圖像邊緣檢測方法及系統的制作方法
【技術領域】
[0001]本發明涉及一種圖像邊緣檢測方法及系統。
【背景技術】
[0002]圖像邊緣檢測是指檢測、定位和描述圖像信號的不連續點。因為圖像邊緣檢測通常作為模式分析、目標檢測和識別等應用的前一處理環節，所以邊緣檢測是圖像處理、計算機和機器視覺領域里面一個重要的研究課題。
[0003]通常來說，邊緣檢測算法包含兩個主要步驟:⑴濾波；(2)檢測和定位。
[0004]對于第一步濾波來講，由于成像過程中的各種噪聲干擾，所以濾波降噪是一個必須用來降低噪聲對邊緣檢測和定位干擾的步驟。高斯濾波器是在邊緣檢測里面用得最廣泛的平滑濾波器，但怎么選擇濾波器尺度是一個比較重要的問題。大的濾波器尺度可以很好的消除噪聲，但是同時也會模糊信號特征，特別是高頻信號所代表的邊緣特征。但是如果使用小的濾波器尺度，雖然會保護邊緣特征，但是卻會讓噪聲對后面的檢測和定位產生嚴重的干擾。
[0005]在第二步檢測和定位中，常見的方法都是基于不同階的差分圖像。比如說:一階差分算子、二階差分算子、三階差分算子。但是這些差分算子都只是考慮了比如前后相鄰像素的灰度值差，而沒有考慮更大區域內的信號特征。除了基本的差分算子，有一些邊緣檢測的算法是基于不同的邊緣模型即局部信號特征提出來的，比如階躍模型、樓梯模型、脈沖模型、斜面模型等。但是基于某一個特殊模型設計的邊緣檢測算法并不適用于其他模型。因此對于反應真實世界的圖片來說，這些算法都不能準確的檢測和定位圖片中包含的所有類型的邊緣。
【發明內容】
[0006]有鑒于此，有必要提供一種圖像邊緣檢測方法及系統。
[0007]本發明提供一種圖像邊緣檢測方法，該方法包括如下步驟:a.利用不同尺度的濾波器分別對一張待檢測圖像濾波，得到一組不同分辨率的圖像；b.針對上述得到的不同分辨率的圖像，分別計算得到每張圖像的差分圖像采用基本邊緣模型對上述計算得到的差分圖像進行檢測；d.根據不同圖像中同一個空間位置的像素點在上述步驟中的檢測結果，確定所述待檢測圖像的邊緣。
[0008]其中，所述的濾波器為高斯濾波器。
[0009]所述的基本邊緣模型分別是斜坡模型、脈沖模型、階躍模型以及S形模型。
[0010]所述的步驟c具體包括:首先并行或者先后進行脈沖模型和斜坡模型的檢測，然后并行同時或者先后進行階躍模型及S形模型的檢測。
[0011]所述的步驟d具體包括:根據上述不同差分圖像中同一個空間位置的像素點的檢測結果，通過按位與運算來判定所述像素點是否為真正的圖像邊緣點。
[0012]本發明還提供一種圖像邊緣檢測系統，包括濾波模塊、計算模塊、檢測模塊及判定模塊，其中:所述濾波提取模塊用于利用不同尺度的濾波器分別對一張待檢測圖像濾波，得到一組不同分辨率的圖像；所述計算模塊用于針對上述得到的不同分辨率的圖像，分別計算得到每張圖像的差分圖像；所述檢測模塊用于采用基本邊緣模型對上述計算得到的差分圖像進行檢測；所述判定模塊用于根據不同圖像中同一個空間位置的像素點在上述步驟中的檢測結果，確定所述待檢測圖像的邊緣。
[0013]其中，所述的濾波器為高斯濾波器。
[0014]所述的基本邊緣模型分別是斜坡模型、脈沖模型、階躍模型以及S形模型。
[0015]所述的檢測模塊具體用于:首先并行或者先后進行脈沖模型和斜坡模型的檢測，然后并行同時或者先后進行階躍模型及S形模型的檢測。
[0016]所述的判定模塊具體用于:根據上述不同差分圖像中同一個空間位置的像素點的檢測結果，通過按位與運算來判定所述像素點是否為真正的圖像邊緣點。
[0017]本發明圖像邊緣檢測方法及系統，采用一組擁有不同尺度的高斯濾波器產生不同分辨率的圖像，然后利用所述多分辨率圖像進行邊緣檢測和定位分析。本發明能夠提高圖像邊緣檢測和定位的精度。同時，本發明在大量噪聲的干擾情況下，也能很好地對邊緣進行檢測和定位。
【附圖說明】
[0018]圖1為本發明圖像邊緣檢測方法的流程圖；
[0019]圖2為本發明圖像邊緣檢測系統的硬件架構圖。
【具體實施方式】
[0020]下面結合附圖及具體實施例對本發明作進一步詳細的說明。
[0021]參閱圖1所示，是本發明圖像邊緣檢測方法較佳實施例的作業流程圖。
[0022]步驟S401，利用不同尺度的高斯濾波器對一張待檢測圖像進行濾波，得到一組不同分辨率的圖像。具體如下:
[0023]一般而言，基礎高斯濾波器的大小或者尺度是1-10，更大一級的高斯濾波器的尺度則是基本基礎尺度的平方，而再大一級的高斯濾波器尺度則是上一級尺度的平方，以此類推。而分辨率則代表了濾波的程度:尺度越大的濾波器對圖像濾波后，圖像就會更加模糊，更多的高頻信息或者圖像細節就會丟失甚至不見。因此當使用一組比如3到6個具有不同尺度的高斯濾波器對一張圖片濾波時，就產生一組具有不同圖像分辨率的從精細到粗糙的圖像。
[0024]步驟S402，針對上述得到的不同分辨率的圖像，分別計算得到每張圖像的差分圖像。所述差分圖像包括:一階差分圖像、二階差分圖像和三階差分圖像。其中，所述一階差分圖像為將圖像像素點的灰度值與其相鄰像素點的灰度值相減得到；所述二階差分圖像為將圖像像素點的一階差分值與其相鄰像素點的一階差分值相減得到；所述三階差分圖像為將圖像像素點的二階差分值與其相鄰像素點的二階差分值相減得到。
[0025]步驟S403，采用基本邊緣模型對上述計算得到的差分圖像進行檢測。具體而言:
[0026]本實施例采用四種基本邊緣模型檢測所述差分圖像，所述的四種基本邊緣模型分別是斜坡模型、脈沖模型、階躍模型以及S形模型。所述四種基本邊緣模型分別檢測和定位所述差分圖像的每一個像素點，每個基本邊緣模型都有其相應的檢測和定位規則。所述差分圖像同時進入上述四種基本邊緣模型分別或者并行檢測。由于脈沖模型和斜坡模型的邊緣容易被判定為階躍模型，所以階躍模型不檢測已經被判定為脈沖模型和斜坡模型的像素點。同理，由于斜坡模型是一種特殊的S形模型，所以S形模型也不檢測已經被判定為斜坡模型的像素點。基于上述原因，為了提高檢測效率，本實施例最先并行或者先后進行脈沖模型和斜坡模型的檢測，然后利用所述脈沖模型和斜坡模型的檢測結果指導階躍模型和S形模型進行檢測。類似于上述脈沖模型和斜坡模型的檢測，所述階躍模型和S形模型也可以并行同時或者先后進行檢測。
[0027]步驟S404，根據不同圖像中同一個空間位置的像素點