基于自适应阈值的多尺度边缘检测方法

徐伟尧，夏 婷

（枣庄学院，山东 枣庄 277160）

基于自适应阈值的多尺度边缘检测方法

徐伟尧，夏 婷

（枣庄学院，山东 枣庄 277160）

图像边缘信息在物体识别方法中具有重要作用，采用多尺度特征检测能同时检测出细微和粗糙特征。基于曲率尺度空间（CSS）技术，文章提出了一种改进的多尺度边缘检测方法，该方法首次利用自适应局部曲率阈值代替了原有CSS方法中的单一全局阈值，另外，为了消除虚假边缘点，候选边缘点的角度被检测在一组动态范围内。实验结果表明，该方法能有效解决多尺度特征的图像检测问题。

多尺度边缘检测；曲率尺度空间；自适应阈值；动态范围

图像的边缘信息在图像识别中具有重要作用，能提供很多有用的信息，可以用在动态跟踪、目标识别等领域。前人已经提出了很多边缘检测算法，大多数算法是基于单尺度特征的，对于多尺度效果不明显。由于图像的边缘信息尺寸并不单一，单尺度算法可能会丢失图像的部分边缘信息，文献［4］提出了一种可以检测平面曲线边缘信息的多尺度算法，虽然该算法可以检测多尺度特征，但是运算量太大。文献［5］和［6］提出了两种基于曲率尺度空间（CSS）技术的检测方法，主要用于检测灰度级图像。

文章以CSS边缘检测为基础，提出了一种可以改善边缘检测性能的方法。与文献［5］和［6］不同，利用绝对曲率函数的局部极大值确定候选点以后，将候选点的曲率与自适应局部曲率阈值而非单一全局阈值相比较，由于边际噪声等的影响，需要去除虚假边缘点。文章第二部分介绍了一种原始的CSS边缘检测方法，并且指出了它的优点和缺点，第三部分对文章提出的边缘检测方法进行了详细描述，第四部分给出了实验结果，并得出结论。

1 CSS边缘检测

根据文献［5］中的描述，得出曲率K的定义如下：

下面是原始CSS算法中图像边缘检测的操作步骤：①使用Canny边缘检测器获取一个二进制灰度图像。②从边缘映射map中提取边缘轮廓，找到T型连接点。③对任意一个边缘轮廓以σ尺度计算曲率。④在最高的尺度上计算边缘轮廓的曲率绝对值，并选择局部极大值点作为候选点。满足：大于阈值（t去除圆形角和噪声）；至少两倍于两侧相邻的某个曲率极小值点。⑤跟踪边缘到最低的尺度上以获得更好的位置精度。⑥将上述CSS边缘和T形边缘点做比较，去掉非常邻近的点。

根据上面的算法，当σ较大时，表示没有找到真正的边缘点，当σ较小时，是伪边缘点检测，若将其应用到一个复杂的图像上，检测虚假的情况将更加严重。

2 提出的方法

（1）自适应局部阈值。在候选边缘点中，根据相邻区域的曲率，我们为候选边缘点设定了阈值，这种自适应阈值由下式给出

其中，均值K¯表示相邻区域的曲率，在这种情况下，支撑区域（ROS）表示从两个相邻局部曲率最小值之间的区域，其中从候选点到两端的曲率是严格递减的，在上式中，u表示曲线上候选边缘点的位置，L1和L2是ROS的尺寸大小，C是系数。如果C为1，没有去除任何边缘点，若要保留曲率函数波形是标准三角形的边缘点，C应为边界值2。因此，理论上C的值应介于1到2之间，文章取C=1.5，实验证明C的变化对边缘检测性能没有严重影响。

