图像边缘检测技术发展综述

侯小丽

（太原城市职业技术学院，山西 太原 030027）

图像边缘检测技术发展综述

侯小丽

（太原城市职业技术学院，山西 太原 030027）

图像边缘检测是图像处理与分析中最基础的内容之一，论文就图像边缘的几种检测技术进行了讨论和研究，并对进一步的研究作了展望。

图像检测技术；图像边缘；边缘检测

图像是最直接的视觉信息，包含着最原始的巨大信息，其中最重要的信息是由它的边缘和轮廓提供的。图像边缘是图像最基本的特征,边缘中包含着有价值的目标边界信息，这些信息可以用于图像分析、目标识别以及图像滤波。所谓边缘，是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。图像边缘检测是图像处理与分析中最基础的内容之一，同时由于成像过程中的投影、混合、畸变和噪声等导致图像特征的模糊和变形，且图像边缘和噪声均为频域中的高频分量，给边缘检测带来了困难。边缘检测的难题是检测精度与抗噪性能之间的矛盾。对于图像边缘检测，寻求算法较简单、能较好解决边缘检测精度与抗噪性能协调问题的算法，一直是图像处理与分析研究的主要问题之一。图像边缘检测通常有经典的基于微分、基于小波与分形理论、基于数学形态学，以及近年来发展的基于模糊学、基于神经网络、基于遗传算法等多种图像边缘检测方法。

一、微分边缘检测技术

图像边缘检测与提取的研究一直贯穿于图像处理与分析的始终，传统的图像边缘检测方法大多可归结为图像高频分量的增强过程，微分运算是边缘检测与提取的主要手段。人们最早提出了一阶微分边缘算子,如Robert算子、Sobel算子、Prewitt算子和Kirsh算子等，这些算子由于梯度或一阶微分算子通常在图像边缘附近的区域内产生较宽的响应,即使用一阶微分算子的方法多是在梯度值大于某一值时就认为此点是边缘点，但这种方法导致检测的边缘点太多。故采用上述算子检测的边缘图像常需作细化处理，这就影响了边缘定位的精度。

一种更好的方法就是求局部的最大值点，并认为它们是边缘点,这样就变成了求图像的二阶微分，一阶导的最大值对应的是二阶导的过零交叉点，利用二阶导数零交叉所提取的边缘宽度为一个像素，所得的边缘结果无需细化,有利于边缘的精确定位。实际上拉普拉斯算子在机器视觉中并不太常用，因为任何包含有二阶导数的算子比只包含一阶导数的算子更容易受噪声影响，甚至于一阶导数很小的局部峰值也能导致二阶导数的过零点。为了避免噪声的影响必须采用特别有效的滤波方法，解决这一问题的算法就是LOG算法，图像首先与高斯滤波器进行卷积，这样平滑了图像又降低了噪声,将孤立噪声点和较小的结构组织滤除，由于平滑后会导致边缘的延展，因此边缘检测器只考虑那些具有局部梯度最大值的点作为边缘点。二阶微分形式的边缘检测算子是目前边缘检测的主要手段之一。

边缘检测的基本问题是检测精度与抗噪性能间的矛盾。由于图像边缘和噪声均为频域中的高频分量，简单的微分运算会增加图像中的噪声，因此，在微分运算之前应采取适当的平滑滤波以减少高频分量中噪声的影响。针对此问题，产生了Canny边缘检测技术，Canny提出了由四个指数函数线性组合形成的最佳边缘检测算子，其方法的实质是用一个准高斯函数作平滑运算，然后以带方向的一阶微分定位导数最大值，它可用高斯函数的梯度来近似，属于具有平滑功能的一阶微分算子。

Canny边缘检测的基本思想是在图像中找出具有局部最大梯度幅值的像素点，检测阶跃边缘的工作集中在寻找能够用于实际图像的梯度数字逼近，图像梯度的逼近必须能抑制噪声且必须能精确地确定边缘的位置。Canny算子边缘检测的方法是寻找图像梯度的局部最大值，梯度是用高斯滤波器的导数计算的。Canny方法使用两个阈值来分别检测强边缘和弱边缘，而且仅当强边缘和弱边缘相连时，弱边缘才会包含在输出中。因此，此方法不容易受噪声的干扰，能够检测到真正的弱边缘，Canny算子对检测阶跃性边缘时效果极好，去噪能力强，但由于检测阈值固定，当检测具有模糊边缘的图像时，很可能导致平滑掉部分边缘信息。因此，为了能更精确地检测出目标边界，可先对图像进行预处理，将其分割成若干子图像，然后针对每幅子图像中具体情况选用不同的阈值，采用针对各子图所选择的阈值对图像进行动态阈值分割，实际应用时可以根据需要来调整子图像的大小，以获取所需的大小。

二、基于小波与分形理论边缘检测技术

小波分析是当前应用数学和工程中一个迅速发展的领域。随着小波理论和分形理论的广泛应用，20世纪90年代初期关于小波理论的边缘检测方法和基于分形特征的边缘检测与提取方法也相继出现。基于小波理论的边缘检测方法因小波理论时频分析的优越性而优于一般的传统图像边缘检测方法，它可检测出图像在不同尺度下的边缘特征。

小波变换在时域和频域同时具有良好的局部化性质，它能将信号或图像分解成交织在一起的多种尺度成分，并对大小不同的尺度成分采用相应粗细的时域或空域取样步长，对高频信号细处理，对低频信号粗处理，从而能够不断聚焦到对象的任意微小细节。边缘检测的是找出信号突变部分的位置，这在数学上常表示为间断点、尖点等。而在图像信号上，这些奇异点就是图像的边缘点。由于实际图像的空间频率成分十分复杂，用普通的方法直接提取边缘往往并不是十分有效，而用小波变换可以将图像分解成不同频率成分的小波分量，然后再从这些不同层次的小波分量中找出信号本身的特征以便更有效提取边缘像素。虽然小波正交基用途广泛，但也存在着不足，尤其是小波正交基的结构复杂。

