專利名稱：一種基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，涉及一種基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)方法。
背景技術(shù)：
邊緣是圖像局部灰度變化不連續(xù)部分，包含了一幅圖像最重要的信息，也是人眼 最敏感的部分。圖像邊緣檢測(cè)技術(shù)在視頻處理，計(jì)算機(jī)視覺，生物醫(yī)學(xué)，模式識(shí)別等各個(gè)領(lǐng) 域中都有著廣泛的應(yīng)用。傳統(tǒng)的圖像邊緣檢測(cè)方法，如羅伯茨(Roberts)算子、索貝爾(Sobel)算子、普魯 伊特(Prewitt)算子、拉普拉斯(Laplacen)算子等，主要是通過一階或2階微分運(yùn)算來提 取圖像邊緣，但是由于在圖像中噪聲和邊緣都屬于高頻分量，這類微分算子不可避免的會(huì) 增加圖像中的噪聲。后來出現(xiàn)的最優(yōu)算子法，主要思想是在微分運(yùn)算之前先采用適當(dāng)?shù)钠?滑濾波來減少高頻分量中噪聲的影響，如LoG(Laplacen of Gaussian)算子、坎尼(Canny) 算子、正弦算子等，雖然取得了一定的成果，但是在抑制噪聲和虛假邊緣方面仍然不能令人 滿意。近年來，各種新的理論工具在圖像邊緣檢測(cè)技術(shù)中得到了廣泛應(yīng)用，如小波變換、數(shù) 學(xué)形態(tài)學(xué)、模糊數(shù)學(xué)、分形理論等。其中數(shù)學(xué)形態(tài)學(xué)從集合的角度來分析和處理圖像，通過 各種形態(tài)學(xué)算子和結(jié)構(gòu)元素的靈活組合，可以在有效濾除噪聲的同時(shí)較好的保留原有的圖 像信息，同時(shí)形態(tài)學(xué)運(yùn)算容易進(jìn)行并行處理，在實(shí)際應(yīng)用中易于實(shí)現(xiàn)。

發(fā)明內(nèi)容
本發(fā)明的主要目的是針對(duì)現(xiàn)有技術(shù)的不足，提供了一種多尺度的基于數(shù)學(xué)形態(tài)學(xué) 的圖像邊緣檢測(cè)方法，該方法能夠在有效抑制噪聲和虛假邊緣的同時(shí)，較好的保證邊緣細(xì) 節(jié)，從而獲得良好的邊緣信息和視覺效果。本發(fā)明方法的具體步驟為步驟一，采用不同尺度的結(jié)構(gòu)元素對(duì)圖像進(jìn)行形態(tài)學(xué)處理，獲取邊緣信息圖像。步驟二，對(duì)步驟一各個(gè)尺度結(jié)構(gòu)元素處理所得的邊緣信息圖像進(jìn)行加權(quán)合并，獲 取總邊緣信息圖像。步驟三，對(duì)步驟二所得的總邊緣信息圖像的邊緣點(diǎn)進(jìn)行細(xì)化和閾值分割，得到最 終的二值邊緣圖像。所述的步驟一，根據(jù)需要選取不同尺度的結(jié)構(gòu)元素，即3X3，5X5，7X7這樣的子 圖像模板。以3X3模板為例，本發(fā)明采用的結(jié)構(gòu)元素可劃分為6個(gè)域，分別標(biāo)記為Dp D2， D3，D4，D，Dr。dl，其中= {(-1,0), (0,0), (0,1)},D2 = {(0，-1)，(0，0)，(1，0)}，D3 = {(_1，0)，(0，0)，(0，-1)}， (1)D4 = {(1,0), (0,0), (0,1)},D = {(-1，-1)，(-1,1), (0,0), (1，-1)，(1,1)},
Drodl = {(0，-1)，(0,1) (0,0), (-1,0), (1,0)},對(duì)于尺度為n，即(2n-l) X (2n_l)的結(jié)構(gòu)元素，可劃分為nD:，nD2，nD3，nD4，nD， nDrodl6個(gè)域，他們分別是D2，D3，D4，D，Drodl自身做n-1次膨脹運(yùn)算所得，即 其中，膨脹算子 是數(shù)學(xué)形態(tài)的最基本的算子之一，對(duì)于灰度圖像f (r, c)，被結(jié)構(gòu) 元素b(r，c)膨脹，定義為 另外定義腐蝕算子 ，f(r，c)被b(r，c)腐蝕的運(yùn)算定義為 在膨脹運(yùn)算和腐蝕運(yùn)算的基礎(chǔ)上定義開啟運(yùn)算和閉合運(yùn)算，其中o為開啟算
