徐 燦 張秋菊（江南大學(xué)機械工程學(xué)院，江蘇 無錫 214122）

異常圖像的分割是圖像處理中最重要的任務(wù)之一，分割的精度決定著分析過程的最終成敗［1］。而在圖像分割的過程中，邊緣檢測扮演著極其重要的角色。準確的邊緣定位會給后續(xù)的識別、重建、匹配或者檢索帶來很大的幫助［2］。傳統(tǒng)的邊緣檢測算子大多利用灰度值的不連續(xù)性和相似性，如Prewitt算子、Roberts算子、Sobel算子、Laplace算子和LOG算子等［3，4］。傳統(tǒng)的邊緣檢測算子大多采用模板運算，簡單、速度快，但其并未對圖像特性和噪聲內(nèi)容采用預(yù)防措施，因而對噪聲比較敏感，會帶來很多偽邊緣。Maar－Hildren［1］引入了LOG算子，通過圖像的拉普拉斯變換尋找過零點來確定邊緣位置。相比較之前算法，Canny算法檢測是迄今為止討論過的最好邊緣檢測器。盡管該算子很復(fù)雜，但由于其優(yōu)秀的邊緣檢測效果而被廣泛使用［3，4］。但傳統(tǒng)Canny算法在復(fù)雜背景或者光線不均勻的情況下（圖1），卻效果一般［5－8］。在非極大值抑制后，有更多的有效邊緣漏檢。近年來學(xué)者［9－13］在濾波、高閥值確定以及非極大抑制方面進行了改進，提出了很多優(yōu)化算法。

利用圖像技術(shù)對蟲蝕葵花籽進行識別和分揀，是實現(xiàn)葵花籽高效、自動化加工的一種有效手段［14］?？ㄗ褜儆诓灰?guī)則形體，其圖像是一種典型的異常圖像（圖2），在采用傳統(tǒng)Canny算法對此類圖像進行邊緣檢測時，存在漏檢、誤檢現(xiàn)象。為了提高蟲蝕葵花籽視覺識別的準確率，本研究擬提出一種改進型Canny算法用于葵花籽邊緣檢測，為葵花籽自動化分揀技術(shù)的應(yīng)用提供試驗依據(jù)。

圖1 典型葵花籽圖像Figure 1 Typical sunflowerimage

圖2 常見的葵花籽圖像Figure 2 Common sunflowerimages

1 傳統(tǒng)Canny算法分析

Canny邊緣檢測算子是John F Canny于1986年創(chuàng)作出的一個多級邊緣檢測算法。該檢測基于3個基本目標：①低誤差率；② 邊緣點應(yīng)被很好的定位；③ 單一的邊緣點響應(yīng)。Canny基于前面表述的3個目標，試圖從數(shù)學(xué)上找到最佳解。盡管尋找一個滿足前述目標的嚴格形式的解是基本不可能的，但對由加性高斯白噪聲污染的一維臺階邊緣使用數(shù)字最佳化會得到一個結(jié)論：高斯一階導(dǎo)數(shù)是最佳臺階邊緣檢測器的一個較好相似函數(shù)［1］。

Canny算法由下列基本步驟組成：① 用高斯濾波器平滑圖像；② 計算灰度圖像的梯度和方向值；③ 對梯度值圖像采用非極大值抑制；④ 采用雙閥值處理和邊緣連接。與傳統(tǒng)的邊緣檢測算子相比，Canny算法對噪聲有更好的適應(yīng)性，適用于高復(fù)雜背景下的邊緣檢測。然而，傳統(tǒng)Canny算法也存在一定的不足［13，15］：

（1）在高斯濾波過程中，高斯濾波系數(shù)σ需要人為設(shè)定，適應(yīng)性存在一定的不足；

（2）在高閥值選擇過程中，也是采用預(yù)定的系數(shù)，適應(yīng)性受到了限制；

（3）在雙閥值處理和邊緣連接后，缺少進一步的邊緣連接，存在較多的斷線。

2 改進的Canny算法以及區(qū)域包圍算法

針對傳統(tǒng)Canny算法的不足，從自適應(yīng)高閥值確定、端點延伸和排除干擾三方面對Canny算法進行改進。

2.1 自適應(yīng)高閥值確定

在Canny邊緣檢測中，高低閥值的確定直接決定著提取出的邊緣質(zhì)量。高閥值越小，提取出的邊緣就越大，但同時也存在很多的偽邊緣；相反高閥值越大，可以較好的抑制偽邊緣，但同時一些微弱的真邊緣也會丟失掉。為了更加準確的提取出有效邊緣，需要結(jié)合整個區(qū)域的圖像信息來確定高閥值，單一的手動確定閥值顯得不再合適。通過對葵花籽灰度圖像的梯度統(tǒng)計發(fā)現(xiàn)，梯度值絕大部分集中在靠近零點的區(qū)域，而后趨于平緩，梯度變化存在一個大概的轉(zhuǎn)折點。在轉(zhuǎn)折點之前，集中了大部分的梯度，絕大多數(shù)為背景梯度和偽邊緣梯度，因而可以給高閥值的確定提供參考。為了獲取轉(zhuǎn)折點位置，首先對梯度歸一化并量化K個等級，求取梯度統(tǒng)計差分，尋找最早的過零點作為最佳的分界點。高低閥值獲取方法如下：