三、基于数学形态学的边缘检测技术

数学形态学是20世纪60年代由法国科学家Serra和德国的Matheron提出的，到20世纪70年代中期完成了理论论证。数学形态学是分析几何形状和结构的数学方法,是建立在集合代数基础上,用集合论方法定量描述几何结构的科学。数学形态学由一组形态学的代数运算子组成。最常用的有7种基本变换,分别是膨胀、腐蚀、开、闭、击中、薄化、厚化。其中膨胀和腐蚀是两种最基本最重要的变换，其他变换由这两种变换的组合来定义。用这些算子及其组合进行图像形状和结构的分析处理包括图像分割、特征抽取、边缘检测等方面的工作。因而不同于其他的图像处理理论(如空间域、频率域的变换方法)，是一种用于图像处理的新理论和新方法。基于数学形态学的图像边缘检测方法与微分算子法、模板匹配法等常用的边缘检测方法相比，具有算法简单、运算速度快、效果好等优点。用形态学边缘检测方法所得的结果图像，在边缘的连续性及各向同性方面都优于传统方法，形态学边缘检测方法对图像细节和边缘定位也有相当好的效果，所检测出的边缘宽度与所使用的结构元素形状和大小密切相关，当结构元素的尺寸(刻度数)增大时，检出的边缘宽度将随之增大。因而，合理地调节结构元素的尺寸将能有效地去除噪声并能很好地保护细节。

四、基于模糊学的边缘检测技术

图像处理过程实际上是对图像灰度矩阵的处理过程。图像像素的灰度值都是一些确定值，图像的模糊化就是将图像灰度值转换到模糊集中，用一个模糊值来代表图像的明暗程度。模糊梯度法是基于图像灰度梯度变化的原理而产生的。利用模糊理论的不确定性来反映图像灰度梯度变化过程的模糊性，并根据像素的隶属度来确定边缘穿越的位置，可使边缘检测更加准确。但由于其算法的复杂性，实现很困难。

五、基于神经网络的边缘检测技术

近年来，人工神经网络正广泛地被用于模式识别、信号与图像处理、人工智能及自动控制等领域。神经网络的主要问题是输入与输出层的设计问题、网络数据的准备问题、网络权值的准备及确定问题、隐层数及结点的问题、网络的训练问题。图像边缘检测本质上属于模式识别问题，而神经网络能很好地解决模式识别问题。因此，用样本图像对多神经网络进行训练，将训练后的网络再进行实测图像的边缘检测。在网络训练中，所提取的特征要考虑噪声点和实际边缘的差异，同时去除噪声点形成的虚假边缘，因此该方法具有较强的抗噪性能。在学习算法的设计中，常规的对图像进行混合的结构训练样本对于神经网络性能具有重要影响。使用神经网络的方法得到的边缘图像边界连续性较好、边界封闭性好，而且对于任何灰度图的检测可以得到很好的效果。

六、基于遗传算法的边缘检测技术

遗传算法是一类基于自然选择和遗传学原理的有效搜索方法，许多领域成功地应用遗传算法得到了问题的满意解答。虽然GAs(GeneticAlgorithms)通常是在并行计算机上实现，而大规模并行计算机的日益普及，又为并行GAs奠定了物质基础。对于图像的边缘提取，采用二阶的边缘检测算子处理后要进行过零点检测，其计算量很大而且硬件实时资源占用空间大且速度慢，所以学术界提出了一种二次搜索寻优的阈值选取策略。通过遗传算法进行边缘提取阈值的自动选取，能够显著地提高阈值选取的速度，可以对视觉系统所产生的边缘图像进行阈值的实时自动选取，增强了整个视觉系统的实时性。

综上所述，在图像边缘检测领域有微分方法、基于小波与分形理论的方法，以及基于形态学、基于模糊学、基于神经网络和基于遗传算法等多种检测手段。它们都不是一种具有绝对优势的方法，有的方法边缘检测精度高，但抗噪声性能较差；有的方法解决了抗噪声性能差的问题，但检测精度又不够；还有一些算法尽管在一定程度上较好地解决了上述两者的协调问题，但算法复杂、实现困难、运算时间长。可见，无论哪一种边缘检测算法在解决一定问题的同时也存在不同类型的缺陷。实质上边缘检测作为视觉的初级阶段，通常认为是一个非良态问题，很难从根本上解决。因而，寻求算法较简单、能较好解决边缘检测精度与抗噪声性能协调问题的边缘检测算法将一直是图像处理与分析中研究的主要问题之一，还有待许多工作进一步研究。

［1］冯俊萍,赵转萍,徐涛.基于数学形态学的图像边缘检测技术［J］.航空计算技术，2004，（3）：53-56.

［2］阮秋琦，阮宇智.数字图像处理［M］.北京：电子工业出版社，2004：420-445.

［3］张伟伟，刘学锋.基于数学形态学的图像边缘检测研究［J］.计算机与数字工程，2006，（9）：59-60.

［4］王慧燕.图像边缘检测和图像匹配研究及应用［D］.浙江大学博士学位论文，2003：1-32.

［5］周德龙,潘泉.图像模糊边缘检测的改进算法［J］.中国图像图形学报，2001，（4）:353-358.

TN

A

1673-0046（2010）10-0161-02