子， 為閉合算子。
在本發(fā)明中，采用經(jīng)過改進(jìn)的邊緣檢測(cè)算子G，其計(jì)算過程如下對(duì)要進(jìn)行處理的 圖像先分別進(jìn)行兩種處理，一種先進(jìn)行開啟運(yùn)算后閉合運(yùn)算，另一種先進(jìn)行閉合運(yùn)算后開 啟運(yùn)算，然后將兩種運(yùn)算進(jìn)行加權(quán)，得到的結(jié)果記為g(r，c)，即 其中co為加權(quán)因子，0 < co < 1。再將g(r，c)分別進(jìn)行膨脹與腐蝕運(yùn)算，二者相減，記為G。 對(duì)于尺度為n的結(jié)構(gòu)元素，其邊緣信息圖像為En(r，c)。 其中G' n(r，c)定義為
碼(r,c)分別
表示采用邊緣檢測(cè)算子G在nDradl，nD, nD^ nD2, nD3, nD4各個(gè)域上進(jìn)行運(yùn)算所得的結(jié)果。所述的步驟二，對(duì)于步驟一中選用的各個(gè)尺度結(jié)構(gòu)元素經(jīng)過(7)、(8)所示處理所
得的邊緣信息圖像En(r，c)，采取加權(quán)合并的方式得到總邊緣信息圖像E(r，c)，即
iE(r,c) = YKEn(r,c)(11)
n-k—般的，總是從3X3即尺度為1開始取，這樣能夠更好的保留邊緣細(xì)節(jié)，即
E{r,c) = YJKEn(r,c)(12)
n=l
m其中Z人=1, n > 0，m為所選的最大尺度值。
n=\所述的步驟三，采用非極大值抑制法(non-maxima suppression，匪S)對(duì)步驟二所 得的邊緣進(jìn)行細(xì)化，具體做法是對(duì)于某個(gè)像素點(diǎn)a，考慮以它為原點(diǎn)的3X3矩陣的各個(gè)像 素，以行列坐標(biāo)將這9個(gè)像素點(diǎn)分別標(biāo)記為(_1，_1)，(_1，0)，(_1，1)，(0，-1)，(0，0)(即為 a), (0,1), (1,-1), (1,0), (1，1)，若(13)中的4種情況都不滿足，則將a的像素灰度值修 正為上述9個(gè)像素灰度值的最小值，(13)中的a (-1，-1)，a (-1，0)，a (-1，1)，a (0，_1)，a (0， 0) ,a(0,l),a(l,-l),a(l,0),a(l, 1)分別代表各像素對(duì)應(yīng)的灰度值。1. a(-l, -l)+a(-l,0)+a(-l, 1) < a (0，_1)+a (0，0)+a (0，1) > a(l，_l)+a(l，
0)+a(l，l)(對(duì)應(yīng)0° 邊緣)2. a(_l，-l)+a(0，-l)+a(l，-1) < a(_l，0)+a(0，0)+a(l，0) > a(_1，1)+a(0，
1)+a(l，l)(對(duì)應(yīng)90° 邊緣) (13)3. a(_l，-l)+a(-l，0)+a(0，-1) < a (-1，1)+a (0，0)+a (1，_1) >a(0，l)+a(l， 0)+a(l，l)(對(duì)應(yīng) 45° 邊緣)4. a (-1，0)+a (-1，1)+a (0，1) < a (-1，- 1)+a (0，0)+a (1，1) > a(0，-l)+a(l，-l)+a(l,0)(對(duì)應(yīng) 135° 邊緣)將細(xì)化之后的灰度邊緣信息圖像通過設(shè)定的閾值進(jìn)行閾值分割，即圖像中灰度值 大于設(shè)定的閾值的像素灰度值置為最大值255，小于等于設(shè)定的閾值的像素灰度值置為最 小值0，得到最終的二值邊緣圖像。本發(fā)明方法的優(yōu)點(diǎn)是通過采用不同尺度的結(jié)構(gòu)元素以及改進(jìn)的邊緣檢測(cè)算子， 既能有效的過濾噪聲和抑制虛假邊緣，又能夠最大限度的保留邊緣細(xì)節(jié)，從而獲得良好的 邊緣效果。


