一種基于量子理論的形態(tài)學(xué)圖像邊緣檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖形邊緣處理技術(shù)領(lǐng)域，尤其涉及一種基于量子理論的形態(tài)學(xué)圖像邊 緣檢測方法。
【背景技術(shù)】
[0002] 邊緣檢測是一種基本的圖像處理方法，已廣泛地應(yīng)用于圖像分割、圖像識別和圖 像分析等領(lǐng)域。通常在圖像獲取、傳輸和處理過程中，總會不可避免地存在各種噪聲，且噪 聲與圖像邊緣的頻帶混合在一起，這使得圖像邊緣檢測變得很困難。因此，如何從噪聲干擾 的圖像中有效地獲取圖像邊緣是圖像處理的一個重要研宄課題。
[0003] 基于Sobel、Roberts、Prewitt等梯度算子和拉普拉斯算子的傳統(tǒng)邊緣檢測方法 都對噪聲很敏感，難以有效地對有噪圖像進(jìn)行邊緣檢測。Canny算子在噪聲較小時能檢測出 圖像邊緣，但重要的邊緣信息容易被平滑掉，還會出現(xiàn)虛假輪廓效應(yīng)，且在噪聲較大時，也 無法有效地檢測出邊緣 [1]。基于小波分析的邊緣檢測方法通過多尺度變換只能從小噪聲圖 像中檢測出邊緣，但是檢測到的邊緣存在明顯的不連續(xù)現(xiàn)象，且多級小波分解的計(jì)算量較 大 [2]。由于常用的邊緣檢測算法無法直接從含噪圖像中有效地檢測出邊緣，通常的解決方 法是先濾波再檢測邊緣，但線性濾波的平滑特性會使圖像在預(yù)濾波階段丟失邊緣信息?；?于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測方法能較好地保留圖像細(xì)節(jié)，但其檢測效果依賴于結(jié)構(gòu)元素的形 狀和大小，而且由于噪聲分布的不確定性，很難找到適應(yīng)于全局圖像的結(jié)構(gòu)元素 [3]
[0004]現(xiàn)有技術(shù)中基于均方差測量算子的量子衍生形態(tài)學(xué)圖像邊緣檢測方法（文獻(xiàn)4)， 該方法使結(jié)構(gòu)元素處于量子疊加態(tài)，在結(jié)構(gòu)元素平移的過程中，由平移點(diǎn)鄰域的圖像局部 特征（均方差）生成測量算子，并對該結(jié)構(gòu)元素進(jìn)行測量使其坍縮到相應(yīng)的基態(tài)一傳統(tǒng)結(jié) 構(gòu)元素。由于不同像素點(diǎn)的鄰域特征不同，從而獲得自適應(yīng)的結(jié)構(gòu)元素。將其作用于形態(tài) 學(xué)梯度邊緣檢測算子
[0005] G (X，y) = (f 十 Bq) (X，y) - (f 0 Bq) (X，y)
[0006] 其中，f為噪聲污染圖像，Bq為結(jié)構(gòu)元素，G為邊緣圖像，?表示形態(tài)學(xué)膨脹運(yùn)算， ?表示形態(tài)學(xué)腐蝕運(yùn)算。該方法能直接從噪聲干擾的圖像中大致檢測出圖像的邊緣，但檢 測出的邊緣較粗且存在不連續(xù)現(xiàn)象。當(dāng)噪聲增大時，基于均方差的測量算子把部分正常像 素點(diǎn)誤判為噪聲的可能性增大，檢測出的邊緣質(zhì)量越來越差。

【發(fā)明內(nèi)容】

[0007] 根據(jù)現(xiàn)有技術(shù)存在的問題，本發(fā)明公開了一種基于量子理論的形態(tài)學(xué)圖像邊緣檢 測方法，具體方案是：包括以下步驟：
[0008]S1:基于量子理論的形態(tài)學(xué)邊緣檢測：
[0009]S11:將灰度圖像f(x，y)標(biāo)準(zhǔn)化到區(qū)間[0, 1]，確定一個中心像素，根據(jù)該像素的 大小為n的鄰域灰度信息定義一個疊加態(tài)結(jié)構(gòu)元素矩陣SEg(x，y);
[0010]S12:跟據(jù)中心像素鄰域的灰度信息構(gòu)造矩陣g，對矩陣g進(jìn)行隨機(jī)數(shù)測量，測量后 矩陣g的元素值為0或1，將該矩陣元素按從右到左從下到上的順序排列，根據(jù)排列得到的 序列定義該像素的測量算子P(x，y);
[0011]S13:量子測量算子P(x，y)作用于疊加態(tài)結(jié)構(gòu)元素SEg(x，y)，得到自適應(yīng)可用的 結(jié)構(gòu)元素B(x，y);在此結(jié)構(gòu)元素B(x，y)的基礎(chǔ)上，用形態(tài)學(xué)梯度邊緣檢測算子檢測邊緣；
