基于Canny算子的低照度圖像特定區域邊緣提取方法

裴云霞，張海民

(1.宣城職業技術學院 信息與財經學院，安徽 宣城 242099；2.安徽信息工程學院 計算機與軟件工程學院，安徽 蕪湖 241199)

在低照度環境下獲取的圖像，因其成像時光照不均勻，在圖像細節信息提取中容易出現偏差，需要通過增強處理手段對圖像進行全面檢測，以保證該類型圖像的特征信息具有較好的獲取效果。為實現低照度圖像的細節信息檢測，許多科研人員通過不同的技術手段設計圖像提取方法。劉建思等[1]提出了邊緣檢測方法，通過參數化理論設計推導模型，再根據模型獲取邊緣提取的梯度算子，對數字圖像的低亮度區域進行敏感因子分析，以區分區域邊緣特征與其他區域特征。雖然該方法在不同標準下實現了圖像邊緣的檢測和提取，但沒有考慮噪聲條件等其他因素的影響。萬方等[2]利用階躍濾波方法分解圖像亮度分量，實現了低照度圖像邊緣的增強和檢測。該方法的優勢是在階躍濾波器的作用下，對低照度圖像進行平滑濾波處理，增強重點并突出低照度圖像的細節部分，以此保留更多的圖像細節和邊緣信息。使用階躍濾波器雖然能夠避免低照度圖像的重組偏差，在增強過程中具有一定的提取優勢，但受噪聲等干擾條件的影響，在提取過程中仍會丟失部分細節。

為實現高標準的圖像邊緣提取效果，綜合上述傳統方法的優勢，本文提出一種基于Canny算子[3-4]的低照度圖像特定區域邊緣提取方法。

1 基于Canny算子的低照度圖像平滑處理

低照度圖像邊緣[5-6]特征的提取過程包含多個步驟，由于低照度圖像[7]在獲取時具有光照不均勻性，在數字圖像內會存在噪聲等多種影響因素，為此，需要在邊緣提取前進行平滑處理。本文利用Canny算子中的高斯函數J(x,y)對低照度圖像的噪聲進行平滑處理。J(x,y)計算公式為

(1)

式中:x、y分別為水平和垂直方向,δ為高斯函數的標準差。

J(x,y)在不同方向中可形成多種表示形式,方向導數JF計算公式為

(2)

(3)

(4)

(5)

式中:G為常數,K1(·)、K2(·)為平滑處理過程中分解的一維濾波函數,二者的計算公式為

(6)

將分解的濾波器作為處理基礎,分別對初始圖像的不同方向進行卷積,則x、y方向上的平滑偏置導數Lx、Ly計算公式為

(7)

再根據x、y方向上的偏置導數,獲取原始低照度圖像的平滑結果:

(8)

(9)

(10)

式中:Z(x,y)為平滑后的低照度圖像,(C,V)為像素點,Zx(C,V)和Zy(C,V)分別為x和y方向的梯度幅值,Ly(C,V)、Lx(C,V)為該像素點上的偏置導數,B(C,V)為像素幅值,ε(C,V)為梯度方向[8]。

2 基于注意力機制的特定區域邊緣特征提取

以高斯函數對圖像中噪聲[9]的平滑處理結果為基礎,通過偏置推導得到新的低照度圖像,再進行特定區域的邊緣檢測[10-12],最終實現邊緣提取。

注意力機制是深度學習技術的一種學習方式,將該機制用于低照度圖像邊緣提取時,能夠劃分出低照度圖像中的不同區間,將圖像的特征[13-14]分為多個層級,標注出不同光照邊界。根據注意力機制的生成原理,為保證低照度圖像的信息細節不丟失,在相同維度內提取低照度圖像邊緣[15-16]。提取過程為

(11)

式中:zcv為矩陣條件數,α(·)為指數函數,m為低照度圖像特定區域邊緣提取[17]中像素個數,c、v為邊緣像素,bv為矩陣b的第v個位置元素,nc為矩陣n中第c個位置像素,n可直接表示通道數。

矩陣b、n具有相同維度,由于低照度圖像在傳遞過程中會存在縮放、旋轉等變換,此時其維度會發生改變,需要進行轉置以保證提取效果。轉置輸出結果o計算公式為

(12)

式中:β為注意力機制的學習參數,初始化β=0;Wv為矩陣W中第v個位置像素;χ為圖像紋理特征。

在低照度圖像的特征空間維度中提取邊緣特征[18],特征空間維度的整體分布QP計算公式為

(13)

可以將信道特征的權重作為每個特征的重要程度,以此實現特定區域邊緣提取,提取結果為

(14)

