建筑物輪廓邊緣檢測方法對比分析

1、建筑物輪廓邊緣檢測方法對比分析影像的邊緣檢測是計算機(jī)視覺和數(shù)字圖像處理中很重要的處理環(huán)節(jié)，它對于圖像分割、紋理特征提取、形狀特征提取和圖像識別等方面起著重要的作用。在建筑物提取時，通過選擇合適的邊緣檢測方法，可以對影像中的建筑物邊緣的進(jìn)行可靠準(zhǔn)確的檢測，這對于建筑物的有效提取具有重要的意義。因此，本文首先對Edison算子、OFMM亞像素邊緣檢測方法和利用極值梯度的通用亞像素邊緣檢測方法進(jìn)行了簡要介紹，利用這三種方法對影像中的建筑物邊緣進(jìn)行檢測，并對檢測結(jié)果進(jìn)行對比分析。算法描述Edison算子Edison算子是Canny算子的一種性能較優(yōu)異的改進(jìn)算法，在利用梯度大小的基礎(chǔ)上，將梯度的相位信息

2、引入方法中加以利用，進(jìn)一步提高了算法對弱邊緣的檢測能力和抗噪能力。Edison算子在引入梯度相位信息時，首先根據(jù)相位確定標(biāo)準(zhǔn)的邊緣模板，然后將歸一化的灰度矢量與邊緣模板中數(shù)據(jù)矢量相關(guān)系數(shù)作為邊緣的置信度，最后在二維參數(shù)平面中對邊緣強(qiáng)度和邊緣置信度進(jìn)行磁滯閾值處理以得到邊緣特征。正交Fourier-Mellin矩（OFMM）亞像素邊緣檢測方法利用極值梯度的通用亞像素邊緣檢測方法利用極值梯度的通用亞像素邊緣檢測方法在研究已有的利用梯度進(jìn)行邊緣檢測方法基礎(chǔ)上，將梯度分解為正梯度和負(fù)梯度兩部分，在分別確定各像點(diǎn)對應(yīng)的兩部分梯度值并進(jìn)行非極大抑制處理后，通過判斷兩種邊緣的分布特征以確定所屬的邊緣類型，并

3、利用相應(yīng)的擬合模型確定亞像素邊緣點(diǎn)的位置，有效提高了邊緣檢測方法的精度和通用性。實(shí)驗(yàn)與分析為了對上述三種方法的性能進(jìn)行對比分析，選取航空影像的一部分進(jìn)行邊緣檢測試驗(yàn)，該截取影像的大小為530像素x530像素，該區(qū)域?yàn)榈湫偷某鞘薪ㄖ飬^(qū)域影像，某些建筑物的屋頂在影像中存在一些弱邊緣特征。上述三種算法的邊緣檢測結(jié)果如圖1所示。選擇以上實(shí)驗(yàn)結(jié)果中三個框選區(qū)域進(jìn)行對比可知，Edison算子對弱邊緣的檢測能力相比較其它兩種算法有著更好的表現(xiàn)，而且所得邊緣的連續(xù)性較好，盡管OFMM方法與利用極值梯度的通用亞像素邊緣檢測方法能達(dá)到亞像素級的定位精度，但OFMM方法的邊緣響應(yīng)較寬，而且就建筑物輪廓直線特征提取這一應(yīng)用而言，弱邊緣提取效果與邊緣連續(xù)性好更加有利于后續(xù)的處理。結(jié)論本文介紹了三種建筑物輪廓邊緣檢測方法，并利用其對建筑物區(qū)