專利名稱：：數(shù)字圖像測量亞像素邊沿處理方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種圖像測量處理方法，具體涉及一種數(shù)字圖像測量亞像素邊沿處理方法。技術(shù)背景隨著當(dāng)前數(shù)字化信息技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)正變得越來越重要，并在很多生產(chǎn)生活現(xiàn)場都得到廣泛應(yīng)用。目前數(shù)字圖像測量技術(shù)在光電檢觀頓域也占據(jù)了非常重要的地位，它最重要的一個內(nèi)容就是實現(xiàn)圖像目標(biāo)邊沿的精確定位。這點在數(shù)字圖像測量應(yīng)用中尤為重要，可以說在數(shù)字圖像測量應(yīng)用中準確快速提取圖像邊緣是提取圖像相關(guān)信息的基礎(chǔ)和目前的數(shù)字圖像都是二維平面圖像。根據(jù)CCD感光芯片的不同，目標(biāo)圖像被以不同的細分密度加以離散存儲，圖像上的最小尺寸單位為像素，存儲形式上存儲了每個像素位置的圖像色彩信息。數(shù)字圖像處理就是采用一定的計算方法對這些存儲內(nèi)容進行相關(guān)計算以提取圖像中相關(guān)感興趣信息的過程。目前對圖像處理采用最基本的處理算法主要是基于灰度或是梯度原理的計算方法。它們都是通過計算圖像的某個特征值(灰度或梯度)，然后依據(jù)給定的特征值控制閥值對圖形進行二值化處理。它所依據(jù)的主要思想就是圖象中目標(biāo)物體的邊沿與背景有明顯的視覺沖擊，即視覺上在物體的邊沿位置圖像內(nèi)容變化非常大。目前衡量這種圖像內(nèi)容變化的主要計算模型是灰度方差或是梯度。設(shè)圖像上一以點""為中心的3X3圖像區(qū)域c<table>tableseeoriginaldocumentpage4</column></row><table>每一點的灰度方差計算模型為<formula>formulaseeoriginaldocumentpage4</formula>i，j，m，n為非負整數(shù)，r(i，j)，g(i,j)，b(i,j)為點(i,j)的RGB(紅、綠、藍三原色)分量值，V(i，j)為點(i，j)的灰度方差。梯度計算模型為<formula>formulaseeoriginaldocumentpage4</formula>其中，So6e/=5b&,"So崎O力'So崎7,0」So6e/〃力5b崎7力So6e/「2,0)So6e/(^，WSo6e/p,"i，j，m，n為非負整數(shù)，r(m,n)，g(m，n)，b(m，n)為點(m，n)的RGB(紅、綠、藍三原色)分量值，G(i，j)為點(i,j)的梯度，Sobel(i，j)(i，j^，l，2)為Sobel算子對應(yīng)(i，j)位置的元素值。目前傳統(tǒng)的圖像處理算法都是基于這兩種計算模型。比如Moravec算子就是一種利用灰度方差提取特征點的算子，此外還有Roberts、Sobel、Laplace等梯度算子。梯度計算模型還可以通過改變計算算子中的相關(guān)元素值達到不同的圖像處理目的。另外還有一種通過圖像空間向參數(shù)空間轉(zhuǎn)換實現(xiàn)圖像目標(biāo)提取的Hough變換算法。