数字图像边缘检测算法及在农产品检测中的运用①

肖付才 靳雯雯

(许昌职业技术学院 河南许昌 461000)

数字图像边缘检测算法作为图像处理以及机器视觉领域的关键技术，其检测贯穿整个处理过程，并且直接影响到图像处理分析的正确性、可靠性，决定机器视觉对外界事物的客观分析与理解。数字图像边缘检测算法，是针对图像基本特征展开准确识别与分割，并将图像进行增强或者压缩处理。包括方向、幅度特点，从边缘走向出发，像素值不会出现较明显变化；从垂直与边缘方向出发，像素值则出现明显变化。农产品外观品质检测中应用数字图像边缘检测算法，可以提高检测的准确性。

1 数字图像边缘检测算法步骤

数字图像边缘检测算法的检测操作主要包括2种，灰度图像边缘检测和彩色图像边缘检测。彩色图像边缘检测需要掌握彩色图像的8类彩色基，检测期间不同的彩色基会显示不同的检测效果，并且对检测的实时性与兼容性有直接影响，因此彩色图像边缘检测方法应用较少。灰度图像边缘检测法操作相对简单，准确性较为理想，因此，本文着重研究数字图像边缘检测算法中的灰度图像边缘检测方法。灰度图像边缘检测算法的步骤是：(1)获取图像，将图像从彩色转变为灰度；(2)低通滤波与边缘提取、边缘定位处理；(3)完成边缘链接、断边、伪边处理；(4)边缘输出[1]。涉及到零穿插法与阈值法。算法完成后获得边际图画、单像素宽2值。需注意的是，边缘定位完成后，可能会出现部分小边缘片段的情况，主要是因为噪音影响，在实际运行中，应采取全局边缘链接亦或者局部边缘链接等算法，准确定位边缘位置，科学预防边缘片段情况。

2 数字图像边缘检测算法分类

数字图像边缘检测算法实现了更多的检测技能，比如特定目标获取功能等。数字图像边缘检测中，检测目标十分复杂，极易受到外界因素的干扰，比如光纤、分辨率等，因此原始图像本身就有可能存在边缘模糊情况。利用数字图像边缘检测方法，可以科学提取图像的边缘，降低边缘提取的困难程度[2]。早在1965年相关学者就已经提出了边缘检测的理念，其中包括经典算子、多尺度方法、最优算子等。通过对这些理论的升级与创新，提出了神经元网络、模糊数学等算法。

2.1 经典算子

经典算子主要是利用梯度算子的方式完成检测，积极进行边缘梯度求解，准确计算像素位置。数字图像边缘检测算法中经典算子的计算核心在于小区域模板卷积的核算，根据权值方阵打造计算模板，包括Sobel、Prewitt、Kirsch模板等。不同类型的经典算子运算速度对比情况见表1。

应用不同算法的目的是对图像进行实际的边缘检测期间，做好噪声抑制处理，提高边缘定位能力。当然不同的算法擅长不同的功能，比如Roberts算子适合定位边缘，但对噪声抑制处理不理想，导致定位边缘期间会出现丢失；图像平滑计算的方式，可以抑制噪声对定位边缘的影响，成为了图像处理算法最理想的选择。图像滤波处理及差分运算，主要选择Prewitt算子、Sobel算子；这2种算子存在一定差别，主要体现在平滑环节中权值差异方面，即对噪声抑制的能力。Sobel算子、Prewitt算子，边缘定位能力较强，定位计算十分准确，但在实际应用中却极易出现边缘多像素宽的现象，这2种算子更适合灰度渐变的图像边缘检测分析。经典算子中Kirsch算子计算量最大(表1)，定位边缘作用较为理想，能帮助图像检测出不同方位所展现的边缘信息，本身还具备噪声抑制能力。Laplacian算子的主要优势在阶跃型边缘点检测，能在检测中做到旋转不变性[3]；但检测期间会导致部分图画边缘方向信息丢失，进而引发边缘检测不连续情况，且不具备抗噪声能力，比较适合应用在图画屋脊型边缘检测中。

