基于共生矩阵和形态学的彩色图像的技术应用

基于共生矩阵和形态学的彩色图像的技术应用0 引言图像边缘是图像灰度值变化不连续的部分，可以粗略地分为阶跃边缘和屋顶边缘【1】。图像边缘的信息能勾勒物体轮廓框架，是数字图像研究领域的重要部分。多见的图像边缘检测方法有Sobel算法、Canny算法、Laplacian算法等，虽然这些算子简单方便，但不能适应各种类型的边缘检测，自适应性较差。有实验表明，彩色图像比灰度图像含有的边缘信息更为丰富，彩色图像大概有十分之一的边缘信息不能在灰度图像中检测得到【2】。由于RGB三个分量相关性较强【3】，对颜色感知不均匀，难以对色度、饱和度和亮度等进行数字化调整。因此，本文采用符合颜色视觉特性的颜色空间HSI。除此之外，由于光照不均匀，采集到的图像往往显得暗淡，其灰度值和动态范围都较小，需要采用二维共生矩阵直方图均衡化方法来解决。本文对彩色图像灰度值及动态范围较小的边缘检测算法进行研究。首先根据图像的整体及布局灰度级的分布，在空间域对图像进行二维共生矩阵直方图均衡化处理，增强图像整体对比度，使图像过渡自然、细节清楚，然后利用一种改进的HSI形态学彩色图像边缘检测方法，计算H、S、I三分量的数据信息，接着对其进行权分析和图像融合，最后得到彩色图像边缘。通过MATLAB实验，结果表明，本文算法检测准确率高，自适应效果好，是一种较好的检测方法。1 共生矩阵1.1 灰度共生矩阵概念灰度共生矩阵是一种像素距离和角度的的矩阵函数，再现了图像灰度在间隔、方向及变换范围的全部信息。它是通过统计分析一个图像中具有不同灰度状况的两个像素得到的，两个像素的方向和距离具有适当性。1.2 共生矩阵直方图均衡化2 HSI空间形态学梯度彩色图像边缘检测2.1 HSI模型与色差求解2.2 形态学梯度算子2.3 双结构元的形态学算法在数学形态学中，结构元素是一个最重要也是最基础的概念，不同的结构元素在同一幅图像中可用于提取、识别不同的图像形状或者目标。在单一的结构元素，提取图像的特性是大小完全相同的；而对于微小差异的结构元素，则无法提取他们的特性。本文采用文献的方法，即一种双结构元的形态学算子：其中，A是一种钻石型5x5的结构元素，B是一种十字型3x3的结构元素：A与B是两种不同尺度的结构元素，各有优点与缺点。对于A，尺度大，去除图像噪声能力强，但会失去一些边缘信息；对于B，尺度小，可以较好地保持边缘信息，但去除图像噪声能力较弱。由此可见，合理调整结构元素尺度的大小，可以有效抑制噪声并得到理想的边缘检测结果。本文采用改进的形态学梯度算子应用到基于共生矩阵和形态学的检测算法中，得到如下算子：2.4 本文算法的步骤针对在RGB空间中难以有效区分颜色相似性，光照不均匀的彩色图像存在灰度动态范围较低等问题，本文提出一种关于共生矩阵和形态学的边缘检测算法，检测算法描述如下。第一步：首先通过通过共生概率密度函数和累积分分布函数计算得到K个新的灰度级，然后根据式子计算共生直方图均衡后相邻像素之间的空间相关特性，根据式子对图像进行二维共生矩阵直方图均衡彩色图像增强。第二步：进行色彩空间转换，根据已知的RGB分量值，计算H分量、S分量以及I分量。第三步：利用H分量和式以及式计算多尺度边缘EHi（x，y）。其中，Bn为有限个结构元素序列，n为尺度参数。第四步：利用式计算融合后H分量的边缘检测信息EHi（x，y）。当中，权重系数为ai（i=1，2，3…，n），（a）在噪声较小或无的情况下图像取平均数值，即；（b）在噪声较大的情况下图像取非平均权重，即。第五步：对于S分量和I分量，同理重复第二、第三、第四步骤，得到S分量和I分量的边缘检测信息。第六步：将图像H分量、S分量、I分量的边缘数据信息进行图像融合统计处理，得到彩色图像边缘。3 仿真实验和分析本文使用的实验环境是MATLAB 7.0，第一步是对本文边缘检测算法进行实验，确保算法正确；第二步，为了保证检测算法的准确性与有效性，将本文算法与文献及Sobel算法、Canny算法等几种常见的边缘检测算法进行对比，如图2所示。从图2可知，经典的Sobel算子、Canny算子对噪声比较敏感，不能完整地勾勒图像的边缘；文献与文献优于经典算子，能够较好地抑制噪声，但显得不够清晰平滑；本文算法将噪声过滤较好，所检测的边缘轮廓较为清晰完整。客观来说，用图像峰值信噪比（PSNR）对实验图像进行定量分析，PSNR越大，代表保留的图像信息越多。本文算法和两种传统算法Sobel和Canny以及文献共五种算法的PSNR计算结果如表1所示。4 结束语针对在RGB空间中难以有效区分颜色相似性的问题，本文提出一种关于共生矩阵和形态学的边缘检测算法。该方法首先通过利用图像的整体及布局灰度级的分布，在空间域对图像进行二维共生矩阵直方图均衡化处理，然后采用形态学梯度算子对H、S、I的三分量进行权分析和图像融合得到彩色图像边缘。与传统算法相比，本文所提出的算法更能有效地保持边缘信息，是一种有效的边缘检测方法。参考文献：【1】 J X SUN， GU DB. A multiscale edge detection algorithm based on velet domain vector hidden Markov tree model. Pattern Recognition，2004.37（7）：1315-1324【2】 NEVATIA R.A color edge detector and its use in scene egmentation.IEEE Trans on Systems，1977.7（11）：820-826【3】 杨益，何颖.基于RGB空间的车道线检测与辨识方法.计算机与现代化，2014.2：86-90【4】 杨冰清，田小平，吴成茂.基于共生矩阵的彩色图像增强算法.计算机应用，2012.9（32）：2573-2584【5】 姚宇峰，夏开建，钟珊等.改进的形态学和小波变换边缘检测算法研究.计算机工程与应用，2011.47（21）：214-216【6】 王佐成，唐素，薛丽霞等.多方向模糊形态学彩色图像边缘检测算法.计算机应用研究，2010.27（10）：3971-3973【7】 徐杰.数字图像处理.华中科技大学出版社，2009. 徐国保，王骥，赵桂艳等.基于数学形态学的自适应边缘检测新算法.计算机应用，2009.29（4）：997-1002 罗圣敏.改进的彩色图像边缘检测算法仿真研究.计算机仿真，2011.28（7）：301-304李依令.基于多尺度多结构元素的数学形态学边缘检测.科学技术与工程，2006.6（10）：1417-1419 毛若羽，陈相宁.改进的HSI空间形态学有噪彩色图像边缘检测.计算机应用研究，2013.30（2）：635-637 李艳灵，沈轶.基于空间邻域信息的FCM图像分割算法.华中科技大学学报（自然科学版），2009.37（6）：56-59 段瑞祥，李庆祥，李玉和.图像边缘检测方法研究综述.光学技术，2005.31（3）：415-419