傳統(tǒng)算法在圖像處理前與處理后一般還采用噪聲濾波、平滑與銳化等輔助處理算法。這些圖像處理算法對于目標(biāo)圖像質(zhì)量非常好的對象具有較好的處理效果，但在實際工程應(yīng)用中，尤其是在實時圖像處理中還存在許多的應(yīng)用難點一、由于二值化結(jié)果受特征值控制閥值影響，圖像處理結(jié)果人為影響因素太大，算法對于不同應(yīng)用場合圖像不具備通用性，而且不利于計算機自動程序?qū)崿F(xiàn)；二、處理圖像中存在多種噪聲，傳統(tǒng)算法雖然希望通過改變相關(guān)算子或是輔助濾波算法以達到噪聲抑制的目的，但對于不同圖像應(yīng)用效果甚微，不利于實時圖像處理；三、對目標(biāo)圖像邊沿定位不精確，處理結(jié)果太粗燥，難以滿足精密圖像測量應(yīng)用需求，同時在許多有精密圖像處理要求的應(yīng)用場合也存在很大的局限性。
發(fā)明內(nèi)容本發(fā)明的目的在針對實時圖像測量的應(yīng)用需求，提供了一種效率高，并且兼顧噪聲抑制的要求，提高了算法的免疫力的數(shù)字圖像測量亞像素邊沿處理方法。為達到上述目的，本發(fā)明采用的技術(shù)方案是1)首先采用梯度模型對圖像邊沿進行粗處理，以梯度均值作為二值化控制閥值；2)基于洪水充填原理實現(xiàn)二值化圖像最大連通區(qū)域搜索；通過對起始位置向四面八方蔓延方式得到整個連通區(qū)域的大小，搜索出邊沿最大連通區(qū)域，并記錄這些邊沿數(shù)據(jù)，而其它小的連通區(qū)域被當(dāng)作噪聲加以抑制；3)在四個方向上搜索包含各位置點的一段梯度值超過梯度控制閥值的連續(xù)點，點數(shù)最少的方向即為法矢方向，也就是精確圖像邊沿定位的計算方向，圖像邊沿位置沿邊沿的法矢方向梯度值具有單峰性，而梯度峰值位置就是精確的邊沿位置；4)基于樣條插值細分算法計算邊沿法矢方向上的梯度峰值由于物體在邊緣處的梯度值最大，則對一段在邊沿法矢方向且包含該邊緣點的連續(xù)像素點的梯度值利用樣條擬合得到一條曲線，在擬合得到的曲線上進行10倍細分，即定位精度達到0.1個像素，比較細分后各點位置的梯度幅值，取最大值位置即為精確邊緣點；5)從收集的目標(biāo)粗邊沿中對擬合曲線上所包含的邊沿點進行標(biāo)記；6)經(jīng)過多輪迭代計算，如果收集的目標(biāo)粗邊沿點全部被標(biāo)記，則表明精確亞像素邊沿計算完畢。本發(fā)明是基于傳統(tǒng)梯度邊沿提取、洪水充填算法及樣條插值細分算法，處理過程通過粗、精兩步圖像處理實現(xiàn)。對于目標(biāo)邊沿實行有目的搜索，計算效率高，并且算法過程兼顧噪聲抑制的要求，提高了算法的免疫力。圖1是本發(fā)明的流程圖；圖2是本發(fā)明基于最大連通區(qū)域搜索的目標(biāo)邊沿提取圖，其中圖2(a)是原始圖像，圖2(b)是梯度二值化處理結(jié)果的圖像，圖2(c)是基于最大連通區(qū)域的目標(biāo)邊沿圖；圖3是過點0c。，y。)的圖像邊沿法矢方向搜索圖，其中圖3(a)是邊沿曲線切矢與法矢圖，圖3(b)是目標(biāo)邊沿圖像，圖3(c)是目標(biāo)邊沿圖像法矢搜索示意圖；圖4是樣條曲線插值細分示意圖，其中橫坐標(biāo)與縱坐標(biāo)均為像素值。具體實施方式下面結(jié)合附圖對本發(fā)明作進一步詳細說明。