一种高抗噪图像边缘特征提取方法、系统以及介质

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种高抗噪图像边缘特征提取方法、系统以及介质。

背景技术

边缘提取算法在图像处理中扮演着重要的角色，然而，它们在面对噪声时存在一些问题和缺点。噪声可以使得边缘提取变得复杂且容易出错，以下是一些主要问题和缺点：

首先，边缘提取算法往往对噪声非常敏感。噪声是图像中的随机扰动，它可以使算法错误地将噪声点识别为真正的边缘点，导致虚假的边缘检测结果。

其次，为了减少噪声的影响，一些算法可能会引入平滑或模糊操作。然而，这可能会导致边缘失去细节，特别是在包含高频信息的边缘区域。

此外，边缘提取算法通常需要调整参数以适应不同类型的图像和噪声水平。选择不合适的参数值可能会导致不准确的边缘检测结果，这增加了算法的使用难度。

一些算法局限于局部像素之间的差异，忽略了全局上下文信息，这可能导致在某些情况下无法正确检测到重要的边缘。对于复杂纹理和结构的图像，边缘提取也可能面临挑战，因为它们可能导致算法错误地检测到多个边缘或在纹理区域中产生虚假的边缘。不均匀分布的噪声和光照变化也可以误导边缘提取算法，导致不一致的结果。

为了克服这些问题，研究人员正在不断开发新的边缘提取技术，包括基于深度学习的方法。这些方法能够更好地处理噪声、纹理和复杂结构，提供更高的准确性和稳健性。此外，预处理步骤，如噪声去除和图像增强，也可以改善边缘提取性能。然而，边缘提取仍然是一个复杂的问题，需要在特定应用中进行仔细的参数调整和性能评估。在图像处理中，有效的边缘提取仍然是一个重要而具有挑战性的课题。

针对上述问题，目前亟待有效的技术解决方案。

发明内容

本申请的目的在于提供一种高抗噪图像边缘特征提取方法、系统以及介质，通过负对称矩阵提取边缘梯度,可以保证在提取一个方向的梯度时，不受另一个方向的影响，因此可以减小对噪声的影响，提取到更加精细的边缘特征。

第一方面，本申请提供了一种高抗噪图像边缘特征提取方法，所述方法包括：

获取待处理图像并进行高斯滤波处理，得到滤波图像；

对所述滤波图像使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度，所述第一方向和第二方向为两个互相垂直的方向；

根据第一方向边缘梯度或第二方向边缘梯度获取图像的梯度幅度图像；

利用预设的目标检测算法对梯度幅度图像进行初步边缘提取得到初步边缘特征；

对所述初步边缘特征通过滞后阈值边界跟踪，连接第一边缘和第二边缘，提取符合预设精细度的边缘特征，所述第一边缘和第二边缘分别通过预设的第一阈值和第二阈值检测得到。

本方案中，所述负对称矩阵表达式为：

，

是/>

本方案中，所述负对称矩阵包括两个维度，分别记为：第一维度和第二维度，第二维度为与第一维度不同的一个维度，所述负对称矩阵在第一维度或第二维度上权值递增，则另一个维度上权值保持不变。

本方案中，使用负对称矩阵提取水平/垂直方向边缘梯度时，将负对称矩阵拆分为两个向量相乘，即：

，

其中，A、B分别表示一维向量，

本方案中，使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度时，先进行一维第一方向边缘梯度提取再进行一维第二方向滤波操作；或先进行一维第二方向边缘梯度提取再进行一维第一方向滤波操作。

本方案中，预设的目标检测算法为最大值抑制检测算法。

本申请第二方面提供一种高抗噪图像边缘特征提取系统，该高抗噪图像边缘特征提取系统包括：存储器及处理器，所述存储器中包括高抗噪图像边缘特征提取方法的程序，所述高抗噪图像边缘特征提取方法的程序被所述处理器执行时实现以下步骤：

获取待处理图像并进行高斯滤波处理，得到滤波图像；

对所述滤波图像使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度，所述第一方向和第二方向为两个互相垂直的方向；

根据第一方向边缘梯度或第二方向边缘梯度获取图像的梯度幅度图像；

利用预设的目标检测算法对梯度幅度图像进行初步边缘提取得到初步边缘特征；

对所述初步边缘特征通过滞后阈值边界跟踪，连接第一边缘和第二边缘，提取符合预设精细度的边缘特征，所述第一边缘和第二边缘分别通过预设的第一阈值和第二阈值检测得到。

本方案中，所述负对称矩阵表达式为：

，

,/>

本方案中，所述负对称矩阵包括两个维度，分别记为：第一维度和第二维度，第二维度为与第一维度不同的一个维度，所述负对称矩阵在第一维度或第二维度上权值递增，则另一个维度上权值保持不变。

