基于谱聚类的边缘检测方法

文档序号:9376854阅读:606来源:国知局
基于谱聚类的边缘检测方法
【技术领域】
[0001] 本发明涉及图像处理领域,具体为一种基于谱聚类的边缘检测方法。
【背景技术】
[0002] 图像边缘处理是目标识别的基础步骤,得到边缘的清晰程度直接影响目标检测的 成功率,因此边缘检测问题一直以来是图像处理领域的热点话题之一。尽管已吸引大量研 究者广泛关注,但带噪图像的边缘检测问题仍面临着巨大的挑战。
[0003] 常见的边缘检测算子包括Sobel算子Prewitt算子等。基于微分的边缘提取算法 的基本思想是辨别局部最大值或一阶偏导和二阶偏导的零交叉点,这些算法虽然运算简单 但对噪声较为敏感。另外,在这些算法中,阈值的选择问题对边缘检测的结果影响很大,但 是如何选择最优阈值是这些算法面临的主要问题之一。随着数学工具与人工智能算法的发 展,一些新处理工具的引进,如小波变换,曲线演化和磁滞技术在某种程度上提高了边缘检 测的性能,但是,针对高频噪声污染的图像,上述算法往往失效,因为高频噪声污染点也是 局部最大点或者一阶偏导和二阶偏导的零交叉点,因此,传统的边缘检测算法在处理高频 污染图像时往往失效,不能得到清晰的边缘图像。

【发明内容】

[0004] 本申请的目的在于提供一种基于谱聚类的边缘检测方法,为了解决高频污染图像 的边缘提取问题以及阈值选择问题。
[0005] 为了达到上述目的,本发明采用以下技术方案:
[0006] 一种基于谱聚类的边缘检测方法,其步骤为:
[0007] 步骤一:数据集构建,在一幅灰度图像中,将一个s X s大小的窗口视为数据 集X中一个样本点,将该灰度矩阵(mXn)扩展到(m+s-1, η+s-l),其前(s-l)/2和后 (s-l)/2行和列均填充零,通过将所有的数据点按列的形式进行排列,即可得数据集X = [Xl,x2, x3, ...,xN],数据集中的每一列即为该簇中的一个数据点;
[0008] 步骤二:相似矩阵的构造,通过利用数据点的相似信息,将数据集分为两部分,不 同于获取每个数据点的局部信息,通过捕获仿射子空间中数据点集合的曲率多模相似性, 来避免在处理子空间交叉区域点的复杂操作,每个顶点的极正弦可以表示为:
[0009]
II)
[0010] 其中ZliZ2, · · ·,乙似是Rd空间互异的d+2各数据点,V Jz1, Z2, · · ·,zd+2)为(d+l) 个单纯点的集合,定义如下:
[0011]
(?
[0012] 其中diam⑶表示该数据集S的直径,当d = 0时,该极曲率与欧氏距离相吻合; 利用上述极曲率Cp和固定常数〇,构造数据集中任意采样的d+2个数据点的多维相似度,
[0013] ⑶
[0014] 通过式(3),相似矩阵可以构造为下式:
[0015] W = A · A' (4)
[0016] 从⑷式可以计算出数据集X中数据点的相似度,位于相同子空间的数据点的相 似度大于子空间互异数据点的相似度,两个数据点的相似度越大,两个点越有可能位于相 同的类中,为对所提聚类算法进行评估,采用平均正交最小二乘估计误差e as;
[0017] 步骤二:算法流程为:
[0018] (1)初始化:对于待检测图像,通过步骤一中方法构造数据集X,数据点的维度为 d(l彡d彡S2),且样本子空间的分类平面K = 2,采样列数为c,其默认值为100 ;
[0019] (2)聚类:使用中SCC算法对数据集X进行处理;
[0020] (3)二值化=C1中聚类的样本数据灰度值根据它的位置设定为1 ;同样,C2中的数 据点灰度值设为〇。我们定义该二值图像为A ;
[0021] (4)我们称β㈧为A的边缘数据集,且β㈧=Α-(ΑΘΒ),其中B为正确的边缘 点集合,(Α Θ Β)表示B对A的腐蚀;
[0022] 步骤四:复杂度分析,所提算法的复杂度采用SCC算法,假设ns表示每个样本点的 迭代次数,那么SCC总的运行时间数量级为W十丨) :,;
[0023] 步骤五:结果验证。
[0024] 本发明的有益效果为:
[0025] 高频污染图像的噪声得到了很好的抑制和消除;
[0026] 从视觉效果来看,本发明所提方法明显优于canny算子;
[0027] 可以很好的解决高频污染图像的边缘提取问题以及阈值选择问题;
[0028] 当噪声点位于平滑点和边缘点以外的子空间中,能够有效处理噪声数据。
【附图说明】
[0029] 图1数据集构造过程
[0030] 图 2 (a) 'cameraman' 的原始图像;
[0031] 图2(b)在图(a)上加椒盐噪声;
[0032] 图 2(c)s = 3 ;
[0033] 图 2 (d) s = 5 ;
[0034] 图 2 (e) s = 7 ;
[0035] 图 2 (f) s = 9 ;
[0036] 图 3 (a) BSDS500 图像集中 37073 ;
[0037] 图3(b)图(a)的二值图像;
[0038] 图3(c)图(b)的边缘特征提取;
[0039] 图3(d)给图(a)的灰值图像添加椒盐噪声;
[0040] 图3(e)是图3(d)使用canny算子的边缘特征;
[0041] 图3 (f)是图3 (d)使用所提算法的边缘特征。
【具体实施方式】
[0042] 基于图像是由光滑点和边缘点组合而成,因此我们就可以把图像边缘检测问题看 做是二值分类问题,即在仿射子空间混合的图像平滑点和边缘点的分类问题。通过估计每 一个平面的相关参数以及与其相关的数据点之间的分布特点,SCC有望能够解决该分类问 题。特别地,当噪声点位于平滑点和边缘点以外的子空间中,SCC能够有效处理噪声数据, 其处理步骤如下:
[0043] 步骤一:数据集构建
[0044] -个像素的空域特征信息取决于它的邻域。因此,在一幅灰度图像中,将一个sX s 大小的窗口(可以转换为S2Xl的矢量)视为数据集X中一个样本点。特别地,位于第一 行或第一列的灰度值并没有较多的邻域。为解决该问题,我们将该灰度矩阵(mXn)扩展到 (m+s-l,n+s-l),其前(s-1)/2和后(s-1)/2行和列均填充零,为了更好的说明这一过程,示 意图如图1示。
[0045] 通过将所有的数据点按列的形式进行排列,即可得数据集X = [X1, x2, x3,...,xN], 数据集中的每一列即为该簇中的一个数据点。
[0046] 步骤二:相似矩阵的构造
[0047] 通过利用数据点的相似信息,我们可以将数据集分为两部分。不同于获取每个数 据点的局部信息,我们通过捕获仿射子空间中数据点集合的曲率多模相似性,来避免在处 理子空间交叉区域点的复杂操作。每个顶点的极正弦可以表示为:
[0048]
(1)
[0049] 其中 Z1, Z2, · · ·,冗抑是 Rd空间互异的 d+2 各数据点,V d+1 (Z1, Z2, · · ·,zd+2)为(d+1) 个单纯点的集合,定义如下:
[0050] (2)
[0051] 其中diam⑶表示该数据集S的直径。注意到,当d = 0时,该极曲率与欧氏距离 相吻合。利用上述极曲率Cp和固定常数〇,我们构造数据集中任意采样的d+2个数据点的 多维相似度,
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1