專利名稱：基于元胞自動機(jī)的圖像邊緣檢測算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像邊緣檢測算法，特別是一種基于元胞自動機(jī)的對圖像邊緣進(jìn)行檢測的算法。
背景技術(shù)：
邊緣檢測是圖像分析領(lǐng)域最經(jīng)常用到的一種圖像分析方法，它在極大的降低圖像的數(shù)據(jù)量的同時(shí)，保留了圖像中分析目標(biāo)的重要信息——邊緣。邊緣是分析目標(biāo)和背景之間的分界面，這意味著，如果一幅圖像中的邊緣能夠精確的定位的話，那么圖像中的分析目標(biāo)就能夠被辨識出來，并且可以測量出該目標(biāo)的各種屬性，如周長，面積，形狀，等等。在計(jì)算機(jī)視覺和其它許多圖像處理領(lǐng)域，這種對圖像中分析目標(biāo)的辨識和分類應(yīng)用的非常廣泛，因此邊緣檢測在圖像分析領(lǐng)域已經(jīng)成為了一個十分必要的工具。
在圖像中，邊緣指的是圖像灰度值發(fā)生劇烈變化的地方?；趫D像導(dǎo)數(shù)的算法是檢測這些灰度值劇烈變化的最有效的方法。圖像的一階導(dǎo)數(shù)會在圖像的邊緣處產(chǎn)生局部最大值，例如Sobel和Robert等算子；而二階導(dǎo)數(shù)會在圖像的邊緣處產(chǎn)生過零點(diǎn)，例如Laplace和Log等算子。在沒有噪聲干擾的情況下，相對于一階導(dǎo)數(shù)，圖像的二階導(dǎo)數(shù)能夠更加精確的檢測出圖像的邊緣。但由于二階導(dǎo)數(shù)相對于一階導(dǎo)數(shù)對干擾噪聲更加敏感，因此當(dāng)圖像存在一定的噪聲干擾時(shí)，使用二階導(dǎo)數(shù)檢測圖像邊緣，會產(chǎn)生大量的偽過零點(diǎn)，從而降低了邊緣檢測的精度。另外在計(jì)算圖像的導(dǎo)數(shù)時(shí)，計(jì)算結(jié)果是分布在
區(qū)間中的連續(xù)值，而圖像灰度值是分布在離散空間{0，1，2，...，255}中的離散值，這樣就導(dǎo)致了舍入誤差，影響了最后的處理結(jié)果。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述基于圖像導(dǎo)數(shù)的算法存在的缺陷，提出基于元胞自動機(jī)的圖像檢測算法，提高圖像邊緣檢測的精度。
為達(dá)到上述目的，本發(fā)明的構(gòu)思是通過模擬物理擴(kuò)散模型計(jì)算圖像的二階導(dǎo)數(shù)，避免了使用對圖像灰度值進(jìn)行差分的方法求解圖像二階導(dǎo)數(shù)，計(jì)算過程中不存在舍入誤差，實(shí)現(xiàn)對圖像二階導(dǎo)數(shù)的精確求解。通過延長迭代次數(shù)，達(dá)到抑制偽過零點(diǎn)的目的。
根據(jù)上述的發(fā)明構(gòu)思，本發(fā)明采用下述技術(shù)方案一種基于元胞自動機(jī)的圖像邊緣檢測算法，其特征在于通過模擬物理擴(kuò)散模型計(jì)算圖像的二階導(dǎo)數(shù)，實(shí)現(xiàn)對圖像二階導(dǎo)數(shù)的精確求解，通過延長迭代次數(shù)，達(dá)到抑制偽過零點(diǎn)，其操作步驟為(1)對物理擴(kuò)散方程的模擬模擬物理模型的微觀粒子的自由運(yùn)動；(2)計(jì)算圖像的二階導(dǎo)數(shù)將迭代t次后得到的圖像Pt(x，y)與原始圖像Po(x，y)相減；(3)搜索過零點(diǎn)，確定邊緣通過增加算法迭代次數(shù)t，減少圖像二階導(dǎo)數(shù)中的由噪聲引起的偽過零點(diǎn)。
