基于多尺度形态学的运动目标边缘检测算法研究.docx

基于多尺度形态学的运动目标边缘检测算法研究研究和分析了形态学梯度算子提出了一种适合运动目标图像边缘检测的多尺度形态学梯度算子。它结合了基于灰度图像和边缘图像的二进小波检测方法的优点减低了直接从灰度图像中提取时的算法复杂度并且解决了普通边缘提取算法带来的诸多对噪声敏感问题。试验结果表明该方法能够在较低噪声背景下更有效地检测运动目标图像边缘特征提高判决准确率。【关键词】多尺度边缘检测形态学梯度图像处理1引言在图像处理中边缘（edge）不仅仅是指表示物体边界的线还应包括能够描绘图像特征的线要素利用所提取的边缘点可以分割出特定的物体因此边缘检测是一种重要的图像分割方法可作为复杂的图像识别、图像理解的预处理环节。常见的边缘检测算子包括：RobertsSobel和Canny算子等。当Roberts算子运用到彩色图像时与灰度化彩色图像不同它是将彩色图像中两个像素的RGB颜色空间的三个分量（rgb）的偶数距离代入Roberts算子中计算确定图像边缘最终获得文本区域。在利用边缘检测的邮件地址标签图像分割方法中为减小后续计算复杂度首先图像需经过预处理和灰度化再利用Sobel算子检测图像边缘用Hough变换筛选和聚类边缘点达到分割邮件图像地址信息的目的。在检测视频图像的算法中利用其边缘检测和线条特征将Canny算子进行改进然后应用于图像边缘检测中。一旦候选图像的边缘被检测出用连通扫描算法追踪相邻的边缘像素形成线条然后过滤线条再将相邻的线条聚集起来从而获得候选区域最后依照图像特征确定图像区域。2多尺度形态学梯度的边缘检测常用的边缘检测算子计算图像中局部小区域的差分这些算子对噪声较敏感且常会在检测边缘的同时加强噪声。而形态边缘检测器建立在形态梯度基础之上虽也对噪声较敏感但不会引起噪声的加强或放大。其中f为原始图像g为结构元素。单尺度形态学梯度算子性能由结构元素g的大小所决定。倘若g足够大对斜坡边缘而言梯度算子的输出与边缘高度相等。大结构元素会加强边缘间的影响将会引发梯度极大值与边缘的差异；而小结构元素虽使得梯度算子具备高分辨率的优势但对斜坡边缘会出现一个很小的输出结果。3多尺度边缘检测算法研究各个尺度下沿着边界的模极大曲线是由沿边界方向将该尺度下的边缘连接起来而获得通过检测二维小波变换的模极大点可确定图像的边缘点。当图像经小波变换分解成多个尺度对每个尺度上的成分采用相应的时域或空域取样步长能不断地聚焦到对象的任意微小细节。正因为小波变换所具备的这种多尺度特性恰好将其用于检测图像边缘。数字图像处理中幅度变化的程度由边缘走向的方向所决定的。当处于沿着边缘走向时幅度会发生平缓的变化而当垂直于边缘走向时幅度会变化加剧。此外当某个物体的大小不一致时它们的边缘也会出现不同尺度。在细化尺度中边缘点的正则性是由模极大的衰减速度所决定的。4仿真与分析4.1实验一假设灰度图像矩阵为滤波器矩阵为输出为行列矩阵。我们在进行图像边缘检测时重点考虑的的是小波变换的模。如图1所示图（a）为原始图像图（b）-（d）依次为经过3层小波变换的结果。图像的边缘和纹理在第1层小波变换中显现出来而图像的边缘则在第2、3层小波变换凸显并且将图像细致的纹理结构平滑掉。4.2实验二如图2所示用摄像头针对某运动物体进行多景拍摄的一段时间内的一组连续的图像记录（共7幅图像）通过边缘特征提取技术分析该组图像的变化。从图2中各幅图像边缘检测的结果观察到：每幅图像中车辆位置变化情况在边缘检测图中可以直观地反映出来。例如图中的白色面包车在接近摄像头的过程中其边缘图像逐渐变得完整；当在最后一幅图片中白色面包车消失时图中的边缘信息随即消失。相比于单尺度梯度边缘检测方法多尺度梯度法能更好地一致噪声的影响使得针对车辆信息提取的边缘特征更加清晰便于识别。5结语物体的边缘主要表现为不连续的图像局部特征例如灰度值和颜色突变。本文首先论述了复杂背景下文字信息边缘检测提取随后研究了基于小波变换的快速检测算法该算法结合了基于灰度图像和边缘图像的二进小波检测方法的各自优点减低了直接从灰度图像中提取时的算法复杂度并且解决了普通边缘提取算法带来的诸多对噪声敏感问题降低了误判率。最后通过实验将边缘检测技术应用于一系列不同时间段内的实际图像特征提取中观察各个时刻图像边缘特征的变化。参考文献[1]UsmanAkramM.TariqAnamBashirZabeelKhanShoabA.Gaussianmixturemodelbasedhandwrittennumeralcharac