[0012] S2 :采用匪S細(xì)化算法與形態(tài)學(xué)細(xì)化相結(jié)合的方式對圖像進(jìn)行邊緣細(xì)化；
[0013]S3:采用量子概率方法對圖像進(jìn)行邊緣連接：
[0014]S31:先用匪S算法細(xì)化邊緣圖像G，然后進(jìn)行圖像二值化，再進(jìn)行形態(tài)學(xué)細(xì)化；
[0015]S32:提取邊緣端點(diǎn)，考慮邊緣點(diǎn)的八個鄰域，假設(shè)邊緣的方向有水平、垂直、左下 到右上、右下到左上四個方向，則如果該邊緣點(diǎn)在某個方向上只有兩個像素是邊緣點(diǎn)，則定 義該邊緣點(diǎn)為端點(diǎn)；
[0016]S33:掃描端點(diǎn)圖像d，找到一個中心點(diǎn)p;
[0017]S34:搜索p的5X5鄰域，找到另一個端點(diǎn)pl，根據(jù)p的M(M〈8)個角度信息和pi 的N(N〈8)個角度信息，將p和pi是否連接的狀態(tài)表達(dá)為融合量子態(tài)的形式；
[0018]S35:計(jì)算p和pi被連接的概率幅Vn'產(chǎn)生在[0, 1]間均勻分布的隨機(jī)數(shù)，如 果，使p和pi連接，更新被連接點(diǎn)的角度信息，連接結(jié)束后進(jìn)行形態(tài)學(xué)細(xì)化，完 成圖像的邊緣檢測。
[0019]S33中在更新被連接點(diǎn)的角度信息后進(jìn)行判斷：如果p的5X5鄰域中還有端點(diǎn)未 被搜索，轉(zhuǎn)到S34開始進(jìn)行重新搜索，如果端點(diǎn)圖像d還未掃描結(jié)束，則轉(zhuǎn)到S33進(jìn)行重新 掃描端點(diǎn)處理。
[0020] 所述疊加態(tài)結(jié)構(gòu)元素矩陣SEs (x，y)為 i=0
【主權(quán)項(xiàng)】
1. 一種基于量子理論的形態(tài)學(xué)圖像邊緣檢測方法，其特征在于：包括以下步驟： 51 :基于量子理論的形態(tài)學(xué)邊緣檢測： 511 :將灰度圖像f(X，y)標(biāo)準(zhǔn)化到區(qū)間[〇，1]，確定一個中心像素，根據(jù)該像素的大小 為n的鄰域灰度信息定義一個疊加態(tài)結(jié)構(gòu)元素矩陣SEg(x，y); 512 :跟據(jù)中心像素鄰域的灰度信息構(gòu)造矩陣g，對矩陣g進(jìn)行隨機(jī)數(shù)測量，測量后矩陣 g的元素值為〇或1，將該矩陣元素按從右到左從下到上的順序排列，根據(jù)排列得到的序列 定義該像素的測量算子P(x，y); 513 :量子測量算子P(x，y)作用于疊加態(tài)結(jié)構(gòu)元素SEg(x，y)，得到自適應(yīng)可用的結(jié)構(gòu) 元素B(x，y);在此結(jié)構(gòu)元素B(x，y)的基礎(chǔ)上，用形態(tài)學(xué)梯度邊緣檢測算子檢測邊緣； 52 :采用匪S細(xì)化算法與形態(tài)學(xué)細(xì)化相結(jié)合的方式對圖像進(jìn)行邊緣細(xì)化； 53 :采用量子概率方法對圖像進(jìn)行邊緣連接： 531 :先用匪S算法細(xì)化邊緣圖像G，然后進(jìn)行圖像二值化，再進(jìn)行形態(tài)學(xué)細(xì)化； 532 :提取邊緣端點(diǎn)，考慮邊緣點(diǎn)的八個鄰域，假設(shè)邊緣的方向有水平、垂直、左下到右 上、右下到左上四個方向，則如果該邊緣點(diǎn)在某個方向上只有兩個像素是邊緣點(diǎn)，則定義該 邊緣點(diǎn)為端點(diǎn)； 533 :掃描端點(diǎn)圖像d，找到一個中心點(diǎn)p; 534 :搜索p的5X5鄰域，找到另一個端點(diǎn)pl，根據(jù)p的M(M〈8)個角度信息和pi的 N(N〈8)個角度信息，將p和pi是否連接的狀態(tài)表達(dá)為融合量子態(tài)的形式； 535 :計(jì)算p和pi被連接的概率幅，產(chǎn)生在[〇, 1]間均勻分布的隨機(jī)數(shù)，如果 r< (c2"xwt )2，使p和P1連接，更新被連接點(diǎn)的角度信息，連接結(jié)束后進(jìn)行形態(tài)學(xué)細(xì)化，完成 圖像的邊緣檢測。