（2）边缘点角度。文献［7］中指出，如果知道曲线上每一个点的角度，容易区分正确检测点和错误检测点，这种方法的关键在于使用恰当的支撑区域。考虑如图1所示的情况，曲线上五个点，每个点代表局部最大曲率值可作为候选边缘点，如果ROS较小，则五个点均为真实边缘点，如果ROS较大，则2、3、4点可以看作是虚假边缘点。如果事先不知道特征尺寸，将很难找出正确边缘点。

图1 模糊情况示例

可以采用一个动态的ROS，由候选边缘点属性决定动态ROS范围，候选边缘点通过与之相邻的两个候选边缘点来定义。如果图1中标记的五个点都是候选边缘点，那么点3的ROS范围应该从点2到点4，通过点3的锐角可以判定该点是真实边缘点。然而，经过自适应局部阈值限定后，如果只有点1、3和5保留为候选边缘点，则点3的ROS范围应该从点1到点5，由于点1至5接近直线，此时点3可能被视为虚假边缘点。因此，边缘检测准则如下：

若160°≤∠Ci≤200°，那么Ci是虚假边缘点，否则，Ci是真实边缘点。

∠Ci定义为，其中

经过这一步骤，候选边缘点集将会更新，经过进一步迭代运算能够去除由于边界噪声造成的失真。

3 实验结果与分析

本节描述了上述边缘检测方法的实验结果，如图2、3所示。根据文章提出的图像边缘检测方法，图2显示了图像所有的边缘区域，图3显示所得边缘点检测结果。从图中可以看出，文章所提出的检测方法检测出的真实边缘点最多、丢失边缘点和错误边缘点最少。从图2和3中可以看出，提出的方法能得到与参考边缘点相类似的边缘点，且极少出现差错检测。

图2 图像边缘信息

图3 图像边缘点检测

文章利用自适应局部阈值和动态ROS来识别边缘点信息，不同的图像、不同曲线和不同候选边缘点分别采用不同的参数。实验结果证明，文章采用的方法能有效提高正确检测边缘点数，并能降低错误检测边缘点数，文章所提出的图像检测方法更加高效准确。

［1］Smith Sand BradyJ.SUSAN—A new approach to low-level image processing［J］.International Journal of Computer Vision，1997，23（1）：45-48.

［2］Kitchen Land RosenfeldA.Gray level corner detection［J］.Pattern Recognition Letters，198：95-102.

［3］HarrisC.Determination of ego-motion from matched points[C].In Proc.Alvey Vision Conf.，Cambridge，UK，1987.

［4］Rattarangsi AandChin R T，Scale-based detection of corners of planar Curves［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，1992，14（4）：430-449.

［5］MokhtarianF and MohannaF.Enhancing the curvaturescale space corner detector［C］.Proc.Scandinavian Conf.onImage Analysis，pp. Bergen，Norway，2001：145-152.

［6］Mokhtarian Fand SuomelaR.Robust image cornerdetection through curvature scalespace［J］.IEEE TransonPattern Analysisand Machine Intelligence，1998，20（12）：1376-1381.

［7］Rosenfeld Aand JohnstonE.Angle detection on digitalcurves［J］. IEEE Trans.Computer.，1973，22：875-878.

Multi-scale Corner Detection Methodwith Adaptive Threshold

XU Wei-yao，XIA Ting

（Zaozhuang University，Zaozhuang，Shandong 277160，China）

Corners play animportant role in object identificationmethods.Multi-scalefeature detection can detect both fine and coarse features at the same time.A new and improved multi-scale corner detectionmethodbased on Curvature Scale Space（CSS）technique is proposed in this paper.It first use an adaptive local curvature threshold instead of a single global threshold as in the original and enhanced CSS methods.For eliminating falsely detected corners，the angles of corner candidates are checked in a dynamic region of support.The experimental results showed that the proposed method offers a robust and effective solution to images containing widely different size features.

multi-scale corner detection；curvature scale space；adaptive threshold；dynamic region

TN911.73

A

2095-980X（2017）01-0057-02

2017-01-07

徐伟尧，主要研究方向：图像信息处理。