本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括高抗噪图像边缘特征提取方法程序，所述高抗噪图像边缘特征提取方法程序被处理器执行时，实现所述的高抗噪图像边缘特征提取方法的步骤。

由上可知，本申请提供的高抗噪图像边缘特征提取方法、系统及存储介质，首先获取待处理图像并进行高斯滤波处理，得到滤波图像；对所述滤波图像使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度，所述第一方向和第二方向为两个互相垂直的方向；根据第一方向边缘梯度或第二方向边缘梯度获取图像的梯度幅度图像；利用预设的目标检测算法对梯度幅度图像进行初步边缘提取得到初步边缘特征；对所述初步边缘特征通过滞后阈值边界跟踪，连接第一边缘和第二边缘，提取符合预设精细度的边缘特征，所述第一边缘和第二边缘分别通过预设的第一阈值和第二阈值检测得到。本申请通过负对称矩阵提取边缘梯度,可以只在一个维度上权值递增，另外一个维度上保持不变，进而可以保证在提取一个方向的梯度时，不受另一个方向的影响，因此可以减小对噪声的影响，提取到更加精细的边缘特征。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的高抗噪图像边缘特征提取方法的流程图；

图2为本申请实施例提供的高抗噪图像边缘特征提取系统框图；

图3为本申请实施例提供的边缘特征提取效果图。

具体实施方式

下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，为本申请一些实施例中的高抗噪图像边缘特征提取方法的流程图。该高抗噪图像边缘特征提取方法用于轮廓定位、字符识别、目标分割系统或装置。该高抗噪图像边缘特征提取方法，包括以下步骤：

S101，获取待处理图像并进行高斯滤波处理，得到滤波图像；

S102，对所述滤波图像使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度，所述第一方向和第二方向为两个互相垂直的方向；

S103，根据第一方向边缘梯度或第二方向边缘梯度获取图像的梯度幅度图像；

S104，利用预设的目标检测算法对梯度幅度图像进行初步边缘提取得到初步边缘特征；

S105，对所述初步边缘特征通过滞后阈值边界跟踪，连接第一边缘和第二边缘，提取符合预设精细度的边缘特征，所述第一边缘和第二边缘分别通过预设的第一阈值和第二阈值检测得到。

需要说明的是，本申请中首先获取待处理图像并进行高斯滤波处理，得到滤波图像；对所述滤波图像使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度，所述第一方向和第二方向为两个互相垂直的方向；根据第一方向边缘梯度或第二方向边缘梯度获取图像的梯度幅度图像；利用预设的目标检测算法对梯度幅度图像进行初步边缘提取得到初步边缘特征；对所述初步边缘特征通过滞后阈值边界跟踪，连接第一边缘和第二边缘，提取符合预设精细度的边缘特征，所述第一边缘和第二边缘分别通过预设的第一阈值和第二阈值检测得到。本申请通过负对称矩阵,只在一个维度上权值递增，另外一个维度上保持不变。当提取垂直方向梯度，水平方向权重（除中心外），权值绝对值是保持不变的，这样可以保证在提取垂直梯度时，不受水平方向位置的影响（因为水平方向权重一致），因此可以减小对噪声的影响。

需要说明的是，首先，对待处理图像并进行高斯滤波处理，可以平滑图像，有助于减少噪声的影响，使图像更易于处理。高斯滤波通过考虑像素周围的邻域来模糊图像，从而减少噪声的高频成分。

根据本发明实施例，所述负对称矩阵表达式为：

，

是/>

需要说明的是，在传统的，Canny算法通常使用Sobel算子或Prewitt算子等卷积核来计算图像在水平和垂直方向上的梯度。梯度方向表示边缘的法线方向，梯度幅值表示边缘的强度。

Canny算法使用最多是Sobel算子，用来提取图像的水平和垂直方向的梯度，3×3的Sobel算子结构如下：

，

其中，

需要说明的是，Sobel算子对噪声敏感的原因是因为Sobel算子被设计为重中心权值，导致受噪声影响会比较大。针对Sobel算子的设计缺陷，本发明负对称矩阵提取水平/垂直方向边缘梯度；该滤波结构能很好地消除噪声影响。

当核大小为3时等效于Sobel算子，下面是核大小为5时的Sobel算子和负对称矩阵对比，其中

。

根据本发明实施例，所述负对称矩阵包括两个维度，分别记为：第一维度和第二维度，第二维度为与第一维度不同的一个维度，所述负对称矩阵在第一维度或第二维度上权值递增，则另一个维度上权值保持不变。