2. 根據(jù)權(quán)利要求1所述的一種基于量子理論的形態(tài)學(xué)圖像邊緣檢測方法，其特征還在 于：S33中在更新被連接點(diǎn)的角度信息后進(jìn)行判斷：如果p的5X5鄰域中還有端點(diǎn)未被搜 索，轉(zhuǎn)到S34開始進(jìn)行重新搜索，如果端點(diǎn)圖像d還未掃描結(jié)束，則轉(zhuǎn)到S33進(jìn)行重新掃描 端點(diǎn)處理。
3. 根據(jù)權(quán)利要求1所述的一種基于量子理論的形態(tài)學(xué)圖像邊緣檢測方法，其特征還在 于：所述疊加態(tài)結(jié)構(gòu)元素矩陣SEg(x，y)為
其中，?表示張量積，
fi表示鄰域中位置i(i= 1. . .n)處 的灰度值。
4. 根據(jù)權(quán)利要求1所述的一種基于量子理論的形態(tài)學(xué)圖像邊緣檢測方法，其特征還在 于：S12中：構(gòu)造像素的測量算子P(x，y)具體方式如下： 令每個像素對應(yīng)大小為n的矩陣g，其中g(shù)的元素
通過對gi進(jìn)行隨機(jī)數(shù)測量，產(chǎn)生n個[0. 5, 1]之間的隨機(jī)數(shù)rJi= 1，2,…，n)，如果rpgi， 取gi = 0 ;如果r#gi，取gi= 1，最終矩陣g的元素值為0或1，將該矩陣元素按從右到 左從下到上的順序排列，得g%…gr"gn，定義圖像在（x，y)處的測量算子為 P(x，y) = |區(qū)$2…gi…gnXgig;^…gi…gn|。
5. 根據(jù)權(quán)利要求1所述的一種基于量子理論的形態(tài)學(xué)圖像邊緣檢測方法，其特征還在 于：S13中：將量子測量算子P(x，y)作用于疊加態(tài)結(jié)構(gòu)元素SEg (x，y)，得到自適應(yīng)可用的結(jié) 構(gòu)元素B(X，y)采用如下方式：
將B(x，y)重新排列得結(jié)構(gòu)元素
在自適應(yīng)可用的結(jié)構(gòu)元素B(x，y)的基礎(chǔ)上，用形態(tài)學(xué)梯度邊緣檢測算子檢測邊緣，該 算子表示為 G(x,y) =(f?B(x,y)) (x,y)-(f0B(x,y)) (x,y) 其中，f為噪聲污染圖像，B(x，y)為結(jié)構(gòu)元素，G為檢測出的邊緣圖像，?表示形態(tài)學(xué)膨 脹運(yùn)算，?表示形態(tài)學(xué)腐蝕運(yùn)算。
6.根據(jù)權(quán)利要求1所述的一種基于量子理論的形態(tài)學(xué)圖像邊緣檢測方法，其特征還在 于：所述S34中：p和pi的連接狀態(tài)表達(dá)為融合量子態(tài)的形式為
其中：| 〇>表示P和pi處于未連接狀態(tài)，| 1>表示連接狀態(tài)和是基態(tài)| 0>和| 1> 的概率幅度，其中
上式中，0 2是從P到pl的矢量，那么根據(jù)P點(diǎn)的所有M個角度信息和pi的所有N個 角度信息端點(diǎn)P的連接狀態(tài)可以用如下量子態(tài)表示：
其中，?表示張量積，只有第2MXN-1個基態(tài)1111. . . 1>表示端點(diǎn)p和pl處于連接狀態(tài)， 對應(yīng)的概率幅為
【專利摘要】本發(fā)明公開了一種基于量子理論的形態(tài)學(xué)圖像邊緣檢測方法，包括以下步驟：S1：基于量子理論的形態(tài)學(xué)邊緣檢測，S2：采用NMS細(xì)化算法與形態(tài)學(xué)細(xì)化相結(jié)合的方式對圖像進(jìn)行邊緣細(xì)化；S3：采用量子概率方法對圖像進(jìn)行邊緣連接，該方案提出的量子形態(tài)學(xué)邊緣檢測算法對噪聲圖像進(jìn)行邊緣檢測時，即使噪聲強(qiáng)度較大，仍能有效提取邊緣。該方案提出的基于量子概率的邊緣連接算法能有效提高邊緣的連續(xù)性。
【IPC分類】G06T7-00
【公開號】CN104778710
【申請?zhí)枴緾N201510200901
【發(fā)明人】陳喆, 殷福亮, 李潤順
【申請人】大連理工大學(xué)
【公開日】2015年7月15日
【申請日】2015年4月24日