圖1為本發(fā)明采用的邊緣檢測(cè)算子的計(jì)算流程圖2為本發(fā)明采用的3X3結(jié)構(gòu)元素示意圖3為采用邊緣檢測(cè)算子和多尺度的結(jié)構(gòu)元素獲得邊緣圖像的流程圖
圖4為采用非極大值抑制法進(jìn)行邊緣細(xì)化的示意圖5為進(jìn)行邊緣檢測(cè)的原始灰度圖像；
圖6為圖5經(jīng)過本發(fā)明方法處理后的結(jié)果圖7為經(jīng)過密度為0. 2的椒鹽噪聲污染后的原始灰度圖像；
圖8為圖7經(jīng)過本發(fā)明方法處理后的結(jié)果圖9為經(jīng)過方差為0. 1的高斯噪聲污染后的原始灰度圖像；
圖10為圖9經(jīng)過本發(fā)明方法處理后的結(jié)果圖。
具體實(shí)施例方式
下面結(jié)合附圖1-10以及式(1)_(13)對(duì)本發(fā)明實(shí)施方式做進(jìn)一步的說明。
對(duì)于本發(fā)明所使用的四種基本的數(shù)學(xué)形態(tài)學(xué)算子，即膨脹算子、腐蝕算子、開啟算 子和閉合算子，其灰度圖像的運(yùn)算表達(dá)式分別如(3)_(6)式所定義。在膨脹運(yùn)算中，輸入圖 像f 中的某個(gè)像素點(diǎn)(r，c)經(jīng)過結(jié)構(gòu)元素b膨脹以后的灰度值，等于所有結(jié)構(gòu)元素域中的 點(diǎn)(i，j)和落在f域中的點(diǎn)(r-i，c_j)灰度值之和的最大值。在實(shí)際應(yīng)用中，結(jié)構(gòu)元素中 的各個(gè)點(diǎn)的灰度值全部取零值，因此膨脹運(yùn)算就變成搜尋(r-i，c-j)的最大灰度值，同樣 的腐蝕運(yùn)算即為搜尋(r+i，c+j)的最小灰度值。開啟運(yùn)算定義為先做腐蝕運(yùn)算再做膨脹運(yùn) 算，而閉合運(yùn)算則定義為先膨脹后腐蝕。圖1說明了本發(fā)明所使用的邊緣檢測(cè)算子的運(yùn)算流程。首先對(duì)于輸入圖像分兩種 方式進(jìn)行處理，一種先進(jìn)行開啟運(yùn)算后進(jìn)行閉合運(yùn)算(CO變換)，另一種先閉合后開啟(0C 變換)，這兩種變換都有較好的抗噪聲性能，其中CO變換使處理后的圖像變亮，0C變換則使 之變得更暗，因此在本發(fā)明中采用兩者的加權(quán)和，即為g(r，C)，在這里加權(quán)因子《 —般可 取0.5，也可以根據(jù)不同圖像的處理需求采用其他值。經(jīng)過這樣處理后的圖像再分別進(jìn)行膨 脹和腐蝕兩種運(yùn)算，兩者相減即為檢測(cè)出的圖像邊緣。其處理過程可用(7) (8)兩式概括， 算子用G表示。圖2為本發(fā)明邊緣檢測(cè)方法所采用的結(jié)構(gòu)元素示意圖，以3X3為例，如⑴式所 定義，分為6個(gè)域，其中Di、D2、D3、D4分別是互為對(duì)偶的左上、右下、左下、右上四個(gè)小三角狀 的區(qū)域，DMdl為半徑為1的各點(diǎn)組成的對(duì)稱區(qū)域，D為Dradl以外的各點(diǎn)加上原點(diǎn)所組成的區(qū) 域。同樣的，對(duì)于尺度為n，即(2n-l) X (2n-l)的結(jié)構(gòu)元素，可劃分為nDpnDynDyiiDpnD、 nDrodl這樣6個(gè)域，他們分別是DrDyDrDpD^^自身做n_l次膨脹運(yùn)算所得。其中叫、 nD2、nD3、nD4和D” D2、D3、D4 一樣，也是具有相似的小三角狀區(qū)域，nDrodl是半徑為n的各點(diǎn) 組成的對(duì)稱區(qū)域，而nD則為nD一以外各點(diǎn)加上原點(diǎn)組成的區(qū)域。圖3為采用圖1所示邊緣檢測(cè)算子和圖2所示多個(gè)尺度的結(jié)構(gòu)元素獲得總邊 緣圖像的流程圖。