楊秀璋，于小民，范郁鋒，李娜

（1.貴州財經(jīng)大學(xué)信息學(xué)院，貴陽 550025；2.貴州財經(jīng)大學(xué)貴州省經(jīng)濟系統(tǒng)仿真重點實驗室，貴陽 550025；3.貴州財經(jīng)大學(xué)計劃財務(wù)處，貴陽 550025；4.中國船舶工業(yè)系統(tǒng)工程研究院，北京 100036）

0 引言

苗族服飾（苗語叫“嘔欠”）種類繁多，圖案精美，是中國少數(shù)民族服飾中的瑰寶，包括銀飾、苗繡、蠟染三大特色，涉及編織、刺繡、采摘、染色等中國傳統(tǒng)工藝技法，以復(fù)雜的裝飾，鮮艷的色彩和豐富的文化內(nèi)涵而聞名，被史學(xué)家稱之為“穿在身上的史書”[1]。苗族服飾具有悠久的歷史，通過研究這些圖案，可以深入地研究苗族文化內(nèi)涵和遷徙漂泊的歷史[2]。

圖像銳化和邊緣提取是數(shù)字圖像處理中經(jīng)典的技術(shù)[3]，國內(nèi)外學(xué)者對其的研究取得了一定進展，在方法和實踐上都有不少的成果。王紅茹等[4]提出了一種有效的水下無人儀器的圖像實效增強算法；賈兆輝等[5]采用基于紅外直方圖的自適應(yīng)紅外圖像增強算法進行分析；王月新等[6]分析研究了Sobel算子和Prewitt算子；周芳芹等[7]基于MATLAB研究了改進型Prewitt圖像銳化算法；沈德海等[8]改進了Sobel算子的邊緣檢測算法；聶洪印[9]提升了車牌識別系統(tǒng)中的關(guān)鍵算法；徐紅梅[10]通過民族文化圖像資料研究民族服飾傳承。但是這些方法都是針對傳統(tǒng)圖像進行邊緣提取的，沒有應(yīng)用于苗族服飾領(lǐng)域，而且少數(shù)民族圖像的噪聲較多，圖像質(zhì)量較差，這嚴重影響了文物還原和文化內(nèi)涵研究工作。

針對苗族服飾圖像對比度低、噪聲較多、線條模糊等問題，本文旨在通過圖像銳化和邊緣檢測技術(shù)來提取苗族服飾中的圖案及線條，通過Laplacian算子、Robert算子、Prewitt算子和Sobel算子來進行邊緣檢測[11]，以提升邊緣檢測的準(zhǔn)確性，降低苗族服飾圖像中的噪聲，從而推進苗族文化和苗繡服飾領(lǐng)域的研究。本文的研究成果具有重要的理論研究意義和良好的實際應(yīng)用價值，可以廣泛應(yīng)用于少數(shù)民族文物和文化圖像還原工作，更好地幫助歷史學(xué)家和社會學(xué)家研究種族遷徙和文化傳承。

1 算法框架及原理

一個完整的圖像銳化和邊緣增強系統(tǒng)是個復(fù)雜的系統(tǒng)，主要包括圖像灰度轉(zhuǎn)換、二值化處理、圖像銳化等步驟，針對苗族服飾的圖像銳化和邊緣檢測的算法研究，本文提出了圖1所示的框架圖。

圖1 圖像銳化和邊緣處理框架圖

本文采用Python語言進行圖像處理實驗，首先將采集的苗族服飾圖像進行灰度轉(zhuǎn)化，接著通過二值化處理將灰度圖像中的像素劃分為兩種，最后是圖像銳化操作，通過各種圖像銳化算法來增強圖形的高頻部分，使得圖像中的邊緣細節(jié)更為突出，得到更為清晰的苗族服飾圖像，實現(xiàn)邊緣提取。

2 算法的具體實現(xiàn)

假設(shè)現(xiàn)在存在一張由M×N個像素點構(gòu)成的圖像，其中每個像素點由紅綠藍三原色構(gòu)成，這三種顏色在計算機系統(tǒng)的顏色模型中稱為RGB模型，其中(0,0,0)代表黑色，(255,255,255)代表白色。通過該模型，我們可以將圖像轉(zhuǎn)換為數(shù)字矩陣，每一個像素點對應(yīng)一個數(shù)字編號，接著對苗族服飾圖像進行基于Python的銳化邊緣處理。

2.1 灰度處理

當(dāng)?shù)玫揭粡?56位色的圖像之后，首先要開展灰度轉(zhuǎn)化處理?；叶葓D像中每個像素僅具有一種樣本顏色，其灰度是位于黑色與白色之間的多級色彩深度。假設(shè)某點的顏色由RGB(R,G,B)組成，常見灰度處理算法如表1所示：

表1 灰度處理算法

表1中Gray表示灰度處理之后的顏色，然后將原始RGB(R,G,B)顏色均勻地替換成新顏色RGB(Gray,Gray,Gray)，從而將彩色圖片轉(zhuǎn)化為灰度圖像。一種常見的方法是將RGB三個分量求和再取平均值，但更為準(zhǔn)確的方法是設(shè)置不同的權(quán)重，將RGB分量按不同的比例進行灰度劃分。例如人類的眼睛感官藍色的敏感度最低，敏感最高的是綠色，因此將RGB按照0.299、0.587、0.144比例加權(quán)平均能得到較合理的灰度圖像。算法流程如下：