上述對步驟(1)中物理擴(kuò)散方程的模擬，其具體操作步驟如下(1)將圖像的每個像素點(diǎn)看成一個元胞；每個元胞與其上下左右四個鄰居組成一個Moore鄰域；每個元胞的狀態(tài)集定義為元胞內(nèi)可能包含的粒子數(shù)；每個元胞包含的粒子數(shù)大于0，并且小于256；(2)初始化，定義每個元胞的初始狀態(tài)與圖像中相對應(yīng)的像素點(diǎn)的灰度值相等；(3)在時(shí)刻t，產(chǎn)生隨機(jī)序列ux，y(i)＝{1，2，3，4，....}，其中ux，y(i)等于1，2，3，4的概率均為1/4；(4)計(jì)算元胞中分別向其四個鄰居移動的粒子數(shù)Ni(x,y)=Σj=1ρt(x,y)δ(ux,y(j)-i);]]>其中，δ(x)為Kronecker函數(shù)δ(x)=1x=00x≠0;]]>i＝0，1，2，3代表元胞的四個鄰居；(5)統(tǒng)計(jì)每個元胞中的粒子數(shù)ρt+1(x，y)＝N1(x-1，y)+N2(x，y+1)+N3(x+1，y)+N4(x，y-1)(6)重復(fù)步驟(3)～(5)。
上述的步驟(2)中的計(jì)算圖像的二階導(dǎo)數(shù)，其算法如下將迭代t次后得到的圖像ρt(x，y)與原始圖像ρ0(x，y)相減，并除以t再乘以1/4，即計(jì)算ρt(x,y)-ρ0(x,y)4t.]]>當(dāng)?shù)螖?shù)t足夠大時(shí)，偽過零點(diǎn)可以得到很好的抑制。
上述的步驟(3)中的搜索過零點(diǎn)，確定邊緣其實(shí)現(xiàn)方法如下定義L(x,y)=ρt(x,y)-ρ0(x,y)4t;]]>C(x，y)為位于坐標(biāo)位置(x，y)處的元胞；閾值T=ΣL(x,y)2M,]]>其中M為圖像像素點(diǎn)總數(shù)。則滿足以下條件的元胞可確認(rèn)為圖像邊緣。
(1)L(x，y)≠0如果|L(x-1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；(2)L(x，y)＝0如果L(x-1，y)·L(x+1，y)＜0并且|L(x-1，y)-L(x+1，y)|＞T那么C(x，y)為圖像邊緣；如果L(x-1，y-1)·L(x+1，y+1)＜0并且|L(x-1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x+1，y+1)＜0并且|L(x+1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x，y-1)＜0并且|L(x+1，y-1)-L(x，y+1)|＞T那么C(x，y)為圖像邊緣。
本發(fā)明與現(xiàn)有的技術(shù)相比較，具有以下顯而易見的突出實(shí)質(zhì)性特點(diǎn)和顯著優(yōu)點(diǎn)本發(fā)明通過模擬物理擴(kuò)散模型計(jì)算圖像的二階導(dǎo)數(shù)，避免了使用對圖像灰度值進(jìn)行差分的方法求解圖像二階導(dǎo)數(shù)，計(jì)算過程中不存在舍入誤差，實(shí)現(xiàn)對圖像二階導(dǎo)數(shù)的精確求解，克服了二階導(dǎo)數(shù)對噪聲敏感的缺陷，極大的提高了抗噪聲的性能；通過延長迭代次數(shù)，達(dá)到抑制偽過零點(diǎn)的目的，提高了邊緣檢測的準(zhǔn)確性。


圖1是物理擴(kuò)散模型圖，圖中a)是Moore鄰域示意圖；b)粒子從鄰居進(jìn)入元胞；c)粒子從元胞進(jìn)入鄰居。
圖2是本發(fā)明實(shí)施例的算法程序圖。
圖3是圖2示例的腦部核磁共振圖像。
圖4是腦部核磁共振圖像的邊緣圖。
圖5是肺部CT圖像。
圖6是肺部CT圖像的邊緣圖。
圖7是某人Lena圖像。
圖8是某人Lena圖像的邊緣圖。
具體實(shí)施例方式
本發(fā)明的實(shí)施例，結(jié)合附圖詳細(xì)敘述如下。