表1 经典算子具体运算速度对比

2.2 最优算子

最优算子同样包含很多，比如LOG滤波算子、anny边缘检测等。对于最优算子Torre，Poggio提出高斯函数。从最接近平滑函数角度出发，在图像边缘检测之前，利用高斯函数与Gaussian函数搭配的方式及时进行图像平滑处理。完成平滑处理后，观察二阶导数变化，如果导数过0点，则图像边缘检测必须选择拉氏算子即LOG滤波算子。LOG滤波算子可以及时反映出图像边缘变化，尤其是处于阶跃边缘的算子变化。当然图像边缘实际检测期间，还要对其中的真伪进一步计算。最优算子中坎尼算法、沈俊算子、Deriche算子之间具有统一的表述与计算意义。通过曲面拟合算法，及时将图片灰度值、曲面平滑等深度拟合，计算曲面变化的一、二阶导数。曲面拟合算法，需要以函数为基础，所以在实际计算期间，检测多选择低阶多项式。

2.3 多尺度算法

多尺度算法以检测边缘首要目标尺度为基础和核心，调节尺度与图像检测之间的错位关系，在检测处理期间可能会出现边缘干扰。多尺度算法应用多个尺寸的算子完成图像边缘检测，利用检测结果的组合获得准确检测结果。实际图像边缘检测中，根据多个算子(标准不一)探索出其中的组合规则，在后期应用中不断完善与升级，根据零交叉的因果性，确定具体尺寸组合。多尺度算法不仅能准确辨识图画信号，还可以完成高层视觉处理，提高图像边缘检测的准确性。

3 数字图像边缘检测算法在农产品加工中的具体应用

农产品加工中应用数字图像边缘检测对农产品大小、缺陷、质量、形状等进行检测。利用数字图像边缘提取的方式，准确对边缘信息进行分析，及时映射出检测结果。

3.1 水果大小、质量检测

对于水果，可以根据体积及重量将其划分成不同等级。以苹果为例，苹果质量需要通过直径、面积等进行预测，苹果风机决定系数为R2，具体系数等级为0.91、0.94、0.98。数字图像边缘检测算法，将苹果的果梗去除，对苹果进行边缘提取处理，并将图像细化，计算其中的曲线积分与形心坐标，列出线性回归方程。水果实际尺寸、测量值会存在半径误差，因为成像是光线并不能利用水果最大截面进行图像边缘提取获得。对此可利用最小外接矩形计算水果最大横径。根据形态学对苹果尺寸进行检测，通过可见光图像，发现人工测量与数字图像边缘检测之间存在误差，对此则需要以X射线图像进行检测。

3.2 水果形状检测

水果在不同的环境下生长，会出现不同形状，可进行分级检测。水果形状分级包括很多方法，编码法、光谱法、统计法等。数字图像边缘检测算法主要以梯度法为主，对水果轮廓、半径序列等进行跟踪算法，然后傅里叶变换，根据变换后的数据对水果形状加以分类。也可以采取在线实时检测的方法计算水果的果形，对水果横径、纵径应用几何法加以确定，完成线性回归处理，从而确定水果果形等级。

3.3 水果缺陷检测

水果一旦存在缺陷，会在很大程度上影响水果的品质与销售。水果缺陷检测主要针对水果表面缺陷。数字图像边缘检测算法从块状缺陷、果梗等图像着手，通过高斯滤波有效抑制噪音，及时计算水果缺陷。

4 结束语

数字图像边缘检测算法是对图像识别处理的升级，并且增加了更多的检测技能。图像边缘检测算法结合算子类型对图像进行多元化检测，可及时获得准确的检测数据。将此应用到农产品检测中，可以对农产品进行分级，提高农产品的销售分类效率。