算法1灰度處理算法

image=cv.LoadImage('test.jpg')

grayimg=cv.CreateImage(cv.GetSize(image),image.depth,1)

for i in range(image.height)∶

for j in range(image.width)∶

grayimg[i,j]=0.299*image[i,j][0]+0.587*image[i,j][1]+0.144*image[i,j][2]

cv.ShowImage('srcImage',image)

cv.ShowImage('grayImage',grayimg)

圖2是彩色圖經(jīng)過平均灰度處理方法的結(jié)果。

圖2 灰度處理結(jié)果

2.2 二值化處理

圖像的二值化（Binarization）旨在提取圖像中的目標(biāo)物體，將背景以及噪聲區(qū)分開來。通常會設(shè)定一個閾值T，通過T將圖像的像素劃分為兩類：大于T的像素群和小于T的像素群。

灰度轉(zhuǎn)換處理后的圖像中，每個像素都只有一個灰度值，其大小表示明暗程度。二值化處理可以將圖像中的像素劃分為兩類顏色，常用的二值化算法如公式（1）所示：

當(dāng)灰度Gray小于閾值T時，其像素設(shè)置為0，表示黑色；當(dāng)灰度Gray大于或等于閾值T時，其Y值為1，表示白色。

Python OpenCV中提供了閾值函數(shù)threshold()實現(xiàn)二值化處理，常用的方法如表2所示，其中函數(shù)中的參數(shù)Gray表示灰度圖，參數(shù)127表示對像素值進行分類的閾值，參數(shù)255表示像素值高于閾值時應(yīng)該被賦予的新像素值，最后一個參數(shù)對應(yīng)不同的閾值處理方法。

二值化處理廣泛應(yīng)用于各行各業(yè)，例如生物學(xué)中的細胞圖分割、交通領(lǐng)域的車牌設(shè)別等。在文化應(yīng)用領(lǐng)域中，通過二值化處理將所需民族文物圖像轉(zhuǎn)換為黑白兩色圖，從而為后面的圖像識別提供更好的支撐作用。

表2 二值化處理算法

圖3表示圖像經(jīng)過各種二值化處理算法后的結(jié)果，其中“BINARY”是最常見的黑白兩色處理。

圖3 二值化處理結(jié)果

2.3 銳化處理及邊緣檢測

由于收集圖像數(shù)據(jù)的器件或傳輸數(shù)圖像的通道的存在一些質(zhì)量缺陷，文物圖像時間久遠，或者受一些其他外界因素、動態(tài)不穩(wěn)定抓取圖像的影響，使得圖像存在模糊和有噪聲的情況，從而影響到圖像識別工作的開展。這時需要開展圖像銳化和邊緣檢測處理，加強原圖像的高頻部分，銳化突出圖像的邊緣細節(jié)，改善圖像的對比度，使模糊的圖像變得更清晰。

圖像銳化和邊緣提取技術(shù)可以消除圖像中的噪聲，提取圖像信息中用來表征圖像的一些變量，為圖像識別提供基礎(chǔ)。通常使用灰度差分法對圖像的邊緣、輪廓進行處理，將其凸顯。本文分別采用Laplacian算子、Robert算子、Prewitt算子和Sobel算子進行圖像銳化邊緣處理實驗。

（1）Laplacian算子

Laplacian算子是基于二階微分的圖像增強領(lǐng)域的常用算法，通過灰度差分計算鄰域內(nèi)的像素。基本流程是：判斷圖像中心像素灰度值與它周圍其他像素的灰度值，如果中心像素的灰度更高，則提升中心像素的灰度；反之降低中心像素的灰度。Laplacian算子分為四鄰域和八鄰域，四鄰域是對鄰域中心像素的四方向求梯度，八鄰域是對八方向求梯度，再通過梯度求和計算鄰域其他像素灰度值與中心像素灰度值的關(guān)系，通過梯度調(diào)整結(jié)構(gòu)。

四鄰域模板如公式（2）所示，其像素的計算公式可以簡化為：

八鄰域模板如下：

其像素的計算公式可以簡化為：

（2）Robert算子

Robert算子是通過局部差分計算檢測邊緣線條，它是基于交叉差分的梯度算法。常用來處理具有陡峭的低噪聲圖像，當(dāng)圖像邊緣接近于正45度或負45度時，該算法處理效果更理想。其缺點是對邊緣的定位不太準(zhǔn)確，提取的邊緣線條較粗。

Robert算子的模板分為水平方向和垂直方向，如公式（6）所示，從其模板可以看出，Robert算子能較好地增強正負45度的圖像邊緣。

如公式（7）所示，分別表示圖像的水平方向和垂直方向的計算公式。

Robert算子像素的最終計算公式如下：

（3）Prewitt算子

Prewitt是一種圖像邊緣檢測的微分算子，其原理是利用特定區(qū)域內(nèi)像素灰度值產(chǎn)生的差分實現(xiàn)邊緣檢測。由于Prewitt算子采用3×3模板對區(qū)域內(nèi)的像素值進行計算，而Robert算子的模板為2×2，故Prewitt算子的邊緣檢測結(jié)果在水平方向和垂直方向均比Robert算子更加明顯。