實(shí)施例1核磁共振圖像的邊緣檢測1)將圖像(如圖3所示)的每個像素點(diǎn)看成一個元胞；每個元胞與其上下左右四個鄰居組成一個Moore鄰域(如圖1.a)；每個元胞的狀態(tài)集定義為元胞內(nèi)可能包含的粒子數(shù)；每個元胞包含的粒子數(shù)大于0，并且小于256。
2)初始化，定義每個元胞的初始狀態(tài)與圖像中相對應(yīng)的像素點(diǎn)的灰度值相等。
3)在時(shí)刻t，產(chǎn)生隨機(jī)序列ux，y(i)＝{1，2，3，4，....}，其中ux，y(i)等于1，2，3，4的概率均為1/4。
4)計(jì)算元胞中分別向其四個鄰居移動的粒子數(shù)Ni(x,y)=Σj=1ρt(x,y)δ(ux,y(j)-i).]]>其中，δ(x)為Kronecker函數(shù)δ(x)=1x=00x≠0;]]>i＝0，1，2，3代表元胞的四個鄰居，如圖1.c所示。
5)統(tǒng)計(jì)每個元胞中的粒子數(shù)ρt+1(x，y)＝N1(x-1，y)+N2(x，y+1)+N3(x+1，y)+N4(x，y-1)。
6)重復(fù)步驟(3)～(5)。
7)將迭代t次后得到的圖像ρt(x，y)與原始圖像ρ0(x，y)相減，并除以t再乘以1/4，即計(jì)算ρt(x,y)-ρ0(x,y)4t.]]>8)搜索過零點(diǎn)，確定邊緣(如圖4所示)。凡是滿足以下條件的元胞可確認(rèn)為圖像邊緣。
a)L(x，y)≠0如果|L(x-1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；b)L(x，y)＝0如果L(x-1，y)·L(x+1，y)＜0并且|L(x-1，y)-L(x+1，y)＞T那么C(x，y)為圖像邊緣；如果L(x-1，y-1)·L(x+1，y+1)＜0并且|L(x-1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x+1，y+1)＜0并且|L(x+1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x，y-1)＜0并且|L(x+1，y-1)-L(x，y+1)|＞T那么C(x，y)為圖像邊緣；實(shí)施例2CT圖像的邊緣檢測1)將圖像(如圖5所示)的每個像素點(diǎn)看成一個元胞；每個元胞與其上下左右四個鄰居組成一個Moore鄰域(如圖1.a)；每個元胞的狀態(tài)集定義為元胞內(nèi)可能包含的粒子數(shù)；每個元胞包含的粒子數(shù)大于0，并且小于256。
2)初始化，定義每個元胞的初始狀態(tài)與圖像中相對應(yīng)的像素點(diǎn)的灰度值相等。
3)在時(shí)刻t，產(chǎn)生隨機(jī)序列ux，y(i)＝{1，2，3，4，....}，其中ux，y(i)等于1，2，3，4的概率均為1/4。
4)計(jì)算元胞中分別向其四個鄰居移動的粒子數(shù)Ni(x,y)=Σj=1ρt(x,y)δ(ux,y(j)-i).]]>其中，δ(x)為Kronecker函數(shù)δ(x)=1x=00x≠0;]]>i＝0，1，2，3代表元胞的四個鄰居，如圖1.c所示。
5)統(tǒng)計(jì)每個元胞中的粒子數(shù)ρt+1(x，y)＝N1(x-1，y)+N2(x，y+1)+N3(x+1，y)+N4(x，y-1)。
6)重復(fù)步驟(3)～(5)。
7)將迭代t次后得到的圖像ρt(x，y)與原始圖像ρ0(x，y)相減，并除以t再乘以1/4，即計(jì)算ρt(x,y)-ρ0(x,y)4t.]]>8)搜索過零點(diǎn)，確定邊緣(如圖6)。凡是滿足以下條件的元胞可確認(rèn)為圖像邊緣。
c)L(x，y)≠0如果|L(x-1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；