式中：

G（i，j）——位置（i，j）處的梯度值；

nG（i，j）——位置（i，j）處的歸一化梯度值；

K——量化等級；

n（i）——梯度在等級i處的數(shù)量；

DG——梯度統(tǒng)計差分值；

Ehigh——高閥值。

低閥值采用Canny的建議，取比率為2∶1。

2.2 基于梯度方向的邊緣端點延伸

由于背景噪聲的干擾以及光線的不均勻，使得很多邊緣強度被弱化，葵花籽灰度圖像在Canny算子邊緣檢測后存在很多的斷線處，對后續(xù)葵花籽區(qū)域的精確定位有很大的影響。對葵花籽的梯度矢量方向分析可知，在葵花籽的邊緣處，梯度方向存在一定的相似性。

由圖3可知，B點為邊緣的端點處，由于邊緣處梯度方向的相似性，采用A點的邊緣性來預(yù)測C點的邊緣性，算法步驟如下：

（1）對灰度圖像進行Canny邊緣檢測，并細化［16］，得到邊緣圖F（i，j）；

（2）從左至右從上至下尋找邊緣圖F（i，j）中的端點，即某點為邊緣點且其八鄰域內(nèi)只有一點為邊緣點，設(shè)其方向為（m，n），在圖4中，A 點處m?。?，n?。?；其中（m，n）＝｛（1，0），（1，－1），（0，－1），（－1，－1），（－1，0），（－1，1），（0，1），（1，1）｝。

（3）沿像素A、B的矢量方向，確定C點位置為（－m，－n），且設(shè)C點也為邊緣點。

圖3 梯度延伸示意圖Figure 3 Gradient extending schematic

為了驗證算法的可行性，將本研究算法與傳統(tǒng)算法進行了比較，并利用matlab 7.0進行了試驗，結(jié)果見圖4。由圖4可知，改進的算法較傳統(tǒng)算法在帽檐、眼睛和鼻子等處可以獲得更多的有效邊緣信息。

圖4 Lena圖像邊緣檢測結(jié)果比較Figure 4 Comparison of the results of Lena's edge detection

2.3 基于最長曲線的區(qū)域包圍

為了精確定位葵花籽的有效邊緣，還需要對葵花籽外圍的干擾區(qū)域進行去除。

經(jīng)過Canny的邊緣檢測和邊線延伸，發(fā)現(xiàn)干擾區(qū)域的輪廓與葵花籽區(qū)域的輪廓很相似，從圖像的特性方面考慮無法去除掉這些干擾。鑒于葵花籽圖像的外圍輪廓線長遠大于其他的輪廓線，提出了最長曲線的區(qū)域包圍算法。算法步驟如下：

（1）將整幅圖像標記為未讀，flag（i，j）均為0，設(shè)初始像素數(shù)lnum為0，且設(shè)最長邊緣長度lmax為0，最長邊緣長度像素lpmax為0，并新建一幅空圖像ftemp（i，j）；

（2）從左至右從上至下尋找邊緣圖F（i，j）中的端點，并標記該點為已讀，即f（i，j）＝1，且lnum 加1，ftemp（i，j）＝lnum，若未尋找到端點，則轉(zhuǎn)第4步；

（3）采用鏈碼進行邊界跟蹤，若該點的八鄰域內(nèi)有2個邊緣點，則標記該點為已讀，ftemp（i，j）等于lnum且邊緣長度加1，繼續(xù)搜索；若該點的八鄰域內(nèi)不是2個邊緣點時停止搜索，并將邊緣長度與最大長度lmax作比較，若大于最大長度lmax，則置其為lmax，且lpmax＝lnum；

（4）對圖像重新從左至右從上至下掃描，找到邊緣點，采用鏈碼進行邊界跟蹤，重復(fù)類似第3步的方式，直至回到起點。并將邊緣長度與lmax比較，大于最大長度lmax，則置其為lmax，且lmax＝lnum；掃描結(jié)束轉(zhuǎn)第5步；

（5）判斷ftemp中值為lpmax的點為邊緣點，置1，其余的均置為0；

（6）以ftemp為邊界，在邊緣圖像F中，從左向右并行掃描，若掃描點位置處的ftemp（i，j）＝0，則置F（i，j）＝0，直至ftemp（i，j）＝1，i停止掃描。同樣完成從右至左，從上至下，從下至上的掃描，從而完成葵花籽有效區(qū)域的精確定位。

