基于改进Canny算子的铁轨边缘检测方法

李丹丹，侯 涛，魏世鹏,2

（1.兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070；2.中国人民解放军部队，甘肃 定西 730500）

基于改进Canny算子的铁轨边缘检测方法

李丹丹1，侯 涛1，魏世鹏1,2

（1.兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070；2.中国人民解放军部队，甘肃 定西 730500）

边缘检测是铁轨异物入侵检测的关键技术，针对铁轨图像边缘检测效果不佳的问题，设计了一种基于改进Canny算子的边缘检测算法。通过极值中值滤波平滑图像，提出加权系数梯度幅值和方向计算方法，并采用改进的迭代式阈值分割方法来确定Canny算子的最优高、低阈值，从而实现铁轨边缘的精确检测。对检测结果进行定性定量分析，结果表明，该方法提高了边缘检测定位精度，有较好的连续性、抗噪性能和清晰度。

铁轨；边缘检测；Canny算子；加权系数；迭代式阈值分割

随着我国铁路的发展，列车车速不断提高，采用具有实时性的铁路路障检测系统来保障列车安全行驶是未来发展的必然趋势[1]。而铁轨边缘检测是铁轨异物入侵检测系统的关键技术，铁轨异物入侵系统根据检测到的铁轨边缘划定异物入侵范围从而实现异物的准确检测。

传统的边缘检测算子有Sobel、Prewitt、Roberts和Canny算子等，随着人工智能的发展和实际应用的需求，近年来，研究学者提出了许多新的边缘检测算法[2]。文献[3]提出基于多方向梯度边缘预测器边缘检测方法，文献[4]提出结合小波融合和形态学的图像边缘检测方法，文献[5]提出了自适应Can⁃ny算子边缘检测技术，文献[6]提出了一种改进Canny边缘检测算法，文献[7]提出基于Canny边缘检测和聚合连接法的检测方法。以上方法都有一定的优点，但是也有不足之处，文献[3]在实现快速检测的同时不能提高检测结果的清晰度，文献[5]和文献[6]在实现自适应的同时不能保证有效的抗噪性能，文献[4]和[7]实现了图像连续、完整的边缘检测，但算法复杂。本文考虑了铁轨图像边缘检测的特点后，在深入研究Canny算子的基础上提出了一种改进的Canny边缘检测方法，实现了一种抗噪性能好、检测精度好、清晰度高的图像边缘检测方法。

1 传统Canny边缘检测算法

传统Canny算法通过滤波、增强、检测和定位完成对图像的边缘检测，满足迄今Canny提出的最为严格的边缘检测准则：信噪比准则、定位精度准则、单边响应准则[8]。它具有良好的方向性和边缘强度，并且算法简单，边缘定位性能较高，其流程框图如图1所示。

图1 Canny边缘检测算法流程框图

除此之外，Canny算法也存在一些不足：采用高斯滤波平滑图像，对冲击噪声的抑制效果很差，容易丢失图像细节；在2×2邻域内求有限差分计算梯度幅值，对噪声较敏感，容易检测出伪边缘[9]，检测结果粗糙；同时人为设定高低阈值来检测图像边缘，自适应能力差等。如何处理这些问题一直是图像处理研究中的难点和热点。

2 改进Canny边缘检测算法

2.1 极值中值滤波去噪算法

对于一幅要处理的原图像，往往是信号和噪声共同存在，最大限度地保留信号、消除噪声是对一幅图像进行预处理的关键。极值中值滤波算法[10]根据噪声的特点，给出了判断图像中像素的信号点Signal和噪声点Noise的标准，并分别对其进行处理：某点的灰度值如果为邻域的最小值或最大值，则该点为噪声，如果大于邻域的最小值并小于最大值，则该点为信号。该算法的噪声判断标准和滤波方法原理用数学公式表示如下：

1）噪声判断标准

式中：矩阵[xij]表示一幅数字化的图像；W[xij]表示以点(i,j)为中心对图像中的点xij做窗口操作；min( ) W[xij]表示对窗口W[xij]内的所有点取最小值；max( ) W[xij]表示对窗口W[xij]内的所有点取最大值。

2）滤波方法

式中：med[W(xij)]表示对窗口W[xij]内的所有点取中值；yij为图像[xij]经过中值滤波后的图像。

极值中值滤波代替高斯滤波平滑图像，不仅可以克服高斯滤波平滑图像带来的图像过度模糊，而且可以有效地提高抗噪性能，保持较好的输出信噪比，有利于图像的进一步处理。

2.2 加权系数梯度幅值和方向计算方法

传统的Canny算法通过在2×2领域内求有限差分来计算梯度幅值，该方法对噪声比较敏感[11]。本文算法改进了传统梯度幅值的计算方法，提出在3×3邻域内计算梯度幅值和方向，并对x,y方向确定的图像梯度幅值和方向与45°，135°方向确定的图像梯度幅值和方向引入加权系数，通过调整加权系数来确定最终的图像梯度，过程如下：