參見圖1，本發(fā)明首先進行第一步采集圖像數(shù)據(jù)，采集結(jié)果如圖2(a)。對第一步所采集圖像進行第二步梯度算子全域搜索。采用梯度算子模型進行圖像邊沿粗處理，以梯度均值作為二值化控制閥值，防止二值化處理結(jié)果中目標(biāo)邊沿信息丟失，同時也利于程序自動實現(xiàn)；利用梯度算子全域搜索的結(jié)果，對采集圖像進行第三步的處理即洪水填充區(qū)域面積搜索。由于實時圖像中存在許多因素干擾目標(biāo)圖像，通過梯度算子全域搜索處理后，圖像存在多種隨機噪聲。這類噪聲一般通過傳統(tǒng)的濾波方式難以奏效。根據(jù)圖像處理的基本原理，在圖像測量中一般一次只關(guān)心某一具體的目標(biāo)邊沿，在只包含目標(biāo)邊沿的目標(biāo)區(qū)域內(nèi)，二值化處理后的目標(biāo)邊沿應(yīng)該具有最大的圖像面積。通過洪水搜索算法對起始位置向四面八方蔓延方式得到整個連通區(qū)域的大小，搜索出邊沿最大連通區(qū)域，并記錄這些邊沿數(shù)據(jù)集P^pi,0^i〈^nn為正整數(shù)h而其它小的連通區(qū)域被當(dāng)作噪聲加以抑制。從圖2(b)與(c)的對比中可以看出噪聲抑制的效果處理結(jié)果中除目標(biāo)邊沿信息外，其余噪聲得到完全抑制。設(shè)定不同的圖像處理區(qū)域，就可以得到所感興趣的不同目標(biāo)邊沿。接著進行第四^~~選取pi，搜索pi處邊緣法矢方向。前三步得到的圖像邊沿檢測結(jié)果還只是一個粗邊沿，一般為3至5個像素寬度，這在精密圖像測量中還無法滿足測量要求，必須對圖像邊沿進行精確定位。如圖3(a),如果從連續(xù)的角度講，邊沿在某點位置(x。,y。)處的法矢方向的計算應(yīng)該首先計算一段過",少。)點的曲線少=/(;0，然后通過求導(dǎo)、求切矢的方式實現(xiàn)點0c。,y。)處的法矢方向的間接計算。但是這種計算方式在實時圖像處理中過于復(fù)雜，且計算量太大。這里我們給出下面的簡化計算模型。由于實際圖像中是通過離散后以像素為單位進行存儲的，如圖3(b)，因此計算中認為過點(x。，;;。)的法矢方向只有四個(不分方向正反)，如圖3(c)所示。在四個方向上搜索包含點Oc。，j;。)的一段梯度超過梯度控制閥值的連續(xù)點，點數(shù)最少的方向即認為為法矢方向。這也就是精確圖像邊沿定位的計算方向。經(jīng)過pi處邊緣的法矢方向搜索，得到第五步一一得法矢方向點集Pij,Pij表示對應(yīng)pi點的法矢方向搜索所得點集，l叫〈^，并保存此點集。這里只關(guān)心精確的圖像邊緣數(shù)據(jù)，所以要進行第六步——從點集P中刪除點(PnPij)，保證處理的圖像點集為精確圖像邊緣數(shù)據(jù)；利用第六步結(jié)果，對圖像進行第七步處理一對點集Pij對應(yīng)梯度值為函數(shù)值進行楊條曲線擬合與曲線10倍插值細分得新的點集Pim，為實現(xiàn)圖像邊沿精確定位做準備。由于物體在邊緣處的梯度值最大，則對一段在邊沿法矢方向且包含點(x。j。)的連續(xù)像素點(包含該方向上的全部邊沿點)的梯度值利用樣條擬合得到一條曲線，在擬合得到的曲線上進行10倍細分，即定位精度達到O.l個像素，具體如圖4所示。