d)L(x，y)＝0如果L(x-1，y)·L(x+1，y)＜0并且|L(x-1，y)-L(x+1，y)|＞T那么C(x，y)為圖像邊緣；如果L(x-1，y-1)·L(x+1，y+1)＜0并且|L(x-1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x+1，y+1)＜0并且|L(x+1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x，y-1)＜0并且|L(x+1，y-1)-L(x，y+1)|＞T那么C(x，y)為圖像邊緣；實(shí)施例3數(shù)碼圖像的邊緣檢測1)將圖像(如圖7所示)的每個像素點(diǎn)看成一個元胞；每個元胞與其上下左右四個鄰居組成一個Moore鄰域(如圖1.a)；每個元胞的狀態(tài)集定義為元胞內(nèi)可能包含的粒子數(shù)；每個元胞包含的粒子數(shù)大于0，并且小于256。
2)初始化，定義每個元胞的初始狀態(tài)與圖像中相對應(yīng)的像素點(diǎn)的灰度值相等。
3)在時(shí)刻t，產(chǎn)生隨機(jī)序列ux，y(i)＝{1，2，3，4，....}，其中ux，y(i)等于1，2，3，4的概率均為1/4。
4)計(jì)算元胞中分別向其四個鄰居移動的粒子數(shù)Ni(x,y)=Σj=1ρt(x,y)δ(ux,y(j)-i).]]>其中，δ(x)為Kronecker函數(shù)δ(x)=1x=00x≠0;]]>i＝0，1，2，3代表元胞的四個鄰居，如圖1.c所示。
5)統(tǒng)計(jì)每個元胞中的粒子數(shù)ρt+1(x，y)＝N1(x-1，y)+N2(x，y+1)+N3(x+1，y)+N4(x，y-1)。
6)重復(fù)步驟(3)～(5)。
7)將迭代t次后得到的圖像ρt(x，y)與原始圖像ρ0(x，y)相減，并除以t再乘以1/4，即計(jì)算ρt(x,y)-ρ0(x,y)4t.]]>
8)搜索過零點(diǎn)，確定邊緣(如圖8所示)。凡是滿足以下條件的元胞可確認(rèn)為圖像邊緣。
e)L(x，y)≠0如果|L(x-1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；f)L(x，y)＝0如果L(x-1，y)·L(x+1，y)＜0并且|L(x-1，y)-L(x+1，y)|＞T那么C(x，y)為圖像邊緣；如果L(x-1，y-1)·L(x+1，y+1)＜0并且|L(x-1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x+1，y+1)＜0并且|L(x+1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x，y-1)＜0并且|L(x+1，y-1)-L(x，y+1)|＞T那么C(x，y)為圖像邊緣。
權(quán)利要求
1.一種基于元胞自動機(jī)的圖像邊緣檢測算法，其特征在于通過模擬物理擴(kuò)散模型計(jì)算圖像的二階導(dǎo)數(shù)，實(shí)現(xiàn)對圖像二階導(dǎo)數(shù)的精確求解，通過延長迭代次數(shù)，達(dá)到抑制偽過零點(diǎn)，其操作步驟為(1)對物理擴(kuò)散方程的模擬模擬物理模型的微觀粒子的自由運(yùn)動；(2)計(jì)算圖像的二階導(dǎo)數(shù)將迭代t次后得到的圖像Pt(x，y)與原始圖像Po(x，y)相減；(3)搜索過零點(diǎn)，確定邊緣通過增加算法迭代次數(shù)t，減少圖像二階導(dǎo)數(shù)中的由噪聲引起的偽過零點(diǎn)。