1）x与y方向确定的梯度幅值计算

x方向偏导数

y方向偏导数

求得梯度幅值为

梯度方向为

2）45°与135°方向确定的梯度幅值计算

45°方向偏导数

135°方向偏导数

求得梯度幅值为

梯度方向为

3）计算加权系数梯度幅值和方向

梯度幅值为

梯度方向为

该方法将图像像素45°与135°方向考虑在内，增加了计算像素偏导数的方向，并提出用加权求和的方法确定最终的图像梯度，提高了边缘定位精度。

2.3 改进迭代法阈值分割

阈值分割是根据图像中目标和背景在灰度特性上的差异，利用阈值把图像灰度值分为不同的等级，通过设置灰度区间来分割图像边界，阈值的选择要满足划分目标和背景的错误分割的图像像素点数为最小[12]。本文采用改进迭代式阈值分割方法来确定高低阈值，通过图像中最大与最小灰度值的均值将图像分为高灰度值区域S1和低灰度值区域S2，并采用迭代法在S1中和S2中分别求得最优阈值T3和T4，T3即为高阈值，T4即为低阈值。该改进方法，可以有效降低噪声的影响，在消除无用信息的同时可以最大限度地保留有用信息，并且具有一定的自适应性。改进算法步骤如下：

1）令初始阈值T0=(Zmax+Zmin)/2，其中Zmax为图像的最大灰度值，Zmin为图像的最小灰度值。

2）采用阈值T0将图像分割成两部分：灰度值大于T0的像素组成高灰度值区域S1，灰度值小于或等于T0的像素组成低灰度值区域S2。

3）设定参数T1，求出高灰度值区域S1中的最大灰度值Y1和最小灰度值Y2，并令阈值T2=(Y1+Y2)/2。

4）根据阈值T2将高灰度区域S1分割为前景和背景，分别计算出两者的平均灰度值U1和U2

式中：Y(i,j)是图像上(i,j)点的灰度值；N(i,j)是点(i,j)的权重系数。

5）求出新的阈值T3=(U1+U2)/2。

6）若 ||T3-T2＜T1，则推出，T3即为最优高阈值；否则，将T3赋值给T2，重复3）～5），直到获取最优高阈值。

7）按照与步骤3）～7）同样的方法在低灰度值区域中求取最优低阈值T4。

2.4 改进Canny边缘检测算法实现

本文通过采用极值中值滤波消除噪声，在保留有用信息的同时提高了图像的清晰度，同时提出加权系数梯度幅值和方向计算方法，并采用改进的迭代式阈值分割方法确定高低阈值，能达到更精确的铁轨边缘检测效果，改进后算法实现流程框图如图2所示。

图2 改进Canny算法流程框图

3 仿真结果与分析

3.1 结果定性对比分析

为了检验本文算法的有效性，在MATLAB仿真软件中，分别采用Sobel算法、prewitt算法、Soberts算法、Log算法、传统Canny算法、文献[11]算法和改进Canny算法对铁轨图像进行边缘检测验证。

图3是铁轨灰度图。图4a～图4f分别为采用Sobel算法、Roberts算法、Log算法、传统Canny算法、文献[11]算法和本文算法检测得到的铁轨边缘图像。对比图4中所有的检测结果可以看出：Sobel算子和Roberts算子检测的铁轨图像均含有较多无用信息，并且检测的铁轨边缘不够连续光滑，有断续现象；Log算子检测的铁轨图像含有较多噪声和伪边缘；传统Canny算子检测的铁轨图像无用信较少，但有漏检现象；文献[11]算法检测的铁轨图像比较光滑连续，仍然含有较多噪声；相比之下，文中算法检测的铁轨图像较为清晰、完整，而且有较好的连续性和完整性，伪边缘极少，整体轮廓较好，方便铁轨异物检测系统的下一步处理。

图3 铁轨灰度图

图4 铁轨边缘检测

3.2 结果定量对比分析

选用图像边缘清晰度[13]（Image Edge Definition，IED）作为评价边缘检测指标，其值越高，边缘信息越清晰。定义如下：

式中，P(i,j)表示边缘检测图像坐标为(i,j)的像素值。N，M表示图像矩阵的行列数。依据式（15）分别计算图4中各个铁轨边缘图像的清晰度，结果见表1。

表1 图像边缘检测结果清晰度对比

由表1可以看出，文献[11]算法检测的铁轨图像效果虽然优于传统Canny算子检测的铁轨图像，但IED却没有传统Can⁃ny算子高，本文算法检测得到的铁轨图像的IED不但高于So⁃bel、Roberts、Log算法，而且高于传统Canny算法和文献[11]算法检测的铁轨图像的IED，佐证了定性分析中的结果。

