[发明专利]一种基于聚类算法的图像边缘拟合B样条生成方法

说明书

技术领域：

本发明涉及图像边缘拟合的技术领域，涉及了基于聚类算法的图像边缘拟合生成B样条曲线生成方法，利用canny算子生成的边缘点集不但有效的提取有用信息的边缘点，而且有效的抑制噪声。

背景技术：

聚类分析又称群分析，它是研究分类问题的一种统计分析算法，其主要目的是通过对数据集得合理规划来发现数据集的结构特征。聚类就是将物理或抽象的数据对象，按照对象间的相似性进行分组或者分类的过程，广泛应用于各研究和应用领域，如数据挖掘、图像分割、模式识别等诸多方面。

图像边缘检测是图像处理中重要的研究内容之一，在生产实践中有广泛的应用。现有的大部分图像边缘检测算法处理结果是一些离散的边缘点集，这些点集在一些生产实践中难以直接利用。

图像的边缘具有丰富的局部信息，包含了图像的诸多特征，但是边缘曲线不规则，难以描述及应用。应用于图像的拟合方法繁多，如基于灰度直方图的曲线拟合、基于最小二乘的曲线拟合、二维高斯曲面拟合算法等，但是在提取数字图像的过程中，受多种因素影响，往往会出现模糊、失真、噪声干扰等现象，造成图像退化失真。传统Canny算法在梯度幅值计算上的缺陷，且Canny边缘检测算法在采用基于梯度幅值的双阈值法检测和连接边缘时，尽管抑制了噪声，但同时也损坏了部分低强度边缘。

发明内容：

本发明的目的在于：提出一种从图像直接获取拟合边缘的B样条曲线，从而可以满足诸多的生产实践需求。本发明实现了一种基于聚类算法的图像边缘拟合B样条生成方法，使用聚类方法作为B样条生在成的控制点，不仅可以有效抑制噪声，提高边缘检测拟合的效果。

本发明的技术方案是：基于聚类算法的图像边缘拟合B样条生成方法，采用聚类算法，将canny算子生成的边缘离散点的梯度差作为聚类算法的聚类判断公式，聚类算法的初始类中心点采用x轴等间距点，使用聚类算法迭代生成各类核，使用核作为B样条的控制点，从而拟合生成B样条曲线，其实现步骤为：

步骤1、将原始图像利用二维高斯函数的一阶导数对其进行平滑去噪，得到平滑图像；

步骤2、采用3×3领域，在像素8领域内通过计算x轴方向，y轴方向，45°方向和135°的一阶偏导的差分来计算图像的梯度幅值和方向；

步骤3、沿8领域方向检测模值的极大值点，即为边缘点，遍历8方向图像，通过比较每个像素偏导值与相邻像素模值，取其最大值MAX值为边缘点；

步骤4、选取高低阈值过滤，得到边缘点集；

步骤5、通过离散的边缘点集创建边缘点结构体数组，并根据将x轴等分成N段，依次将边缘点数组划分成N组，每组随机抽取一点作为聚类生长中心点；

步骤6、针对边缘点结构体数组使用聚类算法迭代求得每组的类核心点点集；

步骤7、基于步骤6求得的点集，作为B样条的控制点，生成拟合B样条曲线；

步骤6使用的聚类算法为：

步骤61、判断每组聚类中心点与之邻近的边缘点的类距离是否在承受范围内：若在，则将边缘点纳入当前聚类中；若不在，则计算聚类中是否存在一点，若将其作为聚类中点，该聚类中心与当前聚类中各点、及当前测试点的类距离小于系统确定常数，若有，将该点纳入当前聚类，并将该点作为当前聚类中心点；若无，则完成当前聚类，并将当前聚类的中心点计入控制点数组中，同时删除当前聚类所纳入的边缘点；

步骤62、重复聚类当前组剩余的边缘点，直至当前组内边缘点数为空；

步骤63、迭代结束，对于求得的聚类中心点集，与其邻近点的梯度差结进行判评，根据差值是否在接收范围内，以确定最终的B样条生成控制点集；详见本发明具体步骤第11步。

所述的聚类算法中，用于判断点集的类距离公式为：α*abs(θp-θq)+β

*abs(Mp-Mq)，其中abs()为绝对值函数，θ为点梯度方向，M为点的梯度幅值，α、

β分别为调节系数。

在每组中随机抽取一点作为聚类生长的中心点并标记为初始化当前聚类点集合为空；

判断与领近的边缘点q_i的梯度方向差是否在可承受范围内：

与q_i的梯度方向为θp、θq，以及梯度值，判断α*abs(θp-θq)+β*abs(Mp-Mq)＜ε？，若在可接受范围内，则将qi纳入到当前聚类中；若否，则计算当前聚类中是否存在有一点q_i，使得当前聚类中各点与其梯度方向，都满足距离小于ε；

若存在有该点，则设该点为当前聚类的中心点，并将qi纳入到当前聚类中；