高速公路目標(biāo)邊緣檢測的算法對比分析

摘要：目標(biāo)邊緣檢測是高速公路目標(biāo)辨識的關(guān)鍵技術(shù)。雖然現(xiàn)在有多種邊緣檢測算法，但是不同算法有著各自的適用范圍，通過對比Roberts算子、Prewitt算子、Sobel算子和Canny算子等算子，并以高速公路高清監(jiān)控采集的視頻截圖作為樣本，采用不同邊緣檢測算法對車輛、護欄等高速公路上的主要目標(biāo)進行對比分析。計算結(jié)果表明，對于高速公路上的主要目標(biāo)識別而言，Prewitt算子具有相對較好的邊緣檢測效果。

引言

　　邊緣檢測是比較基礎(chǔ)的圖像處理方法之一，可以用來解決很多計算機中存在的視覺問題^[1]。邊緣檢測得以實現(xiàn)的主要原因是圖像背景和目標(biāo)物體在某種特征上存在著一些微小的差異。差異有顏色、灰度值以及紋理。邊緣檢測的目的是找到其中目標(biāo)物最相關(guān)的邊緣。這些邊緣被連接在一起組成邊界，從而將目標(biāo)圖分割成各個不同的特征區(qū)域。邊緣被定義為兩個在某種特征上有顯著特點的圖像之間的邊界。邊界其實就是一個特征區(qū)域漸漸過渡到另一個特征區(qū)域的界限，因此，其分割所形成區(qū)域的屬性和內(nèi)部區(qū)域是一致的^[2]。

　　在研究中主要考慮的是灰度圖像的邊緣，其常常受強度函數(shù)尖銳變化的影響。不過我們還是需要了解理想邊緣與斜坡邊緣的差別。由于模糊和噪聲的存在，檢測到的邊界很可能因其而出現(xiàn)部分?jǐn)帱c或變寬。

　　因此，邊緣檢測可以劃分為兩個基本部分：

　　1)將反映灰度變化的邊緣點分離出來;

　　2)填充間斷點或去除間斷點，使其鏈接成一條線。

　　邊緣檢測時，一般將其劃分為三個部分，即：

　　1)噪聲消減：由于二階導(dǎo)數(shù)和一階導(dǎo)數(shù)極易受噪聲影響，最好在檢測前先對圖像進行去噪處理;

　　2)檢測邊緣點：使用局部算子來檢測邊緣，一般局部算子都應(yīng)只對邊緣有較強響應(yīng)，從而得到輸出圖像;

　　3)邊緣定位：對得到的結(jié)果進行后續(xù)處理，使其成為一條有意義的線，便于人眼觀察。

　　數(shù)學(xué)中關(guān)于邊緣檢測的算子有Prewitt算子、Sobel算子、Roberts算子、Canny算子、Kirsch算子、Robinson算子、Laplace算子以及Laplace-Gaussian算子^[3]。Laplace算子和Laplace-Gaussian邊緣檢測算子可以用于邊緣檢測，但是它們的使用并不普遍[4]。Laplace算子不依賴邊緣方向，可以準(zhǔn)確地尋找到邊緣點的具體位置并把他們提取出來，但是由于Laplace算子本質(zhì)上是二階導(dǎo)數(shù)，其對噪聲有著極強的識別能力，使得圖像中的噪聲有著不降反增的趨勢，造成了邊緣的不連續(xù)性。Laplace-Gaussian算子解決了Laplace算子較差的抗噪聲能力的問題，但實際上是以平滑掉原有的較尖銳的邊緣為代價，最后可能導(dǎo)致的后果就是結(jié)果中相對來說明顯不圓滑的邊緣將很有可能不被計算機提取整合出來，存在邊界誤差大、定位精度低的問題。在實際分析中，Prewitt算子、Canny算子、Roberts算子以及Sobel算子是常用的算子，下面對其進行研究。

1 邊緣檢測算法的理論分析

　　邊緣檢測最簡單的方式是通過估計一個像素內(nèi)的灰度梯度來得到，同時可以用一階導(dǎo)數(shù)來代替梯度，例如

(1)

(2)

1.1 Roberts算子

　　Roberts算子可以由上式中的一階導(dǎo)數(shù)近似得到^[5]。Roberts算子是利用局部差分算子來尋找邊緣的算子，其在處理有著陡峭低噪聲的目標(biāo)圖像方面有著很強的能力，它的2×2的矩陣符號表示為：

