基于超模糊集的Canny边缘检测在花椒图像中的应用*

宋凌怡, 舒　涛, 周德荣

(1.四川民族学院 计算机科学系,四川 康定 626001;2.四川民族学院 网络信息中心,四川 康定 626001)



基于超模糊集的Canny边缘检测在花椒图像中的应用*

宋凌怡1, 舒涛2, 周德荣2

(1.四川民族学院 计算机科学系,四川 康定 626001;2.四川民族学院 网络信息中心,四川 康定 626001)

摘要：针对花椒图像中花椒边缘的检测问题，提出了一种基于超模糊集的Canny检测算法；算法选用RGB颜色模型，先采用中值滤波对图像预处理，然后采用基于超模糊集阈值选择的Canny算法对花椒图像进行边缘检测，最后用形态学的腐蚀和膨胀对花椒轮廓做加强处理；实验结果表明算法能够有效地检测出花椒图像边缘。

关键词：超模糊集;中值滤波;腐蚀和膨胀

花椒是一种很好的经济作物，在全国许多地方被广泛种植。但花椒在收获时，由于花椒树上的刺多易扎手，导致人工采摘效率低，因此研究花椒采摘机器人有很大的实用价值。对于花椒采摘机器人如何辨别花椒的关键技术之一就是如何把花椒与其背景区域分割出来。

近几年，出现了很多关于图像的分割方法：王洪涛[1]把粒子群算法用在图像边缘检测上；吴一全等[2]利用了数学形态学检测火焰图像边缘，火焰的轮廓清晰；王丽芳等[3]把小波理论和Canny算子相结合，保留图像的边缘细节，达到了较好的检测效果。梁义涛等[4]利用神经网络和生物光子学相结合给小麦籽粒分类，识别率高达90%以上。而对于圆形状的检测对象，贾伟宽[5]提出一种基于K-means聚类分割和基于遗传的分割方法、最小均方差算法优化的径向基神经网络相结合的苹果识别方法，识别率达96.95%，但耗时太长。冯青春等[6]人在番茄的果实识别上采用(2R-G-B)色彩模型获取色差灰度图，动态阈值的获得利用最大类间方差法得到。针对不同的图像对象，要选择不同分割算法，对于花椒图像的分割，由于花椒颗粒比较微小，背景复杂等因素，在对其分割时，须选择分割准确度高，速度快的分割算法。

利用传统的Canny算法，在检测图像时不但效率高而且速度快，但其抗噪能力较差，当有噪声干扰时，检测出来的图像边缘不准确。为了让Canny算法能够准确的提取花椒特征边缘，提出基于RGB颜色模型，利用中值滤波对花椒图像去噪处理，再用基于超模糊集阈值选择的Canny算法对成熟花椒边缘检测，最后用形态学对分割后的图像做进一步轮廓加强处理。这种算法不仅能够准确、快速的提取花椒的轮廓，而且还能降低噪声的干扰。

1方法描述

1.1颜色模型选择

图像分割是把图像中人们觉得有意义的对象与不重要的部分分开，可以采取很多方法使之分离，但最常用最简单的方法是利用色彩差异分离。成熟花椒在自然环境下是枣红色，与其背景颜色的差异很大，选择使用最广泛的RGB颜色模型。

1.2图像预处理

在图像处理中，中值滤波被广泛用于处理椒盐噪声和斑点噪声，是因为此方法能够准确得到图像边缘。中值滤波抑制噪声是基于排序统计理论来实现的。任意一点(a,b)，都可以在它周围找到8个邻域值，一共9个数据分别为：1，3，9，5，7，20，4，8，6，再把这些数据按数值的大小，由小到大排成一列，排成的序列为：1，3，4，5，6，7，8，9，20。这9个数中，中值即为6，那么6就是作为(a,b)点中值滤波的响应x(a,b)。

设存在一个一维序列，f1,f2,f3…fn，把f1,f2,…fn按每个数值的大小，从小到大排成序列，则中值X可表示为

1.3中值滤波实现的步骤

某点的灰度值要被准确得到，必须找出此点邻域的8个像素值，把这些像素值按从小到大排成一列，选择位于这列中间的值赋给这一像素，因此这一点的像素值与其周围的值相差不大，图像轮廓更清晰，其步骤依次是：中心与位置重合、读值、排序、找出中值、赋值[7]。

中值滤波的输出像素值可以决定邻域图片的中间值，同时噪声的消除和图像边缘的细化效果也是由中值滤波的输出像素值决定。

1.4实验对比

从图1看出：经过用高斯滤波处理含有椒盐噪声的图像，花椒图像模糊，轮廓不清晰，图像中还含有一些椒盐噪声；经过中值滤波处理后的图像，花椒粒轮廓非常清晰，图像对比度增大，花椒线条更加流畅，原图中一些细微噪声被清除干净。经过中值滤波处理后的图像比高斯滤波处理的图像更有利于对花椒粒的识别。

