改进的sobel算法和色调信息的叶脉提取 c语言,改进的Sobel算子彩色图像边缘检测...

摘 要： 为了解决传统灰度图像边缘检测中容易出现的边缘定位偏差、边缘丢失以及边缘不连续等问题，结合传统的Sobel梯度边缘检测方法和图像阈值分割技术，提出了一种改进的Sobel算子彩色图像边缘检测方法。通过对比试验结果表明，该方法可以有效地降低色彩边缘的误检率，一定程度上提高了边缘检测器的性能。

关键词：Sobel；阈值分割；边缘检测

图像边缘检测是许多计算机视觉系统中的关键组成部分，并广泛应用于轮廓、特征提取、模式识别及纹理分析等领域。在灰度图像中，边缘是指灰度的不连续处，但对彩色图像、彩色边缘并没有明确的定义[1]。彩色边缘基准检测是至今没有公认的、可用的彩色模式，但没有明确制定评价“彩色边缘”的可观测度标准。Novak[2]等研究发现，彩色图像边缘中大约90%与灰度图像边缘相同, 但是还有10%的边缘单纯靠灰度图像是检测出来，这些边缘来自颜色的变化，因此将彩色图像灰度变化后检测出来的边缘是存在缺失的。

本文首先分解彩色图像的RGB分量，然后使用Sobel梯度算子计算各分量在x和y方向上的梯度值，得到彩色轮廓边缘图像，再利用图像阈值分割技术获得合理的阈值，并将边缘图像二值化,以获得清晰的边缘轮廓图像。实验结果证明，本文的方法鲁棒性好，边缘定位准确，能够获得比传统的边缘检测算子更多的边缘轮廓信息。

1 彩色边缘

对于彩色边缘有很多种定义，有学者认为彩色图像中的边缘,即是其亮度图的边缘[3]，但是该定义忽略了色调饱和度的不连续性；也有人提出如果至少有一个彩色分量存在边缘[4]，那么彩色图像就存在边缘，但是这个定义会导致在单个彩色通道确定边缘带来的准确性问题；还有人提出基于单色的彩色边缘定义[5]，它借助对三个彩色分量的梯度绝对值之和来计算，如果梯度绝对值的和大于某个阈值，就判断存在彩色边缘。这三种定义均忽略了矢量分量间的联系，因为一幅彩色图像表示了一个矢量值的函数，彩色信息的不连续性可以用矢量值的方法来定义。

4 实验结果及分析

本实验使用国际标准测试图像彩色Lena在Matlab 7.0软件平台下进行测试。输入标准测试图像如图1所示，通过本文改进的Soble算子对RGB彩色图像进行三通道分解，按照式(2)分别计算各分量在x和y方向上的梯度值，设置大于门限值d的像素值为1,否则置为0,得到如图2所示彩色轮廓边缘图像。将彩色图像灰度化如图3所示。可以看出此时的边缘轮廓图像噪声范围较大，再通过三种图像阈值分割方法获得合理的阈值，将边缘图像二值化，获得最终的边缘轮廓图像。

其中，方法(1)利用获得的彩色轮廓边缘图像，通过灰度直方图的阈值选取获得边缘图像如图4所示；方法(2)将彩色轮廓边缘图像通过最大熵的阈值分割获得边缘图像如图5所示；方法(3)将彩色轮廓边缘图像通过最大类间方差分割阈值获得边缘图像,如图6所示。

三种阈值分割方法相比，最大熵阈值和最大类间方差分割算法要优于直方图阈值选取算法，而最大熵阈值和直方图阈值选取算法的优点在于运算复杂度稍低，运算时间较短。

将彩色图像直接转化成灰度图以后再使用传统canny算子、soble算子和prewitt算子进行边缘检测的结果效果图如图7~图9所示。

还没注册？ 现在免费注册，您即可： ?阅读所有技术文章及下载网站资料; ?定期获得业界最新资讯及设计实例; ?拥有个人空间参与网站及客户活动; ?撰写博客与业界朋友交流分享经验; 已经注册? 登录阅览全部精彩内容 用户名： 密码：