一种基于聚类算法的图像边缘拟合B样条生成方法

摘要

基于聚类算法的图像边缘拟合B样条生成方法，采用聚类算法，将canny算子生成的边缘离散点的梯度差作为聚类算法的聚类判断公式，选择等距离点作为聚类算法的初始类中心，使用聚类算法迭代生成各类核，使用核作为B样条的控制点，拟合生成B样条曲线，其实现步骤为：将原始图像利用二维高斯函数的一阶导数对其进行平滑去噪，得到平滑图像；采用3×3领域，在像素8领域内通过计算x方向，y方向，45°方向和135°的一阶偏导的差分来计算图像梯度幅值和方向；选取高低阈值进一步过滤，得到边缘点集；通过离散边缘点集创建边缘点结构体数组，本发明使用聚类方法作为B样条生在成的控制点，可以有效抑制噪声，提高边缘检测拟合的效果。

主权项

一种基于聚类算法的图像边缘拟合B样条生成方法，其特征是采用聚类算法，将canny算子生成的边缘离散点的梯度差作为聚类算法的聚类判断公式，选择等距离点作为聚类算法的初始类中心，使用聚类算法迭代生成各类核，使用核作为B样条的控制点，拟合生成B样条曲线，其实现步骤为：步骤1、将原始图像利用二维高斯函数一阶导数对其进行平滑去噪，得到平滑图像；步骤2、采用3×3领域，在像素8领域内通过计算x方向，y方向，45°方向和135°的一阶偏导的差分来计算图像的梯度幅值和方向；步骤3、沿8领域方向检测模值的极大值点，即为边缘点，遍历8方向图像，通过比较每个像素偏导值与相邻像素模值，取其MAX值为边缘点；步骤4、选取高低阈值进一步过滤，得到边缘点集；步骤5、通过步骤4得到的离散的边缘点集创建边缘点结构体数组，并按x轴等分成N段，依次将边缘点数组划分成N组，每组随机抽取一点作为聚类生长中心点；步骤6、针对边缘点结构体数组使用聚类算法迭代求得每组的类核心点；步骤7、将步骤6求得的类核心点，作为B样条的控制点，生成拟合B样条曲线；所述的步骤6，其使用的聚类算法为：步骤1、判断每组聚类中心点与之邻近的边缘点的类距离是否在承受范围内：若在，则将边缘点纳入当前聚类中；若不在，则计算聚类中是否存在一点，若将其作为聚类中点，该聚类中心与当前聚类中各点、及当前测试点的类距离小于系统确定常数，若有，将该点纳入当前聚类，并将该点作为当前聚类中心点；若无，则完成当前聚类，并将当前聚类的中心点计入控制点数组中，同时删除当前聚类所纳入的边缘点；步骤2、重复聚类当前组剩余的边缘点，直至当前组内边缘点数为空；步骤3、迭代结束，对于求得的聚类中心点集再进行邻近点梯度综合判评，以确定最终的B样条生成控制点集；所述的聚类算法中，用于判断点集的类距离公式为：α*abs(θp‑θq）+β*abs(Mp‑Mq)，其中abs()为绝对值函数，θ为点梯度方向，M为点的梯度幅值，α、β分别为调节系数。