基于雙結(jié)構(gòu)元素?cái)?shù)學(xué)形態(tài)學(xué)的鐵軌圖像邊緣檢測方法

1、文章編號 :1005-8451(2011 05-0028-04收稿日期 :2010-08-09基金項(xiàng)目 :高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目(20060732002 , 甘肅 省自然科學(xué)基金項(xiàng)目(096RJZA084,甘肅省教育廳研究生導(dǎo) 師科研計(jì)劃項(xiàng)目(0814-4。推廣與應(yīng)用POPULARIZA T ION AN D A P PLI C ATI O N計(jì) 算 機(jī) 應(yīng) 用 RAILWAY C O M P U T E R A P P L I C A T I O N 鐵路基于雙結(jié)構(gòu)元素?cái)?shù)學(xué)形態(tài)學(xué)的鐵軌圖像邊緣檢測方法張 霞,黨建武,馬宏鋒(蘭州交通大學(xué) 電子與信息工程學(xué)院,蘭州 730070摘

2、要:針對鐵軌圖像在采集過程中經(jīng)常受到不同程度的噪聲影響,傳統(tǒng)邊緣檢測方法難以檢測并提 取準(zhǔn)確的鐵軌邊緣。文中通過分析灰度數(shù)學(xué)形態(tài)學(xué)抗噪圖像邊緣檢測的常用方法,提出基于不同幾何形狀 及大小的雙結(jié)構(gòu)元素抗噪數(shù)學(xué)形態(tài)學(xué)鐵軌圖像邊緣檢測算法。并應(yīng)用這種算法對摻雜有噪聲的鐵軌彎道圖 像邊緣進(jìn)行鐵軌邊緣檢測,實(shí)驗(yàn)結(jié)果表明:該方法具有比傳統(tǒng)經(jīng)典邊緣檢測方法更好的鐵軌彎道邊緣檢測 及提取效果。關(guān)鍵詞:灰度數(shù)學(xué)形態(tài)學(xué);邊緣檢測;結(jié)構(gòu)元素;軌道邊緣檢測中圖分類號:U213TP206文獻(xiàn)標(biāo)識碼:AEdge detection method of track images based on mathematical

3、morphology of dual-structural elementsZHANG Xia, DANG Jian-wu, MA Hong-feng( School of Electronics and Information Engineering, Lanzhou Jiaotong University, Lanzhou730070, China Abstract: Track images were often subject to different levels of noise in the collection process in outdoor, it became dif

4、ficult to detect and recognize the true edge of track by the traditional edge detection algorithm. By analyzing the commonly used gray-scale mathematical morphology edge detection algorithms of anti-noise, this paper proposed mathematical morphology anti-noise track edge detection algorithm based on

5、 different geometry and size of the dual-structure element. And by which the edges of the track corners image polluted by noise were detected. Experiments showed that this approach had better edge detection and recognization than the classic edge detection algorithm to the track corners image with n

6、oise doped.Key words: gray-scale mathematical morphology; edge detection; structural elements; track edge由于鐵軌長期暴露在戶外,自然環(huán)境變化不 可預(yù)測,攝像機(jī)所抓拍的軌道圖像有不同程度的 噪聲影響。 用經(jīng)典的微分邊緣檢測方法如 :sobel, log, prewitt, roberts邊緣檢測算子對噪聲比較敏 感, 而且常常會(huì)在檢測的同時(shí)加強(qiáng)噪聲, 難以檢測 并提取理想鐵軌邊緣。數(shù)學(xué)形態(tài)學(xué)基本思想是用 具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的 對應(yīng)形狀, 以達(dá)到對圖像分析和識別的目的。

7、它的 運(yùn)算是圖像的形狀集合與結(jié)構(gòu)元素之間的相互作 用, 對邊緣方向不敏感, 并能在很大程度上抑制噪 聲和檢測真正的邊緣 1。 基于此原理,本文提出基 于雙結(jié)構(gòu)元素的各種基本形態(tài)學(xué)邊緣檢測方法的 復(fù)合運(yùn)算, 構(gòu)造鐵軌圖像邊緣檢測并提取的算法, 并對摻雜有噪聲鐵軌彎道圖像進(jìn)行鐵軌彎道邊緣 檢測并提取研究。1灰度數(shù)學(xué)形態(tài)學(xué)基本原理數(shù)學(xué)形態(tài)學(xué)最初是在二值形態(tài)學(xué)的基礎(chǔ)上發(fā) 展起來的,由于現(xiàn)實(shí)生活中圖像處理大部分都采 用灰度圖像,所以后來就將二值形態(tài)學(xué)推廣到了 灰度數(shù)學(xué)形態(tài)學(xué) ; 在二值形態(tài)學(xué)中, 集合的交運(yùn)算 和并運(yùn)算起著關(guān)鍵作用 ; 在灰度形態(tài)學(xué)中, 其對應(yīng) 的運(yùn)算為極小和極大;而且灰度形態(tài)學(xué)理論本身