利用第七步結(jié)果，接下來進行第八^SI索Pim中梯度值最大點pim,對應(yīng)點的位置即為該邊沿法矢方向上的精確亞像素邊緣。依據(jù)圖像處理基本原理以及梯度計算原理，圖像邊沿位置沿邊沿的法矢方向梯度值具有單峰性，而梯度峰值位置就是精確的邊沿位置。比較細分后各點位置的梯度幅值，取最大值位置即為精確邊緣點。從收集的目標(biāo)粗邊沿中標(biāo)記出當(dāng)前擬合曲線上所包含的邊沿點以免進行重復(fù)計算。并進行第九步判^~~點集是否搜索完畢，如果輸出為"N"則說明還有剩余點則轉(zhuǎn)第四步繼續(xù)處理。經(jīng)過多輪迭代計算，如果第九步判W^——點集是否搜索完畢，如果輸出為"Y"，則說明收集的目標(biāo)粗邊沿點全部被標(biāo)記，則表明精確亞像素邊沿計算完畢則最后第十步結(jié)束程序并輸出——輸出全部梯度值最大點集Pm={pim}即精確亞像素邊緣。權(quán)利要求1、數(shù)字圖像測量亞像素邊沿處理方法，其特征在于1)首先采用梯度模型對圖像邊沿進行粗處理，以梯度均值作為二值化控制閥值；2)基于洪水充填原理實現(xiàn)二值化圖像最大連通區(qū)域搜索；通過對起始位置向四面八方蔓延方式得到整個連通區(qū)域的大小，搜索出邊沿最大連通區(qū)域，并記錄這些邊沿數(shù)據(jù)，而其它小的連通區(qū)域被當(dāng)作噪聲加以抑制；3)在四個方向上搜索包含各位置點的一段梯度值超過梯度控制閥值的連續(xù)點，點數(shù)最少的方向即為法矢方向，也就是精確圖像邊沿定位的計算方向，圖像邊沿位置沿邊沿的法矢方向梯度值具有單峰性，而梯度峰值位置就是精確的邊沿位置；4)基于樣條插值細分算法計算邊沿法矢方向上的梯度峰值由于物體在邊緣處的梯度值最大，則對一段在邊沿法矢方向且包含該邊緣點的連續(xù)像素點的梯度值利用樣條擬合得到一條曲線，在擬合得到的曲線上進行10倍細分，即定位精度達到0.1個像素，比較細分后各點位置的梯度幅值，取最大值位置即為精確邊緣點；5)從收集的目標(biāo)粗邊沿中對擬合曲線上所包含的邊沿點進行標(biāo)記；6)經(jīng)過多輪迭代計算，如果收集的目標(biāo)粗邊沿點全部被標(biāo)記，則表明精確亞像素邊沿計算完畢。全文摘要數(shù)字圖像測量亞像素邊沿處理方法，采用梯度模型對圖像邊沿進行粗處理，以梯度均值作為二值化控制閥值；基于洪水充填原理實現(xiàn)二值化圖像最大連通區(qū)域搜索；在四個方向上搜索包含各位置點的一段梯度值超過梯度控制閥值的連續(xù)點，點數(shù)最少的方向即為法矢方向，基于樣條插值細分算法計算邊沿法矢方向上的梯度峰值；從收集的目標(biāo)粗邊沿中對擬合曲線上所包含的邊沿點進行標(biāo)記；經(jīng)過多輪迭代計算，如果收集的目標(biāo)粗邊沿點全部被標(biāo)記，則表明精確亞像素邊沿計算完畢。本發(fā)明是基于傳統(tǒng)梯度邊沿提取、洪水充填算法及樣條插值細分算法，處理過程通過粗、精兩步圖像處理實現(xiàn)。對于目標(biāo)邊沿實行有目的搜索，計算效率高，并且算法過程兼顧噪聲抑制的要求，提高了算法的免疫力。文檔編號G06T7/60GK101334896SQ20081015046公開日2008年12月31日申請日期2008年7月25日優(yōu)先權(quán)日2008年7月25日發(fā)明者丁建軍,飛張,兵李,蔣莊德,郭俊杰申請人:西安交通大學(xué)