對(duì)于尺度為n的結(jié)構(gòu)元素，采用(9) (10)式所定義的方法得到圖像邊 緣。即首先分別對(duì)叫、nD2、nD3、nD4、nD、nDrodl這6個(gè)域進(jìn)行圖1所示邊緣檢測(cè)算子的運(yùn) 算，對(duì)于nDp nD2、nD3、nD4這4個(gè)對(duì)偶域，分別計(jì)算⑷工和nD2域計(jì)算結(jié)果的差的絕對(duì)值 I GnD[ (r, c) - GnDi (r, c) |、nD3和nD4域計(jì)算結(jié)果的差的絕對(duì)值I G叫(r, c) - (r, c) |，這兩
個(gè)結(jié)果相比較取最大值，得到的結(jié)果G' n(r, c)再同nD、nDradl域計(jì)算結(jié)果GnAwi(r,c)、 G^ (r，c)相比較，取它們?nèi)叩淖钚≈底鳛槌叨葹閚的結(jié)構(gòu)元素所檢測(cè)出的圖像邊緣En。將 采用各個(gè)尺度結(jié)構(gòu)元素所得到的邊緣圖像進(jìn)行加權(quán)合并，如(11) (12)式所示，即可得到總 的邊緣信息圖像。尺度越小的結(jié)構(gòu)元素能夠保留更多的邊緣細(xì)節(jié)但濾噪效果較差，而尺度 越大的結(jié)構(gòu)元素能夠更有效的濾除噪聲但同時(shí)使得邊緣細(xì)節(jié)較為模糊，因此本發(fā)明采用多 尺度加權(quán)平均的方法對(duì)邊緣細(xì)節(jié)和抗噪能力這兩者進(jìn)行平衡，通過選擇不同的尺度和加權(quán) 系數(shù)，滿足不同的處理需求。圖4為采用非極大值抑制法進(jìn)行邊緣細(xì)化的4種判斷情況，分別對(duì)應(yīng)如(13)所示 的0° (圖中標(biāo)記為1)、90° (圖中標(biāo)記為2)、45° (圖中標(biāo)記為3)和135° (圖中標(biāo)記 為4)四種邊緣方向。按照?qǐng)D中所示的各方式取三組點(diǎn)，比較每組灰度值之和，若(13)所示 的4種情況都不滿足，則這個(gè)3 X 3矩陣的中心點(diǎn)a的灰度值修正為這9個(gè)點(diǎn)灰度值的最小 值。通過這種方法可以對(duì)得到的較為粗糙的圖像邊緣進(jìn)行細(xì)化。然后根據(jù)需要選擇合適的 閾值對(duì)灰度邊緣圖像進(jìn)行閾值分割，得到最終的二值邊緣圖像。
圖5、圖6、圖7、圖8、圖9和圖10為采用本發(fā)明邊緣檢測(cè)方法的實(shí)驗(yàn)結(jié)果示例，采 用3階的結(jié)構(gòu)元素，即3X3，5X5，7X7三種尺度的結(jié)構(gòu)元素進(jìn)行處理并加權(quán)所得的結(jié)果。 可以看到在保留邊緣細(xì)節(jié)和濾噪兩方面本發(fā)明具有較好的平衡。其中對(duì)于椒鹽噪聲污染的 圖像，用本發(fā)明方法處理后的結(jié)果幾乎和無噪聲圖像處理所得的結(jié)果具有同樣細(xì)致的邊緣 效果。而在圖像污染比較嚴(yán)重的方差為0. 1的高斯噪聲環(huán)境下，依然得到良好的邊緣圖像。
權(quán)利要求
一種基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)方法，其特征在于該方法包括以下步驟步驟一.采用不同尺度的結(jié)構(gòu)元素對(duì)圖像進(jìn)行形態(tài)學(xué)處理，獲取邊緣信息圖像；具體方法為首先根據(jù)需要選取不同尺度的結(jié)構(gòu)元素；對(duì)于尺度為n，即(2n 1)×(2n 1)的結(jié)構(gòu)元素，劃分為nD1、nD2、nD3、nD4、nD和nDrod1共六個(gè)域，nD1、nD2、nD3、nD4、nD和nDrod1分別為D1、D2、D3、D4、D、Drod1自身做n 