8、 是與討論域的維數(shù)無關(guān)的,灰度形態(tài)學(xué)處理的是 數(shù)字圖像函數(shù)而不是二值形態(tài)學(xué)中的集合 1。 設(shè)F (x,y為輸入圖像, B(x,y是結(jié)構(gòu)元素, 它可以當(dāng)作 一個(gè)子圖函數(shù),則灰度膨脹記為 F B,定義為: (F B(x,y=maxF(x-x',y-y'+B(x',y'D b (1其中, Db是 B 的定義域, F(x,y在 F 的定義域 外假設(shè)為-?；叶扰蛎涍\(yùn)算是在由結(jié)構(gòu)元素確定的領(lǐng)域中 選取 F+B 的最大值。 如果采用結(jié)構(gòu)元素的值全都2011.5總第 170期 RCA 282011.5總第 170期RCA 29為正,則輸出圖像的灰度值會(huì)比輸出圖像的值高, 與灰度

9、值高的像素相鄰的暗細(xì)節(jié)的灰度值會(huì)增加, 輸出的圖像就會(huì)顯示為暗細(xì)節(jié)被削弱或刪除,而亮 區(qū)域的范圍得到膨脹 ; 根據(jù)膨脹運(yùn)算的特性,可用 于暗細(xì)節(jié)的消除,亮區(qū)域邊緣的增強(qiáng) 2。結(jié)構(gòu)元素 B 對 F 的灰度腐蝕記為 F B,定 義為:(b F B x,y min F x+x',y+y'B x',y' |x',y' D =(2 其中, D b 為 B 的定義域, F(x,y在 F 的定義域外假設(shè)為 +?；叶雀g運(yùn)算是在由結(jié)構(gòu)元素確定的領(lǐng)域中 選取 F-B 的最小值。 如果結(jié)構(gòu)元素的值都為正,則 輸出圖像的灰度值會(huì)比輸出圖像的值低;在輸入 圖像中亮細(xì)節(jié)的

10、尺寸比采用的結(jié)構(gòu)元素小的情況 下,其影響會(huì)被削弱,削弱的程度取決于這些亮細(xì) 節(jié)周圍的灰度值和采用結(jié)構(gòu)元素的形狀和幅值; 輸出圖像外觀表現(xiàn)為邊緣部位較亮細(xì)節(jié)的灰度值 會(huì)降低,較亮區(qū)域邊緣會(huì)收縮 2。結(jié)構(gòu)元素 B 對 F 的開運(yùn)算記為 F B,定義為: (3 結(jié)構(gòu)元素 B 對 F 的閉運(yùn)算記為 F B,定義為: (4 開和閉運(yùn)算是膨脹和腐蝕運(yùn)算之間組合而成 的復(fù)合運(yùn)算。開和閉運(yùn)算都可以平滑目標(biāo)圖像的 輪廓。開運(yùn)算可以去除不包含結(jié)構(gòu)元素的目標(biāo)區(qū) 域, 斷開了狹窄的連接, 去掉了細(xì)小的突出部分; 閉運(yùn)算可以將狹窄的缺口連接起來形成細(xì)長的彎 口, 并填充比結(jié)構(gòu)元素小的洞 ; 所以運(yùn)用各種灰度 形態(tài)學(xué)的復(fù)