可以看出,和Sobel算子不同的是，负对称矩阵只在一个维度上权值递增，另外一个维度上保持不变。如

以

根据本发明实施例，使用负对称矩阵提取水平/垂直方向边缘梯度时，将负对称矩阵拆分为两个向量相乘，即：

，

其中，A、B分别表示一维向量，

需要说明的是，在进行梯度计算时涉及滤波和卷积计算，滤波是一个耗时操作（也称卷积操作），特别是核非常大的情况下，耗时愈发明显。为了提高本发明的实用性，将负对称矩阵设计为了一种可以拆分的结构。

所谓矩阵拆分是指，一个矩阵可以拆分为两个矩阵相乘，在对一个图像求卷积时，可以将图像分别对图像依次求卷积，如下公式：

，

其中I为图像，T为卷积核，*表示卷积运算；如果T能被拆分为水平和垂直方向的一维向量，那么在计算时可以加快卷积计算。

本发明使用负对称矩阵提取水平/垂直方向边缘梯度时，将负对称矩阵拆分为两个向量相乘，

，

当核大小为5时：

。

在进行滤波操作（卷积操作）时，可以先进行一维水平/垂直方向的卷积操作，再进行一维垂直/水平方向的滤波操作。因为计算时使用一维向量进行操作，可以对其进行向量化处理，使用指令集（SIMD）进行计算，加快计算速度。

根据本发明实施例，预设的目标检测算法为最大值抑制检测算法。

需要说明的是，本发明中预设的目标检测算法为最大值抑制检测算法，通过在梯度方向上检查每个像素的梯度幅值，来抑制非极大值。意味着只有具有最大梯度幅值的像素被保留，其他像素被抑制，进而可以帮助精确定位边缘。

需要说明的是，本发明通过对所述初步边缘特征通过滞后阈值边界跟踪，使用边缘跟踪方法来连接抑制后的边缘像素，形成连续的边缘。通常采用两个阈值，即高阈值和低阈值，来划分梯度幅值。如果像素的梯度幅值高于高阈值，它被视为强边缘像素，如果梯度幅值介于低阈值和高阈值之间，它被视为弱边缘像素。边缘跟踪从强边缘像素开始，然后沿着与边缘方向相邻的弱边缘像素进行连接，以形成完整的边缘。

如图2所示，本发明第二方面提供了一种高抗噪图像边缘特征提取系统，该高抗噪图像边缘特征提取系统包括：存储器201及处理器202，所述存储器中包括高抗噪图像边缘特征提取方法的程序，所述高抗噪图像边缘特征提取方法的程序被所述处理器执行时实现以下步骤：

S101，获取待处理图像并进行高斯滤波处理，得到滤波图像；

S102，对所述滤波图像使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度，所述第一方向和第二方向为两个互相垂直的方向；

S103，根据第一方向边缘梯度或第二方向边缘梯度获取图像的梯度幅度图像；

S104，利用预设的目标检测算法对梯度幅度图像进行初步边缘提取得到初步边缘特征；

S105，对所述初步边缘特征通过滞后阈值边界跟踪，连接第一边缘和第二边缘，提取符合预设精细度的边缘特征，所述第一边缘和第二边缘分别通过预设的第一阈值和第二阈值检测得到。

需要说明的是，本申请中首先获取待处理图像并进行高斯滤波处理，得到滤波图像；对所述滤波图像使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度，所述第一方向和第二方向为两个互相垂直的方向；根据第一方向边缘梯度或第二方向边缘梯度获取图像的梯度幅度图像；利用预设的目标检测算法对梯度幅度图像进行初步边缘提取得到初步边缘特征；对所述初步边缘特征通过滞后阈值边界跟踪，连接第一边缘和第二边缘，提取符合预设精细度的边缘特征，所述第一边缘和第二边缘分别通过预设的第一阈值和第二阈值检测得到。本申请通过负对称矩阵,只在一个维度上权值递增，另外一个维度上保持不变。当提取垂直方向梯度，水平方向权重（除中心外），权值绝对值是保持不变的，这样可以保证在提取垂直梯度时，不受水平方向位置的影响（因为水平方向权重一致），因此可以减小对噪声的影响。

需要说明的是，首先，对待处理图像并进行高斯滤波处理，可以平滑图像，有助于减少噪声的影响，使图像更易于处理。高斯滤波通过考虑像素周围的邻域来模糊图像，从而减少噪声的高频成分。