(3)

(4)

　　當(dāng)采用1范數(shù)來衡量梯度的幅度時。

　　這些梯度在3×3的領(lǐng)域內(nèi)一般用卷積計算，即

(5)

(6)

　　(5)、(6)式中h_x和h_y表示恰當(dāng)?shù)木矸e模核。

1.2 Prewitt算子

　　Prewitt算子稱為最簡單的核對，其在處理灰度漸變和噪聲較多的圖像時效果較好^[6]。其對應(yīng)系數(shù)矩陣如下：

(7)

　(8)

　　其輸出時采用∞范數(shù)。

1.3 Sobel算子

　　Sobel算子是一種與Prewitt算子極其類似的核對算子^[7]，不過差別是它更偏重于軸上的像素，其在處理灰度漸變和噪聲較多的圖像時得到的結(jié)果看起來較好，如下式：

(9)

(10)

　　采用∞范數(shù)來衡量梯度的幅度。

1.4 Canny算子

　　Canny算子是現(xiàn)在使用最多，最有效且使用范圍最廣的邊緣檢測算子之一^[8]。Canny算子是用高斯濾波器計算出來導(dǎo)數(shù)來計算圖像中的梯度，其實際上就是尋找測試圖像里面計算梯度的局部極大值。Canny算子在檢測弱邊緣和強邊緣時，使用兩個不同的閾值來完成，而且弱邊緣的輸出只在強邊緣與弱邊緣串聯(lián)在一起的時候才會發(fā)生，故其受噪聲的干擾較少，可以用來檢測那些弱邊緣，但其最終結(jié)果中的邊界連貫性較差。它的具體算法可以解釋為：

　　1)用高斯低通濾波器來對輸入的目標(biāo)圖像進行平滑處理操作的時候，要先指定一個合適的σ值，消除較大噪聲可以采用大的σ值，不過是以減弱可能相關(guān)的邊緣為代價來實現(xiàn)的;

　　2)進行平滑處理之后，圖像中每個點的局部區(qū)域?qū)嶋H上就是計算強度和方向;

　　3)由第二步得到的邊緣點可以構(gòu)成寬的山脊。利用一些算法將這些山脊細(xì)化，用非最大消除法保留下各個山脊中頂峰的像素;

　　4)用T_low和T_high兩個閾值將山脊像素閾值化，這個過程被稱為滯后閾值化。弱邊緣像素可以被認(rèn)為是在T_low和T_high兩個閾值之間的山脊像素;

　　5)最后進行邊緣連接，實質(zhì)上就是聚集于強邊緣連接的弱邊緣。

　　除上述四種算法外，還有一種零交叉方法，是先用指定的濾波器來濾波，然后再將零交叉點做出輸出的邊緣。

2 不同算法的對比研究

　　上述邊緣檢測方法都有不同的適用范圍，這里選取某高速公路高清視頻的截圖作為原圖像，用于對比分析，如圖1所示。該高清視頻的分辨率為200萬像素，視頻為上午10點多錄制，畫面質(zhì)量相對較好。

　　分別對圖1所示圖像使用Canny算子、Sobel算子、Prewitt算子以及Roberts算子進行邊緣檢測操作。

2.1 Canny算子

　　采用Canny算子計算的圖像邊緣如圖2所示。雖然Canny算子是在最優(yōu)化思想的基礎(chǔ)上提出的，但是由于理論與實際存在著很大差距，因此最終得到的實際效果并不一定可以達(dá)到最優(yōu)化。該算子會將一些相對其他邊緣頻率較高的邊緣也一起平滑掉，會導(dǎo)致一些邊緣的損失，同時該算子因為使用的是高斯函數(shù)，并以此來對圖像進行的一個平滑處理操作，故其可以更有效地抑制噪聲。Canny算子采用的是雙閾值法來進行邊緣的檢測以及將邊緣依次按順序完美地組合起來，同時因其采用了方向性搜索和多尺度檢測從而使其自身性能優(yōu)于LoG算子。