11、合運(yùn)算可以在檢測提取圖像邊緣的同 時(shí)去除圖像中的噪聲 1。2灰度形態(tài)學(xué)邊緣檢測2. 1基本灰度數(shù)學(xué)形態(tài)學(xué)邊緣檢測算子基本的灰度數(shù)學(xué)形態(tài)學(xué)邊緣檢測算子是由基 本的形態(tài)學(xué)運(yùn)算:膨脹, 腐蝕, 開啟和閉合之間的 復(fù)合運(yùn)算構(gòu)造出來的。基本的形態(tài)學(xué)邊緣檢測算 子 35如下 :灰度膨脹型 : (5 灰度腐蝕型 : (6 灰度膨脹腐蝕型 : (7 灰度開運(yùn)算型 : (8灰度閉運(yùn)算型 : (9灰度開閉型 : (10 其中,F是待檢測的灰度圖像,B是結(jié)構(gòu)元 素。 灰度形態(tài)學(xué)邊緣檢測算子是一種復(fù)合運(yùn)算,結(jié) 構(gòu)元數(shù)B作為子圖函數(shù)探測檢測圖像,直接作用于 圖像邊緣的檢測結(jié)果。 其中,前3種算子是比較常 用的邊緣檢測算

12、子,可以分別檢測提取圖像內(nèi)、 外 邊緣和騎跨在實(shí)際歐氏邊界上的邊緣,雖然對噪聲 都很敏感,但是不會(huì)在檢測過程中增強(qiáng)噪聲,適用于 噪聲較小的圖像,后 3種算子的抗噪性能好于前 3種算子,但輸出圖像結(jié)果存在偏移現(xiàn)象 5。 2. 2抗噪型灰度數(shù)學(xué)形態(tài)邊緣檢測算子 由灰度數(shù)學(xué)形態(tài)學(xué)基本原理和上述形態(tài)學(xué)復(fù) 合運(yùn)算對噪聲抑制的特點(diǎn),對基本灰度形態(tài)學(xué)邊 緣檢測算子的前3種進(jìn)行改進(jìn), 得到抗噪型的邊緣 檢測算子 7如下 :抗噪膨脹型 : (11 抗噪腐蝕型 : (12抗噪膨脹腐蝕型: (133 鐵軌邊緣檢測算法基于灰度數(shù)學(xué)形態(tài)學(xué)的鐵軌圖像邊緣檢測提 取算法的核心問題是:(1如何有針對性的選取 合適結(jié)構(gòu)元素較好

13、地解決目標(biāo)圖像邊緣檢測準(zhǔn)確 度與抗噪聲性能的協(xié)調(diào)問題。 (2如何運(yùn)用灰度 形態(tài)學(xué)的各種基本運(yùn)算的組合構(gòu)建灰度形態(tài)學(xué)邊 緣檢測算子。3. 1結(jié)構(gòu)元素的選擇由于結(jié)構(gòu)元素形狀、大小的選擇將直接影響 到灰度形態(tài)學(xué)邊緣檢測算法的目的性和功能性, 使用不同形狀的結(jié)構(gòu)元素可以完成不同的圖像分 析, 得到不同的結(jié)果;使用不同大小的結(jié)構(gòu)元素, 提取的圖像邊緣特征也不同。在許多傳統(tǒng)的應(yīng)用 灰度形態(tài)學(xué)方法進(jìn)行圖像邊緣檢測的過程中,通 常只采用一種結(jié)構(gòu)元素對圖像進(jìn)行分析,一種結(jié) 構(gòu)元素只對與其同方向和幾何結(jié)構(gòu)的邊緣敏感, 而與其不同方向和幾何結(jié)構(gòu)的邊緣則會(huì)被平滑掉, 這樣在輸出的圖像中通常只包含了一種幾何信息, 難以

14、檢測到滿意的結(jié)果。 在實(shí)際應(yīng)用中, 用較大尺 寸的結(jié)構(gòu)元素對圖像進(jìn)行處理,會(huì)損失許多的圖基 于 雙 結(jié) 構(gòu) 元 素 數(shù) 學(xué) 形 態(tài) 學(xué) 的 鐵 軌 圖 像 邊 緣 檢 測 方 法 推廣與應(yīng)用第 20卷第 5期像細(xì)節(jié),但是能濾除較大尺寸的噪聲點(diǎn)。反之, 用較小尺寸的結(jié)構(gòu)元素對圖像進(jìn)行處理, 能較好 地保護(hù)圖像的細(xì)節(jié),檢測到較好的圖像邊緣細(xì) 節(jié),但對尺寸較大的噪聲的抑制能力相對較弱。 為了平衡去噪聲和檢測目標(biāo)邊緣的完整性, 本文 提出了雙結(jié)構(gòu)元素的方法, 把不同形狀的大結(jié)構(gòu) 元素與小結(jié)構(gòu)元素有機(jī)結(jié)合, 針對鐵軌圖像的特 點(diǎn), 充分利用大小結(jié)構(gòu)元素的優(yōu)點(diǎn), 探測真正鐵 軌邊緣。對于摻雜有噪聲的鐵軌圖