图1　不同方法预处理效果对比Fig.1　Pretreatment effect contrast of different methods

2改进的Canny边缘检测

2.1超模糊集的定义

高低阈值的选择一直是传统Canny算子的难点，具有不准确性。其计算过程如下：求梯度幅值；求整幅图像的平均梯度幅值；求得方差σ的值。

这样求得的阈值不准确，不具有普遍的适用性。采用超模糊集取得阈值，对图像检测能够达到理想效果，其公式为

A代表超模糊集，μA(x,u)代表超模糊隶属函数，其中μA(x,u)满足条件：0≤μA(x,u)≤1。

超模糊集与传统模糊集的关系是：

(1)u∈Jx⊆[0,1]与传统隶属函数μA(x)的共约束0≤μ(x,u)≤1一致。

(2) 超模糊集A被分解为传统模糊集，变量μ相当于传统模糊集隶属μ(x)。

当(x,)=1时，超模糊集间隔集合就用A模糊集来表示：

使用传统模糊集隶属函数来代替定义超模糊集间隔集合：

其中：μu(x)表示高隶属函数；μL(x)表示低隶属函数；μ(x)表示初始隶属函数。

由于图像的灰度变换不确定，造成阈值的选择难度很大。为了较清楚的描述模糊梯度，用μu(x)和μL(x)表示超模糊集的模糊梯度。UF(ultrafuz-ziness)指数可以用下列表达式计算：

μU和μL的函数分别如下：

用模糊集合S={(x,us(x))|x∈X}来定义其隶属函数，其中us(x)的值在0～1。

因此可以得到：超模糊集是一个集合，是由隶属函数上的任一点向左右两边移动所有可能出现的轨迹，即传统模糊集经过多次移动后得到超模糊集。

2.2Canny算法高低阈值选择

在所有的边缘检测算法中，Canny算法是一个非常成熟且边缘检测效果最好的一个算法。唯一不足的是梯度图像双阈值的选择不具有普遍的适用性，图像对象不同，选择的阈值不同，要得到准确阈值是很困难，在对图像边缘提取和除噪方面效果不理想。对花椒图像边缘检测，Canny算子的高低阈值的选择利用了超模糊理论，步骤：选择隶属函数μ(x)类型和参数α；初始化隶属函数；计算隶属函数值；计算隶属函数的高低阈值；最优阈值的依据是由最大超模糊度值的隶属函数的中心位置的值确定。

3Canny算法与支持向量机SVM算法对比

采用改进的Canny算子提取的花椒轮廓比支持向量机SVM[9]算法得到的图像轮廓更清晰，准确度更高(图2)。

图2　传统算法和改进算法的对比Fig.2　Comparison between traditional algorithm and improved algorithm

图3是在原灰度图像上加了椒盐噪声后，分别用支持向量机SVM算法和超模糊集的Canny边缘检测算法提取花椒的边缘。

图3　加椒盐噪声后SVM算法和改进算法的对比Fig.3　Contrast between SVM algorithm and improved algorithm after pepper noise adding

利用101张花椒图像，分别用SVM算法和改进的Canny算法分割图像。对分割后的结果做对比，如表1所示。基于超模糊集的Canny边缘检测算法在提取花椒的边缘轮廓，其准确率较高，达到了94.1%。

表1　分割结果对比

通过实验得到：SVM算法在进行边缘检测时，所选取的特征值非常复杂，如果所选择的特征值过于简单，就可能造成检测出来的图像精度不高；如果所选择的特征值很多，就会涉及大量的计算，所用时间过长。而改进的Canny检测算法对去除椒盐噪声效果较明显，在保证不丢失真实花椒边缘的前提下，消除和减少了花椒的伪边缘，导致轮廓线条清晰且连续性好，所用时间也最少。

4形态学处理

利用改进的Canny算法对花椒边缘提取后再用形态学[10]的腐蚀和膨胀做进一步处理，如图4所示。

采用改进的Canny算法检测成熟花椒图像后，再利用形态学的腐蚀运算和膨胀运算对分割后的图像做加强处理。腐蚀后的图像边界点和多余的线条消失，腐蚀能够删除图像边缘某些像素，腐蚀后的图像轮廓线条比原图更细。膨胀运算让花椒图像的边缘线条加粗，添加了一些像素，花椒轮廓线条更粗，更清晰。

图4　腐蚀和膨胀效果图对比Fig.4　Contrast between corrosion and dilation effect

5结语

对于成熟花椒的边缘检测，选用传统的RGB颜色模型，先采用中值滤波对图像进行预处理，然后利用Canny算法进行边缘检测，最后再进行形态学处理。在关键的Canny算法高低阈值选择上，引入了超模糊理论。通过实验证明，该方法能够有效的提取成熟花椒图像的边缘且速度较快。

