基于視覺(jué)圖像的微小零件邊緣檢測算法研究
加入技術(shù)交流群
邊緣是指局部強度變化最顯著(zhù)部分．主要存在于目標與目標、目標與背景、區域與區域之間，是圖像分割、紋理特征和形狀特征等圖像分析的重要基礎。如何快速、準確提取圖像的邊緣信息一直是國內外研究的熱點(diǎn)，目前已有多種邊緣檢測算法，其中最經(jīng)典的算法就是Sobel算法。該算法由于計算量小、速度快，廣泛應用于諸多領(lǐng)域，但其檢測方向有限，抗噪能力較低，因此，該算法也具有一定的局限性。而且，實(shí)際應用中，像素級已無(wú)法滿(mǎn)足精度要求，只能采用亞像素級的細分算法。
這里給出擴展的4個(gè)方向的Sobel算子，即采用4個(gè)方向的模板，細化處理其梯度方向圖，鑒于插值法計算量小、精度高的特點(diǎn)，故選用二次多項式插值法實(shí)現亞像素細分。
2 擴展的Sobel細化算子
2．1 擴展的兩個(gè)模板
圖像目標的邊緣是灰度不連續性的反映，其種類(lèi)可粗略區分為：階躍性邊緣和層頂狀邊緣。前者的兩邊像素點(diǎn)灰度值顯著(zhù)不同，后者位于灰度值從增加到減少的變化轉折點(diǎn)。為了更準確描述圖像邊緣點(diǎn)．減少噪聲對其檢測結果的影響，提高算子的抗噪能力，在水平、垂直模板的基礎上重新構造2個(gè)3x3的模板，模板各個(gè)位置的權重是由該位置到中心點(diǎn)的距離以及該位置在模板中所在的方向決定的，等距離的點(diǎn)具有相同權重，如圖l所示。這里選用最高輸出模板所對應的邊緣梯度值作為像元邊緣梯度強度。
2．2 Sobel算子細化邊緣
圖像邊緣包含圖像的大量信息，但模板計算的數值僅僅只是圖像對應的梯度圖像，邊緣出現于梯度較大位置，若想提取圖像邊緣必須設定閾值將其二值化。由一階梯度算子得到梯度圖像，一般邊緣較粗，若直接對其梯度圖像設定閾值進(jìn)行二值化，很難找到合適的閾值．也不便于邊緣連接與邊緣特征提取等后期處理。因此在對圖像梯度圖像進(jìn)行二值化前，必須細化所檢測的梯度邊緣。細化原理是基于經(jīng)典Sobel算子定義的：
梯度方向為：
Sobel算子模板中的元素表示算式中相應像素的權重因子。Sobel算子是邊緣檢測算子，故其處理模板中各因子之和為零。另一方面，由于正因子和負因子之和分別為4和一4，在極端情況下處理結果可能溢出。因此，在實(shí)際使用時(shí)，Sobel算子通常采用已設定閾值進(jìn)行二值化，即處理結果得到的是已二值化的邊緣圖。該結果將導致邊緣圖中幅值較小的邊緣丟失。為了克服這個(gè)缺陷，引入一個(gè)衰減因子Scale，用它去除計算結果，來(lái)消除數據的溢出，而無(wú)需二值化處理，而且其結果是無(wú)失真的灰階邊緣圖，從而保留所有邊緣數值同。加入擴展的模板后可得：
因子Scale取4，它也是歸一化因子，即兩個(gè)灰度層的階躍，交界處的處理結果就是其灰度差值。
灰度圖像細化處理步驟如下：①對灰度圖像作帶衰減因子的Sobel處理，得灰度邊緣圖。Sobel處理采用式(3)；②對所得灰度邊緣圖再作帶衰減因子的Sobel處理；③灰度邊緣圖減去Sobel處理結果，再將與負值部分對應的邊緣點(diǎn)的值改為零，得到細化的邊緣圖。
3 多項式插值亞像素細分的精定位
運用Sobel細化算子改進(jìn)的方向模板獲取邊緣點(diǎn)的梯度方向，可采用已知的邊緣點(diǎn)的梯度方向近似代替未知的亞像素點(diǎn)的梯度方向，并在該方向上進(jìn)行二次多項式插值得到邊緣的亞像素位置。
評論