2.根據(jù)權(quán)利要求1所述的基于元胞自動機(jī)的圖像邊緣檢測算法，其特征在于所述的步驟(1)中的對物理擴(kuò)散方程的模擬，其具體操作步驟如下(1)將圖像的每個像素點(diǎn)看成一個元胞；每個元胞與其上下左右四個鄰居組成一個Moore鄰域；每個元胞的狀態(tài)集定義為元胞內(nèi)可能包含的粒子數(shù)；每個元胞包含的粒子數(shù)大于0，并且小于256；(2)初始化，定義每個元胞的初始狀態(tài)與圖像中相對應(yīng)的像素點(diǎn)的灰度值相等；(3)在時(shí)刻t，產(chǎn)生隨機(jī)序列ux，y(i)＝{1，2，3，4，....}，其中ux,y(i)等于1，2，3，4的概率均為1/4；(4)計(jì)算元胞中分別向其四個鄰居移動的粒子數(shù)Ni(x,y)=Σj=1ρt(x,y)δ(ux,y(j)-i)]]>；其中，δ(x)為Kronecker函數(shù)δ(x)=1x=00x≠0]]>；i＝0，1，2，3代表元胞的四個鄰居；(5)統(tǒng)計(jì)每個元胞中的粒子數(shù)ρt+1(x，y)＝N1(x-1，y)+N2(x，y+1)+N3(x+1，y)+N4(x，y-1)(6)重復(fù)步驟(3)～(5)。
3.根據(jù)權(quán)利要求1所述的基于元胞自動機(jī)的圖像邊緣檢測算法，其特征在于所述的步驟(2)中的計(jì)算圖像的二階導(dǎo)數(shù)，其算法如下將迭代t次后得到的圖像ρt(x，y)與原始圖像ρ0(x，y)相減，并除以t再乘以1/4，即計(jì)算ρt(x,y)-ρ0(x,y)4t]]>。當(dāng)?shù)螖?shù)t足夠大時(shí)，偽過零點(diǎn)可以得到很好的抑制。
4.根據(jù)權(quán)利要求1所述的基于元胞自動機(jī)的圖像邊緣檢測算法，其特征在于所述的步驟(3)中的搜索過零點(diǎn)確定邊絕，其實(shí)現(xiàn)方法如下定義L(x,y)=ρt(x,y)-ρ0(x,y)4t]]>；C(x，y)為位于坐標(biāo)位置(x，y)處的元胞；閾值T=ΣL(x,y)2M]]>，其中M為圖像像素點(diǎn)總數(shù)。則滿足以下條件的元胞可確認(rèn)為圖像邊緣。(1)L(x，y)≠0如果|L(x-1,y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y-1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x-1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；如果|L(x+1，y+1)-L(x，y)|＞T，那么C(x，y)為圖像邊緣；(2)L(x，y)＝0如果L(x-1，y)·L(x+1，y)＜0并且|L(x-1，y)-L(x+1，y)|＞T那么C(x，y)為圖像邊緣；如果L(x-1，y-1)·L(x+1，y+1)＜0并且|L(x-1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x+1，y+1)＜0并且|L(x+1，y-1)-L(x+1，y+1)|＞T那么C(x，y)為圖像邊緣；如果L(x+1，y-1)·L(x，y-1)＜0并且|L(x+1，y-1)-L(x，y+1)|＞T那么C(x，y)為圖像邊緣。
全文摘要
本發(fā)明涉及一種基于元胞自動機(jī)的圖像邊緣檢測算法。它是通過模擬物理擴(kuò)散模型計(jì)算圖像的二階導(dǎo)數(shù)，實(shí)現(xiàn)對圖像二階導(dǎo)數(shù)的精確求解，通過延長迭代次數(shù)，達(dá)到抑制偽過零點(diǎn)，其操作步驟為(1)對物理擴(kuò)散方程的模擬；(2)計(jì)算圖像的二階導(dǎo)數(shù)；(3)搜索過零點(diǎn)，確定邊緣。本發(fā)明克服了二階導(dǎo)數(shù)對噪聲敏感的缺陷，極大地提高了抗噪聲的性能，提高了求解圖像二階導(dǎo)數(shù)的精度，提高了邊緣檢測的準(zhǔn)確性。
文檔編號G06T7/60GK1971619SQ20061011913
公開日2007年5月30日 申請日期2006年12月5日 優(yōu)先權(quán)日2006年12月5日
發(fā)明者嚴(yán)壯志, 陳玉, 劉書朋 申請人:上海大學(xué)