4 结论

本文针对铁轨异物入侵检测系统的需要，提出了一种基于改进Canny算子的铁轨边缘检测算法，针对Canny算子在滤波、梯度计算和双阈值边缘检测的不足，对传统Canny算法进行了改进。经过MATLAB仿真验证表明：本文算法有效地抑制了噪声，较好地保留了铁轨图像的有用信息，减少了伪边缘，提高了清晰度，能够检测出清晰、光滑、连续、较完整的铁轨边缘，在铁轨异物入侵检测系统中有较强的实用性。

[1] 张霞，党建武，马宏锋.基于双结构元素数学形态学的铁轨图像边缘检测方法[J].铁路计算机应用[J]，2011，20（5）：28-31.

[2]李国宁，李沛奇，王燕芩.基于改进蚁群算法的轨道图像边缘检测方法[J].传感器与微系统，2013，32（6）：130-133.

[3] 党向盈，鲍蓉，姜代红.基于多方向梯度边缘预测器快速边缘检测算法[J].计算机应用，2013，33（3）：674-676.

[4] 黄剑玲，邹辉.结合小波融合和形态学的图像边缘检测方法[J].计算机工程与应用，2012，48（19）：187-189.

[5]李玫，闫继红，李戈，等.自适应Canny算子边检测技术[J].哈尔滨工程大学学报，2007，28（9）：1002-1007.

[6] 周志宇，刘迎春，张建新.基于自适应Canny算子的柑橘边缘检测[J].农业工程学报，2008，24（3）：21-24.

[7] 彭飞，陈维荣，冒波波，等.基于Canny边缘检测和聚合接续法的路轨边缘提取方法[J].铁道学报，2012，34（2）：52-57.

[8]CANNY J.A computational approach to edge detection[J].IEEE Trans.Pattern Analysis and Machine Intelligence，1986，8（6）：679-698.

[9]王小俊，刘旭敏，关永.基于改进Canny算子的图像边缘检测算法[J].计算机工程，2012，38（14）：196-202.

[10] 邢藏菊，王守觉，邓浩江，等.一种基于极值中值的新型滤波算法[J].中国图像图形学报，2001，6（6）：533-536.

[11]米林，马亚洲，郝建军，等.一种基于Ca-nny理论的边缘提取改进算法[J].重庆理工大学学：自然科学版，2010，24（5）：54-58.

[12]杨丹，赵海滨，龙哲，等.MATLAB图像处理实例详解[M].北京：清华大学出版社，2013.

[13]李哲涛，李仁发，谢井雄.基于全向小波的图像边缘检测算法[J].电子学报，2012，40（12）：2451-2454.

Image Edge Detection Method Based on Improved Canny Algorithm for Rail

LI Dandan1，HOU Tao1，WEI Shipeng1,2
（1.School of Automation and Electrical Engineering,Lanzhou Jiaotong University,
Lanzhou 730070,China;2.The Chinese People’s Liberation Army,Gansu Dingxi 730500,China）

Edge extraction is the key technology of rail foreign intrusion detection,aiming at poor results for edge detedtion of railway,an improved Canny edge detection algorithm is proposed.The smooth of rail images is completed by extremum median filter,furthermore,one method of weighting coefficient is put forward,which is used to computer gradient amplitude and direction,and the improved iteration arithmetic is used to produce the optimal high and low threshold,so as to achieve the accurate detection of the rail edge.The quailtative and quantitative analysis of detection results show that this method can improve edge positioning precision as well as has good connectivity,strong anti-noise performance and definition.

railway;edge detection;Canny algorithm;weighting coefficient;iteration arithmetic threshold methods

TP391

A

10.16280/j.videoe.2015.08.014

李丹丹（1986—），女，硕士，主研数字图像处理及应用；

2014-10-16

【本文献信息】李丹丹，侯涛，魏世鹏.基于改进Canny算子的铁轨边缘检测方法[J].电视技术，2015，39（8）.

甘肃省自然科学基金项目（1308RJZA116）；甘肃省高等学校科研项目（2013A-051）；兰州交通大学科技支撑计划项目（ZC2013004）

侯 涛（1975—），副教授，主要从事智能控制与智能信息处理研究。

责任编辑：闫雯雯