15、像的邊緣檢測的目 的是 :如何排除噪聲同時(shí)提取鐵軌的邊緣信息。 而 在鐵軌圖像中枕木邊緣,鐵軌的邊緣和噪聲點(diǎn)夾 雜在一起,如何應(yīng)用簡單而又快速的方法區(qū)分開 它們并濾除枕木和噪聲點(diǎn)提取鐵軌邊緣是關(guān)鍵點(diǎn)。 通過分析鐵軌圖像, 可以看出, 枕木的像素結(jié)構(gòu)排 列整齊,而噪聲點(diǎn)隨機(jī)地分散在整幅圖上沒有規(guī) 則, 其噪聲點(diǎn)像素結(jié)構(gòu)組合成單點(diǎn)狀分布, 比枕木 像素整體結(jié)構(gòu)組合成橫線狀小,就本文中設(shè)計(jì)一 種十字型對稱的大結(jié)構(gòu)元素來濾除枕木邊緣,同 時(shí)也把噪聲點(diǎn)濾除;由于采集的圖像中軌道不垂 直于圖像邊框座標(biāo)直線,或是成梯形,或是成弧 形,故設(shè)計(jì) 45°斜線的小結(jié)構(gòu)元素來保持鐵軌邊 緣細(xì)節(jié),使鐵軌邊緣形

16、狀更加突出。 本文采用的雙 結(jié)構(gòu)元素如下:3. 2基于雙結(jié)構(gòu)元素的鐵軌形態(tài)學(xué)邊緣檢測算法 基于灰度形態(tài)學(xué)的圖像邊緣檢測除了結(jié)構(gòu)元 素的選擇是關(guān)鍵點(diǎn)外,灰度形態(tài)學(xué)邊緣檢測基本 方法有針對性的組合也非常關(guān)鍵,根據(jù)摻雜有噪 聲的軌道圖像的特點(diǎn)及灰度形態(tài)學(xué)基本方法的特 性, 我們可以了解到, 開閉與大結(jié)構(gòu)元素的組合運(yùn) 算能夠有效的抑制噪聲,用大結(jié)構(gòu)元素開運(yùn)算后 再用小結(jié)構(gòu)元素膨脹能夠增強(qiáng)軌道邊緣,同時(shí)不 擴(kuò)大噪聲,然后再與用大結(jié)構(gòu)元素做閉運(yùn)算再做 一次大結(jié)構(gòu)元素的腐蝕后做相減運(yùn)算得到細(xì)的軌 道邊緣, 結(jié)果有效抑制噪聲檢測鐵軌彎道邊緣。 本 文利用抗噪膨脹腐蝕型的邊緣檢測算子 , 定義雙結(jié) 構(gòu)元素的邊緣

17、檢測算子如下: (14式中 B 和 Bi為結(jié)構(gòu)元素, B 為上述的se1, B i 為上述的 se2,G10是雙結(jié)構(gòu)元素下的邊緣檢測算子。 算法描述是:Step1:有針對性的選擇大小 2個(gè)結(jié)構(gòu)元素。 Step2:用本定義的邊緣檢測算子公式(14 進(jìn)行復(fù)合運(yùn)算, 對圖像進(jìn)行形態(tài)學(xué)邊緣檢測提取。 Step3:對檢測結(jié)果本身重復(fù)一次加運(yùn)算, 增 強(qiáng)鐵軌邊緣的清晰度。4實(shí)驗(yàn)結(jié)果與分析在實(shí)驗(yàn)中, 用 Matlab 實(shí)現(xiàn)上述算法, 圖 1是 對加入均值是0.2方差為0.02G噪聲鐵軌彎道圖 像進(jìn)行各種經(jīng)典算法和本文算法的實(shí)驗(yàn)結(jié)果。 其 中:圖 a:加入均值是 0.2方差為 0.02G 噪聲鐵 軌圖像 ;

