[发明专利]自适应阈值的Sobel边缘检测方法

说明书

本发明公开了自适应阈值的Sobel边缘检测方法，其特征在于，包括以下步骤：S1：计算输入图像梯度；S2：自适应阈值计算；S3：如果合成梯度大于或等于阈值，即可确定目标像素点是边缘点，即可得到边缘图像。本发明方法利用中值滤波思想来确定图像的每一像素点局部边缘阈值来实现自适应阈值Sobel边缘检测。该算法检测出的实时图像边缘更加精细，并且能很好地抑制背景噪声。

技术领域

本发明具体涉及自适应阈值的Sobel边缘检测方法。

背景技术

边缘是图像基本特征之一，边缘检测是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤。经典的边缘检测是基于检测算子的方法，通过考察待测点在某个邻域内的灰度变化，然后利用一阶或二阶方向导数变化规律，根据一定的判断标准检测出边缘。常见的边缘检测算子有Roberts算子、Sobel算子、Prewitt算子、Laplace算子、LOG算子、Canny算子等。

经典Sobel边缘检测方法先对图像进行加权平均，然后再做微分运算，对噪声具有一定的抑制能力，其对在水平和垂直方向的边缘检测性能优于其他方向的检测性能，而且定位精度也比较高，但是该方法也存在如下缺陷：

（1）仅采用水平和垂直方向上相邻像素之差进行梯度幅度计算，并未考虑其他方向上的相邻像素情况，易造成部分边缘信息丢失；

（2）算子的阈值参数需要人为设定，不具有自适应能力，阈值设置过高，会导致边缘间断，设置过低则容易产生伪边缘；

（3）算子先加权平均后差分，抑制噪声的能力不强，同时会丢失一些细节信息，使边缘有一定的模糊。

发明内容

本发明要解决的技术问题是提供自适应阈值的Sobel边缘检测方法。

自适应阈值的Sobel边缘检测方法，其特征在于，包括以下步骤：

S1：计算输入图像梯度：

设图像函数为，则梯度定义为一个向量：

；

其中，是水平方向梯度，是垂直方向梯度；

梯度幅值为：，

向量的方向角为：；

S2：自适应阈值计算；

S3：如果合成梯度大于或等于阈值，即可确定目标像素点是边缘点，即可得到边缘图像。

进一步的，自适应阈值计算方法如下：

1）在一个阈值判断的模板中，设像素点为，其中n≥3，进行第一次分组，将每3个连续的像素点分为一组，得到集合-：

；

2）第一次排序：

对于第一组：

同理，可求出第n组的排序：

；

3）第二次分组：

将步骤2）排好的数再分为三组，设集合：

；

4）第二次排序：

在步骤3）分好的组中求出想要的数，设：

；

对线进行升排序,可得：

；

再取出排在中间的值：

；

；