参考文献(References)：

[1] 王洪涛,李丹.基于改进粒子群算法的图像边缘检测研究[J].液晶与显示,2014,29(5):801-803

WANG H T,LI D.Image Edge Detection Research Based on Improved Particle Swarm Optimization Algorithm[J].Chin-ese Journal of Liquid Crystals and Displays ,2014,29(5):801-803

[2] 吴一全,宋昱,周怀春.基于各向异性数学形态学的火焰图像边缘检测[J].仪器仪表学报,2013,34(8):1818-1824

WU Y Q,SONG Y,ZHOU H C.Edge Detection of Comb-ustion Flame Images Based on Anisotropic Mathe-matical Morphology[J].Chinese Journal of Scientific Instrument,2013,34(8):1818-1824

[3] 王丽芳,吕建平.小波变换和Canny算子相结合的图像边缘检测算法[J].计算机与数字工程,2014,42(8):1480-1483

WANG L F,LV J P.Image Segmentation Method Based on Wavelet Transform and Canny Operator[J].Computer & Digital Engineering,2014,42(8):1480-1483

[4] 梁义涛,史卫亚,王锋.基于人工神经网络和生物光子学的小麦籽粒状态分类[J].河南工业大学学报(自然科学版)，2013,34(3):83-85

LIANG Y T,SHI W Y,WANG F.State Classification of Wheat Kernels Based on Artificial Neural Network and Biophotonics[J].Journal of Henan University of Techno-logy(Natural Science Edition),2013,34(3):83-85

[5] 贾伟宽,赵德安,刘晓洋.机器人采摘苹果果实的 K-means 和GA-RBF-LMS 神经网络识别[J].农业工程学报,2015,31(18):175-183

JIA W K,ZHAO D,LIU X Y.Apple Recognition Based on K-Means and GA-RBF-LMS Neural Network Applicated in Harvesting Robot[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(18):175-183

[6] 冯青春,程伟,杨庆华.基于线结构光视觉的番茄重叠果实识别定位方法研究[J].中国农业大学学报,2015,20(4):100-106

FENG Q C,CHENG W,YANG Q H.Identification and Localization of Overlapping Tomatoes Based on Iinear Stru-ctured Light Vision System[J].Journal of China Agric-ultural University,2015,20(4):100-106

[7] 付丽娟,姚宇,付忠良.中值滤波与各向异性扩散相结合的医学图像滤波方法[J].计算机应用,2014,34(1):145-148

FU L J,YAO Y,FU Z L.Filtering Method for Medical Images Based on Median Filtering and Anisotropic Diff-usion[J].Journal of Computer Applications，2014,34(1):145-148

[8] 夏岩,孙咏,刘元元.模糊逻辑在模拟演练系统智能体设计中的应用[J].计算机系统应用,2014,23(6):232-235

XIA Y,SUN Y,LIU Y Y.Application of Fuzzy Logic in Simulation Training System’s AI Design[J].Computer Systems & Applications,2014,23(6):232-235

[9] 于雷,辛晓越,卢志泳,等.基于SVM的人体运动状态检测[J].计算机科学,2013,40(6A):166-172

YU L,XIN X Y,LU Z Y,ed,at.SVM-based Method and System for Recognition of Human Movement[J].Computer Science,2013,40(6A):166-172

[10] 程效军,方芳.基于形态学的散乱点云轮廓特征线提取[J].同济大学学报(自然科学版),2014,42(11):1738-1743

CHENG X J,FANG F.Morphology-based Scattered Point Cloud Contour Extraction[J].Journal of Tongji University(Natural Science),2014,42(11):1738-1743

责任编辑：田静

Studies on Application of Ultra-fuzzy-set-based Canny Edge Detection Algorithm to Pepper Image

SONG Ling-yi1，SHU Tao2，ZHOU De-rong2

(1. Sichuan Minzu College, Department of Computer Science, Sichuan Kangding 626001, China;2. Sichuan Minzu College,Network Information Center, Sichuan Kangding 626001, China)

Abstract：A Canny test calculation method was proposed based on ultra-fuzzy sets aiming at the test problems of the pepper edges on the pepper pictures. The algorithm chooses RGB color model, conducts the image preprocessing with median filter first, then carries out the edge detection for pepper image by using the Canny detector based on the threshold value of ultra-fuzzy set, and finally enhances the pepper outline with the morphic erosion and dilation. The experimental result shows that the algorithm can effectively detect the pepper image edge.

Key words：ultra fuzzy set; median filter; corrosion and dilation

中图分类号：TN946

文献标志码：A

文章编号：1672-058X(2016)03-0038-05

作者简介：宋凌怡(1981-)，女，四川阆中人，讲师，硕士，从事图形图像处理和计算机网络研究.

*基金项目：四川省教育厅自然科学项目(15ZB0329).

收稿日期：2015-10-09；修回日期：2015-11-20.

doi:10.16055/j.issn.1672-058X.2016.0003.008