18、圖b :Sobel算子的檢測結(jié)果;圖c :Prewitt 算子的檢測結(jié)果;圖d :Log算子的檢測結(jié)果;圖 e :Roberts算子的檢測結(jié)果;圖f :本文方法的檢 測結(jié)果。從檢測結(jié)果圖顯示 :Sobel 算子,Prewitt算子, 在一定程度上抑制了高斯噪聲,檢測到間斷的鐵 軌邊緣;Log算子檢測到了比較完整和清晰的鐵 軌邊緣, 但是同時(shí)也檢測到了清晰的枕木的邊緣。 高斯噪聲點(diǎn)仍然清晰分布在整張圖上,因此該算 法對高斯噪聲的抑制能力較差。 Roberts算子對高 圖 1摻雜高斯噪聲鐵軌彎道圖像實(shí)驗(yàn)結(jié)果 第 20 卷第 5期 推廣與應(yīng)用 鐵路計(jì)算機(jī)應(yīng)用2011.5總第 170期 RCA3020

19、11.5總第 170期RCA 31斯噪聲影響比較大,只檢測到噪聲而沒有檢測到 鐵軌彎道的邊緣。本文的算法檢測到了鐵軌彎道 的邊緣, 很好的抑制了噪聲, 同時(shí)也濾除了枕木, 提取鐵軌彎道邊緣信息較完整,但不足的是存在 亮度不均。圖 2是對加入 10%椒鹽噪聲的有噪聲鐵軌彎 道圖像進(jìn)行各種經(jīng)典算法和本文算法的實(shí)驗(yàn)結(jié)果。 其中:圖a:加入10%椒鹽噪聲的鐵軌彎道圖像;圖 b :Sobel算子的檢測結(jié)果;圖c :Prewitt算子的檢 測結(jié)果;圖d :LOG算子的檢測結(jié)果;圖e :Roberts 算子的檢測結(jié)果;圖 f:本文算法結(jié)果。構(gòu)元素, 融合各種灰度形態(tài)學(xué)方法, 可以對實(shí)際采集到的摻雜噪聲的鐵軌

20、圖像進(jìn)行有效抑制噪聲, 獲取準(zhǔn)確的鐵軌目標(biāo)圖像邊緣信息,與傳統(tǒng)的邊 緣檢測算子相比,具有在一次性算法中抑制噪聲 和提取鐵軌圖像的邊緣信息雙項(xiàng)功能, 算法簡單, 可應(yīng)用于實(shí)時(shí)性環(huán)境中。鐵軌彎道是鐵軌圖像的 典型特征的代表,這種算法也可適用于鐵軌直道 邊緣檢測并提取。需要進(jìn)一步改進(jìn)的是:雖然濾除了枕木的邊 緣, 但是在椒鹽噪聲的影響下, 枕木與鐵軌彎道加 鎖的螺帽所組成的類似線條邊緣仍然比較突出, 無法完全濾除。 在高斯噪聲的影響下, 提取鐵軌彎 道的邊緣不夠平滑,有待進(jìn)一步的探討。參考文獻(xiàn):1岡薩雷斯 . 數(shù)字圖像處理 (MATLABM. 北京:電子工業(yè) 出版社, 2005.2陳嵐嵐,畢篤彥 .

21、 數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用 J. 現(xiàn) 代電子技術(shù), 2002(8 :18-20.3阮秋琦 . 數(shù)字圖像處理學(xué) M. 北京:電子工業(yè)出版社, 2007. 4崔 屹 . 圖像處理與分析數(shù)字形態(tài)學(xué)方法及應(yīng)用 M. 北 京:科學(xué)出版社, 2000.5楊暉,張繼武 . 數(shù)學(xué)形態(tài)學(xué)在圖像邊緣檢測中的應(yīng)用研 究 J. 遼寧大學(xué)學(xué)報(bào), 2005, 32(1 :50-53.6Lee S H.Shapiro L G.Morphologic edge detectionJ. IEEE JRobot Automat, 1987. 3(2:142-155.7范立南,韓曉微 . 基于多結(jié)構(gòu)元的噪聲污染灰度圖像邊緣 檢測研究 J. 武漢大學(xué)學(xué)報(bào), 2003, 36(3 :86-90. 8Mukhopadhyay S,ChandaB. Multiscale. morphological Seg-mentation of gray-scale imagesJ.IEEE Trans.on image proce-ssing.2003,12(5: 533-549.9侯志強(qiáng),