2.2 Sobel算子

　　采用Sobel算子所計算的圖像邊緣如圖3所示。Sobel算子因其對圖像中像素對與邊緣位置的影響采取了一系列的加權(quán)處理，故所得結(jié)果的邊緣模糊程度得以降低，而且效果很好。因為Sobel算子是以濾波算子為形式的，當(dāng)其用于邊緣提取時，可以較快調(diào)取卷積函數(shù)并使用，達(dá)到既方便又準(zhǔn)確的好處，故其使用范圍較為廣泛。但是由于其并未把圖像的主體和背景區(qū)分開來，不符合人視覺習(xí)慣，從而提取到的輪廓效果尚不夠清晰。

2.3 Prewitt算子

采用Prewitt算子所計算的圖像邊緣如圖4所示。Prewitt算子首先會對目標(biāo)圖像進行一個加權(quán)平滑的操作，然后再對其做微分處理，雖然Sobel算子也會就目標(biāo)圖進行一個加權(quán)平滑的操作過程，但是它們在加權(quán)部分的權(quán)值還是存在差別的。因此其可以有效抑制圖像中的噪聲成分，盡管我們已經(jīng)就這個問題做了大量的工作，但是依舊會存在一些錯誤的邊緣出現(xiàn)在最終檢測結(jié)果中。

　　對比圖3和圖4可以發(fā)現(xiàn)，雖然Prewitt算子與Sobel算子都可以準(zhǔn)確地進行邊緣查找工作，但是圖像邊緣存在像素寬度異常的問題。

2.4 Roberts算子

　　采用Roberts算子所計算的圖像邊緣如圖5所示。Roberts算子是通過計算圖像中一些局部的差分算子進而來找到物體的邊緣，所以他可以準(zhǔn)確地確定邊緣點所在的位置，不過它又較易忽略一些邊緣的缺點，并且因為它并未對圖像進行平滑的操作，故不能抑制噪聲。該算子最適合用于噪聲低且邊緣陡峭的圖像中。

　　通過仿真計算，對比上述邊緣檢測算法得到的圖像可以看出，Prewitt算子檢測得到的圖像線條清晰、畫面整潔、噪點較少，說明該算法更適用于高速公路高清視頻所采集的圖像的邊緣檢測。

　　此外，將Prewitt算子用于動漫圖像的邊緣檢測時，計算效果較差，表明在選用邊緣檢測算法時應(yīng)結(jié)合適當(dāng)?shù)膽?yīng)用背景。

3 結(jié)論

　　雖然每個邊緣檢測算子都有著自身的優(yōu)勢，但在多次對不同圖像進行仿真過程中，依據(jù)邊緣檢測得到的圖像效果可以判斷，Prewitt算子對高速公路監(jiān)控視頻的邊緣檢測效果優(yōu)于其它算子，檢測出來的結(jié)果線條更加清晰明了，便于肉眼觀察和后續(xù)計算，遠(yuǎn)處的車輛輪廓也可以清楚地看到，而且很容易區(qū)分車輛的類型，其中轎車和大卡車尤為明顯。對于高速公路的高清視頻監(jiān)控而言，邊緣檢測效果從好到差的排序依次是Prewitt算子、Sobel算子、Roberts算子和Canny算子。

參考文獻(xiàn)：

　　[1] 李安安. 幾種圖像邊緣檢測算法的比較與展望[J].大眾科技.2009(12)

　　[2] 張琳. 基于Kirsch算子的圖像邊緣檢測[D].東北石油大學(xué).2014

　　[3] 李武. MATLAB中圖像邊緣檢測算法研究[J].遼寧省基礎(chǔ)測繪院.2014(03)

　　[4] 吳曦. 基于MATLAB的圖像邊緣檢測算法的研究和實現(xiàn)[D].吉林大學(xué).2014

　　[5] 王靜,李竹林,賀東霞,王蓓,李智. 基于邊緣檢測的各種算子及其特點[J]. 延安大學(xué)學(xué)報(自然科學(xué)版).2014(01)

　　[6] 孫紅艷,張海英. 圖像邊緣檢測算法的比較與分析[J].菏澤學(xué)院學(xué)報.2010(03)

　　[7] 何春華,張雪飛,胡迎春. 基于改進Sobel算子的邊緣檢測算法的研究[J]. 光學(xué)技術(shù).2012(03)

　　[8] 徐亮,魏銳. 基于Canny算子的圖像邊緣檢測優(yōu)化算法[J].科技通報.2013(07)

本文來源于中國科技期刊《電子產(chǎn)品世界》2016年第4期第48頁，歡迎您寫論文時引用，并注明出處。