根据本发明实施例，所述负对称矩阵表达式为：

，

，/>

需要说明的是，在传统的，Canny算法通常使用Sobel算子或Prewitt算子等卷积核来计算图像在水平和垂直方向上的梯度。梯度方向表示边缘的法线方向，梯度幅值表示边缘的强度。

Canny算法使用最多是Sobel算子，用来提取图像的水平和垂直方向的梯度，3×3的Sobel算子结构如下：

，

其中，

需要说明的是，Sobel算子对噪声敏感的原因是因为Sobel算子被设计为重中心权值，导致受噪声影响会比较大。针对Sobel算子的设计缺陷，本发明负对称矩阵提取水平/垂直方向边缘梯度；该滤波结构能很好地消除噪声影响。

当核大小为3时等效于Sobel算子，下面是核大小为5时的Sobel算子和负对称矩阵对比，其中

。

根据本发明实施例，所述负对称矩阵包括两个维度，分别记为：第一维度和第二维度，第二维度为与第一维度不同的一个维度，所述负对称矩阵在第一维度或第二维度上权值递增，则另一个维度上权值保持不变。

可以看出,和Sobel算子不同的是，负对称矩阵只在一个维度上权值递增，另外一个维度上保持不变。如

以

根据本发明实施例，使用负对称矩阵提取水平/垂直方向边缘梯度时，将负对称矩阵拆分为两个向量相乘，即：

，

其中，A、B分别表示一维向量，

需要说明的是，在进行梯度计算时涉及滤波和卷积计算，滤波是一个耗时操作（也称卷积操作），特别是核非常大的情况下，耗时愈发明显。为了提高本发明的实用性，将负对称矩阵设计为了一种可以拆分的结构。

所谓矩阵拆分是指，一个矩阵可以拆分为两个矩阵相乘，在对一个图像求卷积时，可以将图像分别对图像依次求卷积，如下公式：

，

其中I为图像，T为卷积核，*表示卷积运算。如果T能被拆分为水平和垂直方向的一维向量，那么在计算时可以加快卷积计算。

本发明使用负对称矩阵提取水平/垂直方向边缘梯度时，将负对称矩阵拆分为两个向量相乘，

，

当核大小为5时：

。

在进行滤波操作（卷积操作）时，可以先进行一维水平/垂直方向的卷积操作，再进行一维垂直/水平方向的滤波操作。因为计算时使用一维向量进行操作，可以对其进行向量化处理，使用指令集（SIMD）进行计算，加快计算速度。

根据本发明实施例，预设的目标检测算法为最大值抑制检测算法。

需要说明的是，本发明中预设的目标检测算法为最大值抑制检测算法，通过在梯度方向上检查每个像素的梯度幅值，来抑制非极大值。意味着只有具有最大梯度幅值的像素被保留，其他像素被抑制，进而可以帮助精确定位边缘。

需要说明的是，本发明通过对所述初步边缘特征通过滞后阈值边界跟踪，使用边缘跟踪方法来连接抑制后的边缘像素，形成连续的边缘。通常采用两个阈值，即高阈值和低阈值，来划分梯度幅值。如果像素的梯度幅值高于高阈值，它被视为强边缘像素，如果梯度幅值介于低阈值和高阈值之间，它被视为弱边缘像素。边缘跟踪从强边缘像素开始，然后沿着与边缘方向相邻的弱边缘像素进行连接，以形成完整的边缘。

如图3所示，从左至右分别表示不同核大小下高噪声图片的边缘提取效果。可以看出通过增大核大小可以提取高噪声图片目标的边缘。

本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括高抗噪图像边缘特征提取方法程序，所述高抗噪图像边缘特征提取方法程序被处理器执行时，实现所述的高抗噪图像边缘特征提取方法的步骤。

本申请提供的一种高抗噪图像边缘特征提取方法、系统及存储介质，本发明通过首获取待处理图像并进行高斯滤波处理，得到滤波图像；对所述滤波图像使用预设负对称矩阵提取第一方向边缘梯度或第二方向边缘梯度，所述第一方向和第二方向为两个互相垂直的方向；根据第一方向边缘梯度或第二方向边缘梯度获取图像的梯度幅度图像；利用预设的目标检测算法对梯度幅度图像进行初步边缘提取得到初步边缘特征；对所述初步边缘特征通过滞后阈值边界跟踪，连接第一边缘和第二边缘，提取符合预设精细度的边缘特征。本申请通过负对称矩阵提取边缘梯度,可以只在一个维度上权值递增，另外一个维度上保持不变，进而可以保证在提取一个方向的梯度时，不受另一个方向的影响，因此可以减小对噪声的影响，提取到更加精细的边缘特征。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。