檢測圖像邊緣在社會上的應用

文│高潔欣
圖│由高潔欣及編輯部提供

邊緣檢測是圖像處理與分析中最基礎的內容之一,也是至今仍沒有得到圓滿解決的一類問題。圖像的邊緣包含了圖像的位置,輪廓等特徵,是圖像的基本特徵之一,廣泛地應用於特徵描述、圖像分割、圖像增強、圖像復原、模式識別,以及圖像壓縮等圖像分析和處理中。

檢測與提取方法

圖像邊緣和輪廓特徵的檢測與提取方法,一直是圖像處理與分析技術中的研究熱點,新理論、新方法不斷湧現。由於經常受到外界各種因素的影響,圖像在獲取和傳輸過程中容易受到和邊緣點頻率相近的噪聲的幹擾,使得提取出的圖像邊緣總存在偽檢測、漏檢測以及檢測出來的邊緣不是單圖原寬等問題,因此噪聲圖像的邊緣檢測技術越來越受到人們的關注和重視。

傳統的Sobel濾波器,Canny運算元檢測器具有廣泛的應用,但是這些檢測器只考慮到局部的急劇變化,特別是顏色、亮度等的急劇變化。這些特徵很難模擬較為複雜的場景和隱藏的信息,僅通過亮度,顏色變化並不足以把邊緣檢測做好。為了更好地評測邊緣檢測演算法,我們研究組建立了一系列的相位檢測器,學習怎樣聯合顏色、亮度、梯度這些特徵來做邊緣檢測,叫做相位邊緣檢測器,簡稱QDPC和QDPA。圖1 是從網上找到的三幅測試的圖像,即房子、花和肝臟,我們比較各種邊緣檢測器的表現(圖2)。

從圖2中可以合理地得出結論,對於傳統檢測器Sobel,Canny,我們(QDOC、QDPA方法)有較好的表現。首先,房屋圖像的結果表明,基於相位的方法(DPC、MDPC、QDPC、QDPA)可以非常好的表現房屋煙囪的細節。相位的演算法也可以將花從背景中提取。Sobel方法也可以從背景中提取花朵,而Canny 方法不能將花與背景分開。其次,對於肝臟圖像,QDPA 方法得到不錯的邊緣檢測結果,錯誤較少,表現較其他演算法理想。

圖1:Figure1三幅測試的圖像,即房子、花和肝臟。

檢測肝臟的陰影區域

Canny和Sobel的方法不能檢測到肝臟的陰影區域。為了抑制雜訊,Canny邊緣檢測器先對圖像進行平滑,但平滑的過程中會導致邊緣點的丟失。因此,Canny 方法將陰影區域視為噪聲並將其刪除。而且,陰影區域與周邊區域的顏色變化相對較小。而Sobel方法找不到陰影區域的肝臟圖像。DPC、MDPC、QDPA 和QDPC都是基於相位的方法,它們包括圖像特徵的屬性。我們發現這些方法可以檢測肝臟的陰影區域。而QDPA方法不僅可以檢測整個平滑區域,還可以找出肝臟的陰影區域形象清晰準確。我們研究團隊提出的基於相位的演算法可以在處理結構資訊方面取得優異的表現,可能會顯示更多的測試圖像的特徵細節(結構信息)。我們還發現相位在邊緣檢測中佔有重要地位,基於相位的方法在檢測特徵細節方面具有優越的地方。

我們提出的相位檢測器是由解析信號理論推導出來。解析信號在信號處理中起重要作用。它只有正的單邊譜。這使得解析信號的特定屬性更易理解,並促進了調製和解調技術的衍生。解析信號可以推導出信號的包絡、相位與頻率,它們在一些應用中用於測量和檢測的信號的局部特徵。相位包含信號的特徵資訊,這屬性激勵我們將相位的方法應用於圖像處理中。

可應用在社會的檢測

下面我們將帶領大家探索一下邊緣檢測在澳門社會上的一些應用。

車牌檢測:現在社會的發展迅速,人工智慧也是現今最火熱的趨勢之一。很多智慧化理念都會一一去實現,只是時間和策劃的問題。今天甚麼最多,其中一個絕對是車。所以未來的智慧交通一定是無可否定的技術,於是乎,今天講解的是一個簡單的車牌檢測。公眾、公司和住宅區的停車場,收費站等都涉及車牌的檢測,這樣方便了整個流程的運行,所以這種技術的進步和發展,一定是一個非常好的趨勢和應用。首先對採集的圖像進行灰度化並進行了QDPA 運算元邊緣檢測。以下展示了效果對比圖:(以圖3車輛為例子)

醫學圖像中檢測隱藏的資訊:我們構造的相位檢測的方法的區別與傳統邊緣檢測(Canny、Sobel)方法的顯著優點是,我們不僅能夠檢測物體的邊緣,也可以檢測物體的一些隱藏的資訊,這些細節因為與周圍區域的顏色差異很小,傳統的方法是無法檢測出來的(見圖4)。

第17期 | 2017年

同期更多故事

2019-11-26T12:51:33+08:00