分区均值的自适应噪声图像边缘检测算法.doc

分区均值的自适应噪声图像边缘检测算法 沈德海，侯建，鄂旭，张龙昌 渤海大学 信息科学与技术学院，辽宁 锦州 121013 摘 要：，提出了一种算法。算法0o、45o、90o和135ox3)内脉冲噪声点的个数，如果超过3个，则扩大检测窗口至5x5。对于检测窗口每个方向划分的两个子区域，分别计算区域内的非噪声点的平均灰度值，利用平均值差的绝对值作为窗口的方向梯度值，进而求得中心点的梯度。然后，对梯度图像采用了改进的非极大值抑制方法进行细化，并提取边缘。实验结果表明，。SHEN De-hai，E Xu，ZHANG Long-chang of Information Science and Technology, Bohai University, Jinzhou, Liaoning 121013, China Abstract: In view of contradiction between edge detection accuracy and noise suppression, proposed a new edge detection algorithm. The algorithm divided the detection window into two subzones in every directions of 0o,45o,90o and 135o, first, statistics the number of noise pixels in detection window of 3x3, if the number is larger than 3, then extends the detection window size to 5x5. For two subzones of detection window in every direction, calculates the mean of non-noise pixels in subzones, uses the absolute value of the two means’ difference as direction gradient, and then finds the gradient of center point. Finally, uses improve non-maximum suppression to refine gradient image and extract the image edge. Experiments show that image edge of the new algorithm is fine, and has strong direction, the algorithm can suppress different degree impulse noise, and has a certain suppression effect on Gaussian noise, with strong adaptability. Keywords: Edge detection; Noise image;Subzone; Adaptability 0引言 图像的边缘是图像灰度变化最为显著的区域[1]，包含了大量有价值的信息，是图像特征提取、图像分割及图像识别等的重要依据和基础。边缘检测就是确定边缘位置，提取图像的边缘框架，为后续工作提供关键的要素图，检测结果的精确度和细化程度对后续工作影响非常大。由于数字图像在成像、编码及传输等处理过程中可能受到各种因素干扰而产生噪声，进而影响到图像边缘检测的效果。传统的边缘检测算法分为两类，一类是基于空间域的算法，如Roberts算子[2]、Sobel算子Prewitt算子响。 1传统边缘检测原理 传统边缘检测算法主要是采用梯度算子计算图像梯度，图像梯度包括梯度幅值和梯度方向。多数算子采用边缘邻域像素的一阶方向导数检测图像边缘，在图像边缘处，像素点的一阶方向导数具有极大值。在实际的边缘检测过程中，通常采用小区域模板与图像进行卷积来近似计算一阶导数，这些模板合在一起便是一个梯度算子。常见的梯度算子有Roberts算子、Sobel算子Roberts、Sobel和Prewitt算子模板。 图1 几种梯度算子模板 传统的基于梯度算子边缘检测算法利用算子模板与图像做卷积运算，将最大值输出得到梯度图像，然后再设定门限值TH，将大于等于TH的点视为图像边缘。梯度算子由于采用相邻像素灰度差计算梯度，对噪声较为敏感，当图像受噪声影响较为严重时，检测出的边缘图像包括许多的噪声边缘，使得后续处理无法进行。 2本文算法 针对边缘检测算法存在的检测精度与