘区域使用大尺度形态滤波，在边缘区域进行小尺度形态滤波的方法。确定结构元素序列，即对结构元素进行次膨胀，得到大尺度的结构元素。取不同的就得到不同的结构元素，可以用结构元素序列提取不同区域上的边缘。
经上述处理得到清晰的边缘检测效果。
四、 仿真结果
为检测AMM算法的图像边缘检测效果，在Matlab2010仿真平台下对含噪图像进行边缘检测实验并Canny算子检测方法相比较。AMM算法在含噪图像边缘检测方面效果显著，在较大程度上提高了噪声图像边缘检测的质量。
本文研究自适应中值滤波与形态学处理相结合的噪声图像边缘检测AMM算法。该方法综合考虑图像边缘增强检测和噪声抑制，克服了单纯图像边缘检测方法和形态学处理方法对噪声敏感的影响，能够准确检测含噪声图像的边缘，准确提取图像特征。
参考文献：
[1]谭筠梅，王履程，鲁怀伟.一种有效去除图像中脉冲噪声的滤波算法[J].兰州交通大学学报，2011，30（1）：18-21.
[2]黄宝贵，马春梅，卢振泰.新的形态学图像降噪方法[J].计算机应用， 2011， 31（3）： 757-759.
[3]张新明，刘斌，李双等. 二维直方图斜分最大类间交叉熵的图像分割[J]. 计算机应用，2010，30（9）：2453-2457.
[4]林爱英，贾芳，昝红英.基于二维直方图的改进的PCM 聚类分割方法[J].湖北大学学报（自然科学版），2012，34（1）：31-35.
[5]高月红.灰度图像分割算法的研究.[J] 科技信息.2009，（27）.