1次膨脹運(yùn)算所得；然后對(duì)待處理的圖像f分別進(jìn)行兩種處理，一種先進(jìn)行開啟運(yùn)算后閉合運(yùn)算，另一種先進(jìn)行閉合運(yùn)算后開啟運(yùn)算，然后將兩種運(yùn)算進(jìn)行加權(quán)，得到的結(jié)果記為g(r，c)，g(r，c)＝ω×((f·b)оb)(r，c)+(1 ω)×((fоb)·b)(r，c)其中ω為加權(quán)因子，0＜ω＜1；“·”為閉合算子；“ο”為開啟算子，r和c為函數(shù)的參數(shù)，b為結(jié)構(gòu)元素；再將g(r，c)分別進(jìn)行膨脹與腐蝕運(yùn)算，二者相減得到G； <mrow><mi>G</mi><mo>=</mo><mrow> <mo>(</mo> <mi>g</mi> <mo>&CirclePlus;</mo> <mi>b</mi> <mo>)</mo></mrow><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>-</mo><mrow> <mo>(</mo> <mi>g&Theta;b</mi> <mo>)</mo></mrow><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow> </mrow>對(duì)于尺度為n的結(jié)構(gòu)元素，其邊緣信息圖像為En(r，c)， <mrow><msub> <mi>E</mi> <mi>n</mi></msub><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>=</mo><mi>min</mi><mo>{</mo><msub> <mi>G</mi> <mrow><mi>n</mi><msub> <mi>D</mi> <mrow><mi>rod</mi><mn>1</mn> </mrow></msub> </mrow></msub><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>,</mo><msub> <mi>G</mi> <mi>nD</mi></msub><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>,</mo><msub> <msup><mi>G</mi><mo>&prime;</mo> </msup> <mi>n</mi></msub><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>}</mo> </mrow>其中 <mrow><msubsup> <mi>G</mi> <mi>n</mi> <mo>&prime;</mo></msubsup><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>=</mo><mi>max</mi><mo>{</mo><mo>|</mo><msub> <mi>G</mi> <mrow><mi>n</mi><msub> <mi>D</mi> <mn>1</mn></msub> </mrow></msub><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>G</mi> <mrow><mi>n</mi><msub> <mi>D</mi> <mn>2</mn></msub> </mrow></msub><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>|</mo><mo>,</mo><mo>|</mo><msub> <mi>G</mi> <mrow><mi>n</mi><msub> <mi>D</mi> <mn>3</mn></msub> </mrow></msub><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>G</mi> <mrow><mi>n</mi><msub> <mi>D</mi> <mn>4</mn></msub> </mrow></msub><mrow> <mo>(</mo> <mi>r</mi> <mo>,</mo> <mi>c</mi> <mo>)</mo></mrow><mo>|</mo><mo>}</mo> </mrow>分別表示采用邊緣檢測(cè)算子G在nDrod1、nD、nD1、nD2、nD3和nD4各個(gè)域上進(jìn)行運(yùn)算所得的結(jié)果；步驟二.