一种基于融合策略的边缘提取方法

摘要

本发明公开了一种基于融合策略的边缘提取方法，属于图像处理、模式识别、视觉计算等计算机应用领域，该方法包括：输入灰度图像；集成三种典型边缘提取算法提取结果，获得反映属于边缘可能程度的投票权重；分析像素点与邻域的最大亮度差和最小亮度差的差值，获取描述亮度突变程度的差值权重；统计去心邻域方差分布，根据边缘点至少满足在整个图像平均四邻域亮度分散度背景下，具有相对更大亮度分散度的特性，获取所有像素点的边缘分布权重；融合三种权重矩阵，进行边缘决策；输出边缘图像。本发明提高了边缘提取的准确性，合理地降低了噪音的影响，为进一步图像分析、特征点定位等后续处理提供了准备信息。

主权项

一种基于融合策略的边缘提取方法，其特征在于包括以下步骤：步骤1，输入灰度图像步骤2，计算图像中像素点为边缘可能性的投票权重矩阵：步骤21，输入灰度图像；步骤22，利用Sobel算子进行边缘检测；步骤23，利用Canny算子进行边缘检测；步骤24，利用LoG算子进行边缘检测；步骤25，三种算子检测结果在相应像素点上进行加权投票统计；这里在相应像素点是指在所检测的像素点的八邻域范围统计，三种算子检测结果分别各自统计；将所检测的像素点也就是八邻域的中心像素点赋予为1的权值，其四邻域四个像素点赋予为0.5的权值，八邻域剩下四个像素点即四个角赋予为0.25的权值；当八邻域相应位置上为边缘则赋值为1，通过加权进行判断；所得到的权重和大于等于2，则认为此种算子检测到的该像素点也就是八邻域的中心像素点为边缘点，并将权重和赋值为1，若是权重和小于2，则认为不是边缘点并将权重和赋值0；依次统计每个像素点的权重和，则可得到值域为[0,3]的加权投票；步骤3，计算图像中像素点为边缘可能性的差值权重矩阵步骤31，输入灰度图像；步骤32，计算每个像素点的四邻域四个点与本身的亮度差；步骤33，分别求出每个像素点各自的四个差值的最大值和最小值；步骤34，分别将每个像素点对应的差值最大值和最小值代入逻辑回归模型进行归一化；这里的逻辑回归模型为：Y(x)=1/(1+exp(a*x+b))其中，x为每个像素点对应的最大亮度差值或最小亮度差值，Y(x)为每个像素点对应的归一化后的最大亮度差值或最小亮度差值，a和 b为亮度差参数，且针对每个像素点最大亮度差参数为：a等于‑0.1，b等于2；针对每个像素点最小亮度差的参数定义：a等于‑0.3，b等于5；步骤4，计算图像中像素点为边缘可能性的边缘分布权重矩阵步骤41，输入灰度图像；步骤42，计算每个像素点的去心四邻域的四个像素点的亮度方差；步骤43，将所有像素点所求得的方差求平均，并乘以系数0.8，可得到一个阈值；步骤44，构建大小为图像尺寸的矩阵，并赋初值为零，构造初始边缘分布权重矩阵；步骤45，遍历图像所有像素点，若其去心邻域统计方差大于或等于阈值，则将边缘分布权重矩阵的对应位置的数值赋值为1；反之，则保持初始0值，建立描述边缘分布的0‑1权重矩阵；步骤5，对获取的三种权重矩阵进行融合处理步骤51，读取投票权重矩阵数据；步骤52，读取差值权重矩阵数据；步骤53，读取边缘分布权重矩阵数据；步骤54，利用阿达马乘积融合三种权重矩阵，获得融合权重矩阵；步骤55，计算基准数值，即阈值；这里通过求融合权重矩阵的所有元素和并且除以边缘分布权重矩阵的元素和，再乘以系数0.7，得到基准数值，作为阈值；步骤56，二值化融合权重矩阵，若融合矩阵的值大于或者等于基准数值，则将融合矩阵相应位置的赋值为1；若是小于基准数值，则将融合矩阵相应位置的值赋值为0；步骤57，输出融合矩阵；步骤6，输出边缘图像。