式中:A″為隸屬A的特征通道,IP為第P個元素的權重,S(·)為激活函數。

根據注意力機制完成低照度圖像邊緣提取。

3 利用逼近函數優化邊緣提取結果

根據上述邊緣提取結果,使用逼近函數在特定區域內實現邊緣提取優化。在逼近函數中存在領域梯度,可以對低照度圖像的像素特征進行垂直和水平方向上的分類,以此實現邊緣[19-20]特征的提取。2個方向構成平面的逼近函數axy計算公式為

axy=sx+dy+f,

(15)

式中:f為潛在算子,s、d分別為領域梯度。在滿足對稱性要求下計算方向梯度s、d的計算公式為

(16)

(17)

式中,g、h分別為領域梯度s、d中的元素。

上述梯度可以直接作為提取模板,在該模板下獲取2個方向上的推導函數jx和jy,二者計算公式為

(18)

在低照度圖像特定區域邊緣提取優化過程中,根據上述推導函數需要對g、h賦值,并將模板轉化為一體化模塊,以對應正交的2個方向。一般情況下,g、h的賦值為整數,賦值后的梯度模塊l1、l2、l3、l4表示為

(19)

(20)

(21)

(22)

l1、l2為特定方向上具有同性性質的邊緣提取模板,可以直接檢測特定方向的邊緣;l3、l4為旋轉后產生傾斜時利用的提取模板,是2個相互垂直的梯度模塊,可以選擇性地提取45°或135°方向上的邊緣。至此,本文通過Canny算子實現了低照度圖像特定區域內的邊緣提取。

4 實驗過程與結果分析

4.1 實驗圖像樣本選擇

LOL(low-light image and video enhancement benchmark)數據庫包含不同場景、不同設備和不同光照條件下的低照度圖像。該數據庫中的圖像均具有低對比度、噪聲、模糊等問題。本次實驗從該數據庫中隨機選擇一組低照度圖像進行實驗檢測，圖像測試樣本見圖1。

在圖1中，低照度圖像測試樣本存在亮度不均勻等問題，通過檢測圖像中的噪聲含量發現其噪聲超過30%，符合此次實驗測試條件。

4.2 不同對比方法及評價指標

本文實驗將圖像測試樣本輸入MATLAB測試平臺,將本文所提方法與文獻[1]參數化提取方法及文獻[2]基于階躍濾波器的提取方法進行對比測試,驗證本文所提方法是否可以有效地對低照度圖像進行特定區域的邊緣提取。

僅通過主觀判斷無法保證測試精度，因而本文選擇信息熵和平均梯度作為不同方法提取效果的客觀評價指標，進一步分析不同方法的提取效果。其中：信息熵表示圖像信息的豐富程度，信息熵值越大，說明提取的信息量就越多；平均梯度用于衡量圖像清晰度，平均梯度值越大，說明提取的紋理越清晰，圖像的邊緣信息保留的就越多。

計算差方可以提高邊緣檢測的準確性和抑制噪聲干擾，x、y方向上的方差的rx、ry的計算公式為

(25)

式中，N為圖像的像素數。

圖像信息熵t和平均梯度q的計算公式為

(23)

(24)

式中:p為灰度等級,iu為灰度值為u的像素點與總像素比值,q為平均梯度,w、e為圖像行數和列數。

4.3 圖像特定區域邊緣提取效果

不同方法在特定區域內對樣本圖像的邊緣進行提取，提取結果如圖2所示。

由圖2可知，從主觀視覺效果上來看，基于參數化的提取方法考慮了中心像素的差分問題，可以檢測出絕大部分邊緣，但存在細小特征丟失的情況?；陔A躍濾波器的提取方法對重要部分也可以準確提取，但存在模糊邊緣問題。本文所提方法對圖像進行了高斯平滑處理，最大程度地消除了圖像中的噪聲，提取的邊緣更趨近于理想的單像素邊緣，整體效果最好。

4.4 圖像邊緣提取效果的客觀評價

不同方法提取效果的客觀評價結果如圖3所示。

由圖3可知，在客觀評價分析中，2種對比方法對噪聲的抑制效果較差，邊緣提取的信息熵和平均梯度均小于本文所提方法。說明本文所提方法可以在抑制噪聲的同時，保證低照度圖像邊緣提取的清晰度，具有較高的應用價值。

5 結語

本文所提基于Canny算子的低照度圖像特定區域邊緣提取方法能夠有效去除低照度圖像中的噪聲，并保留較高的提取清晰度。實驗結果表明，文本所提方法具有較高的信息熵和平均梯度，對于低照度圖像邊緣提取具有一定的優勢，能夠投入實際應用中。