Prewitt算子適合用來識別噪聲較多、灰度漸變的圖像，其計算公式如公式（9）所示。

Prewitt算子像素的最終計算公式如下：

（4）Sobel算子

Sobel算子是一種計算圖像明暗程度近似值的差分算子，它根據(jù)圖像邊緣旁邊明暗程度把該區(qū)域內(nèi)超過某個數(shù)的特定點記為邊緣。Sobel算子在Prewitt算子的基礎(chǔ)上增加了權(quán)重的概念，認為相鄰點的距離遠近對當(dāng)前像素點的影響是不同的，距離越近的像素點對應(yīng)當(dāng)前像素的影響越大，從而實現(xiàn)圖像銳化并突出邊緣輪廓。Sobel算子的邊緣定位更準(zhǔn)確，常用于噪聲較多、灰度漸變的圖像。

Sobel算子的模板如公式（12）所示，其中dx表示水平方向，dy表示垂直方向。

其像素計算公式如下：

Sobel算子像素的最終計算公式如下：

圖4為經(jīng)過四種算法處理后的結(jié)果。其中，Laplacian算子對噪聲比較敏感，由于其算法可能會出現(xiàn)雙像素邊界，常用來判斷邊緣像素位于圖像的明區(qū)或暗區(qū)，很少用于邊緣檢測；Robert算子對陡峭的低噪聲圖像效果較好，尤其是邊緣正負45度較多的圖像，但定位準(zhǔn)確率較差；Prewitt算子對灰度漸變的圖像邊緣提取效果較好，而沒有考慮相鄰點的距離遠近對當(dāng)前像素點的影響；Sobel算子考慮了綜合因素，對噪聲較多的圖像處理效果更好。

圖5是對灰度轉(zhuǎn)換、二值化黑白處理后的圖像進行處理的結(jié)果，可以發(fā)現(xiàn)其邊緣提取的效果更為清晰，這也表明了本文提出算法的可行性。

8、柴油機燒機油冒藍煙。柴油機燒機油冒藍煙，除了檢查缸套活塞組是否磨損、活塞環(huán)彈力是否減弱、油底殼機油是否添加過量、空氣濾清器油面是否過高等原因后仍未解決問題，應(yīng)注意檢查氣門桿與氣門導(dǎo)管的配合間隙是否過大這一潛在的病因。

圖4 銳化處理及邊緣檢測效果

圖5 二值化處理后圖像 銳化處理結(jié)果

3 實驗結(jié)果分析

為了客觀地評價本文提出的基于Python的圖像銳化和邊緣檢測算法，本文共采集了100張具有代表性的苗族服飾圖像進行實驗，經(jīng)過灰度轉(zhuǎn)化處理、二值化處理、圖像銳化處理，通過Laplacian算子、Robert算子、Prewitt算子和Sobel算子提取苗族服飾的邊緣輪廓。

圖6是對苗族服飾刺繡的邊緣提取，可以看到彩色圖片經(jīng)過灰度二值化處理，不同圖像銳化算子處理的結(jié)果，處理后的輪廓包括各種動物以及花紋。

圖7是對苗族銀飾頭飾進行實驗，其左邊是原圖，右邊是經(jīng)過本文所提出的算法處理的邊緣輪廓，采用Robert算子的實驗結(jié)果。

圖6 苗族刺繡實驗結(jié)果

圖7 銀飾邊緣提取實驗結(jié)果

接著對兩位身著苗族服飾的男女圖像進行實驗，實驗結(jié)果如圖8所示。通過實驗處理，可以凸顯苗族服飾中的輪廓特色，包括苗族樂器蘆笙、苗族銀飾等。

4 結(jié)語

本文的研究成果主要應(yīng)用于苗族服飾的文化遷徙研究以及圖像增強領(lǐng)域，以豐富邊緣提取的應(yīng)用，推動少數(shù)民族歷史圖像資料還原。本文通過提取苗族服飾的邊緣輪廓仿真實驗，實驗結(jié)果表明苗族服飾中的圖案多為龍、鳳、鱗紋、蝴蝶、銀扇、牛頭、花鳥等中國傳統(tǒng)的文化樣式，這些圖案都代表著苗族文化的遷徙傳承和文化圖騰。

本文采用灰度轉(zhuǎn)化和二值化處理可以將彩色圖像中的像素劃分為兩種顏色，再通過Laplacian算子、Robert算子、Prewitt算子和Sobel算子增強圖形的邊緣，提取圖像中的細節(jié)，從而獲取更為清晰的苗族服飾圖像輪廓，實現(xiàn)邊緣提取，該方法具有重要的應(yīng)用前景和適用價值，可以廣泛應(yīng)用于邊緣提取、圖像銳化和民族文化圖像研究等領(lǐng)域。

圖8 身著苗族服飾男女圖像的實驗結(jié)果