3 結(jié)果及分析

為了檢驗改進Canny算法，以matlab 7.0作為試驗平臺，從圖1中挑選了5個有代表性的葵花籽圖像進行測試，見圖5。圖6為采用傳統(tǒng)的Canny算子檢測，其中高閥值采用梯度值升序的累計梯度的70%為梯度分界點，低閥值取高閥值的一半，f1中具有較多的有效邊緣，但f2～f5中也多了很多無用的邊緣，且邊緣處存在斷點。采用自適應(yīng)閥值、端點延伸和最長曲線包圍算法的綜合效果圖見圖7。與圖4比較，改進的Canny邊緣檢測不僅可以獲得所有有效的邊緣，而且剔除了目標輪廓外圍的干擾邊緣。

圖5 測試原圖Figure 5 Original images

圖6 傳統(tǒng)的Canny邊緣檢測效果圖Figure 6 Effect diagrams of the traditional Canny operator edge－detection

圖7 改進的Canny邊緣檢測效果圖Figure 7 Effect diagrams of the improved Canny operator edge－detection

4 結(jié)論

針對傳統(tǒng)Canny算法在葵花籽邊緣檢測上誤檢、漏檢等不足，對其進行改進：提出了基于梯度統(tǒng)計差分的過零點檢測的自適應(yīng)高閥值確定方法，與傳統(tǒng)算法相比，有更好的自適應(yīng)邊緣檢測效果，檢測到的干擾邊緣減少，具有較高的魯棒性；針對傳統(tǒng)的Canny算子在雙閥值處理和連接分析后，得到的邊緣斷線較多的問題，本研究提出了基于梯度方向的端點延伸處理方法，可取得更多的實際邊緣，從而準確實現(xiàn)大部分目標區(qū)域的斷線連接，減少漏檢；針對葵花籽實際檢測中，背景中的光線不均勻也會被Canny算法檢測出來的問題，考慮到背景光線的短小，提出了基于最長曲線的區(qū)域包圍算法來排除干擾曲線，有效去除了葵花籽區(qū)域外的干擾點，從而達到了葵花籽目標區(qū)域的邊緣檢測目的。結(jié)果表明，在高復(fù)雜背景下，本研究提出的基于改進Canny算法的邊緣檢測方法在葵花籽邊緣檢測上取得了很好的效果，對于同類異常圖像的邊緣檢測具有一定的參考借鑒價值。

1 Rafael C Gonzalez，Richard E Woods.數(shù)字圖像處理［M］.阮秋琦，阮宇智，譯.第3版.北京：電子工業(yè)出版社，2011：443～467.

2 李旭，王正勇，吳曉紅，等.一種改進非極大值抑制的Canny邊緣檢測算法［J］.成都信息工程學(xué)院學(xué)報，2011，26（5）：564～569.

3 曾俊.圖像邊緣檢測技術(shù)及其應(yīng)用研究［D］.武漢：華中科技大學(xué)，2011.

4 周林妹.數(shù)字圖像邊緣檢測算法及其在農(nóng)產(chǎn)品加工中的應(yīng)用［J］.食品與機械，2009，25（3）：139～140.

5 Zhang Xiao－feng，Zhang Yu，Zheng Ran.Image edge detection method of combining wavelet lift with Canny operator［J］.Procedia Technology，2011（15）：1 335～1 339.

6 張帆，彭中偉，蒙水金.基于自適應(yīng)閥值的改進Canny邊緣檢測方法［J］.計算機應(yīng)用，2012，32（8）：2 296～2 298.

7 薛麗霞，李濤，王佐成.一種自適應(yīng)的Canny邊緣檢測算法［J］.計算機應(yīng)用研究，2010，27（9）：3 588～3 590.

8 徐光寶，姜東煥.自適應(yīng)多尺度Canny邊緣檢測［J］.山東建筑大學(xué)學(xué)報，2006，21（4）：360～363.

9 Ranita Biswas，Jaya Sil.An improved canny edge detection algorithm based on type－2fuzzy sets［J］.Procedia Technology，2012（4）：820～824.

10 呂哲，王福利，常玉清.一種改進的Canny邊緣檢測算法［J］.東北大學(xué)學(xué)報（自然科學(xué)版），2007，28（12）：1 681～1 684.

11 王小華，錢月晶.一種改進的Canny邊緣檢測算法［J］.機電工程，2008，25（12）：60～63.

12 周曉明，馬秋禾，肖蓉，等.一種改進的Canny算子邊緣檢測算法［J］.測繪工程，2008，17（1）：28～31.

13 周同.基于改進Canny邊緣檢測算子的電子穩(wěn)像算法研究［D］.蘇州：蘇州大學(xué)，2010.

14 王衛(wèi)翼，張秋菊.基于機器視覺的蟲蝕葵花籽識別與分選系統(tǒng)［J］.食品與機械，2014，30（2）：109～113.

15 張玲艷.基于Canny理論的自適應(yīng)邊緣檢測方法研究［D］.西安：西北工業(yè)大學(xué)，2009.

16 李昊，傅曦.指紋模式識別系統(tǒng)算法及實現(xiàn)［M］.北京：人民郵電出版社，2008：126～133.