對(duì)邊緣信息圖像進(jìn)行加權(quán)合并，獲取總邊緣信息圖像E(r，c)，其中n＞0，m為所選的最大尺度值；步驟三.對(duì)總邊緣信息圖像的邊緣點(diǎn)進(jìn)行細(xì)化和閾值分割，得到最終的二值邊緣圖像；具體方法為首先采用非極大值抑制法對(duì)邊緣點(diǎn)進(jìn)行細(xì)化，對(duì)于像素點(diǎn)a，考慮以它為原點(diǎn)的3×3矩陣的各個(gè)像素，以行列坐標(biāo)將這9個(gè)像素點(diǎn)分別標(biāo)記為( 1， 1)，( 1，0)，( 1，1)，(0， 1)，(0，0)，(0，1)，(1， 1)，(1，0)，(1，1)，若該像素點(diǎn)對(duì)于以下4種情況都不滿足，則將像素點(diǎn)a的像素灰度值修正為上述9個(gè)像素灰度值的最小值；情況1.a( 1， 1)+a( 1，0)+a( 1，1)＜a(0， 1)+a(0，0)+a(0，1)且a(0， 1)+a(0，0)+a(0，1)＞a(1， 1)+a(1，0)+a(1，1)情況2.a( 1， 1)+a(0， 1)+a(1， 1)＜a( 1，0)+a(0，0)+a(1，0)且a( 1，0)+a(0，0)+a(1，0)＞a( 1，1)+a(0，1)+a(1，1)情況3.a( 1， 1)+a( 1，0)+a(0， 1)＜a( 1，1)+a(0，0)+a(1， 1)且a( 1，1)+a(0，0)+a(1， 1)＞a(0，1)+a(1，0)+a(1，1)情況4.a( 1，0)+a( 1，1)+a(0，1)＜a( 1， 1)+a(0，0)+a(1，1)且a( 1， 1)+a(0，0)+a(1，1)＞a(0， 1)+a(1， 1)+a(1，0)其中a( 1， 1)、a( 1，0)、a( 1，1)、a(0， 1)、a(0，0)、a(0，1)、a(1， 1)、a(1，0)、a(1，1)分別代表各像素對(duì)應(yīng)的灰度值；然后將細(xì)化之后的灰度邊緣信息圖像通過設(shè)定的閾值進(jìn)行閾值分割，即圖像中灰度值大于設(shè)定的閾值的像素灰度值置為255，小于等于設(shè)定的閾值的像素灰度值置為0，得到最終的二值邊緣圖像。FSA00000226994600014.tif,FSA00000226994600015.tif,FSA00000226994600016.tif
全文摘要
本發(fā)明涉及一種基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)方法?，F(xiàn)有的方法在抑制噪聲和虛假邊緣方面不理想。本發(fā)明方法首先采用不同尺度的結(jié)構(gòu)元素對(duì)圖像進(jìn)行形態(tài)學(xué)處理，獲取邊緣信息圖像；然后對(duì)邊緣信息圖像進(jìn)行加權(quán)合并，獲取總邊緣信息圖像；最后對(duì)總邊緣信息圖像的邊緣點(diǎn)進(jìn)行細(xì)化和閾值分割，得到最終的二值邊緣圖像。本發(fā)明通過采用不同尺度的結(jié)構(gòu)元素以及改進(jìn)的邊緣檢測(cè)算子，既能有效的過濾噪聲和抑制虛假邊緣，又能夠最大限度的保留邊緣細(xì)節(jié)，從而獲得良好的邊緣效果。
文檔編號(hào)G06T5/00GK101930597SQ201010251698
公開日2010年12月29日 申請(qǐng)日期2010年8月10日 優(yōu)先權(quán)日2010年8月10日
發(fā)明者艾鑫, 謝磊, 陳惠芳 申請(qǐng)人:浙江大學(xué)