基于改进Canny算法与Hough变换的轨道图像边缘提取

汤旻安,王晨雨

(兰州交通大学自动化与电气工程学院,兰州 730070)

随着我国铁路快速发展，列车时速不断提高，铁路运营安全越发重要。近年来，因地质灾害、人为疏忽等因素影响，铁路上的伤亡事故越来越多。因而，依托固定监控等方式的异物入侵检测系统的建立就尤为必要。建立异物入侵检测系统首先需对监控获取的图像进行预处理，提取轨道边缘，从而获取异物检测区域。

Canny算法是目前最常用的边缘检测算法之一，它的优异性能主要是能够通过控制边缘检测参数和阈值来调整输出图像质量，但其仍然存在抗噪能力弱、精度不高的问题[1]。数字图像获取途中容易受到各种干扰。椒盐噪声是一种较常见的噪声，其表现为会在图像中随机使一些像素取图像灰度值的最大值与最小值[2]。图像中的噪声会造成原始图像质量下降，影响图像中原有信息的准确传递[3]。因为高斯滤波器滤波效果较差且滤波后图像边缘信息易丢失，所以需对传统Canny算法进行改进。文献[4]采用了双边滤波器对噪声进行处理，但因强噪声点也符合双边滤波器的边缘判断准则，所以无法滤除强噪声。文献[5]采用了改进的双边滤波器进行滤波，可对强噪声进行单独判断处理，但存在漏判情况，影响滤波效果。文献[6]依据噪声点特性，采用中值与双边滤波相结合的混合滤波器处理图像，但混合滤波器在滤除噪声的同时存在平滑过渡问题，使得图像更加模糊。

在图像处理过程中，阈值的选择也会直接影响边缘质量。图像分割需将目标从背景中分割出来，以便正确地读取图像并准确识别图像的内容[7]。文献[8-11]采用Otsu算法求出图像的最佳阈值代替人为设定阈值，图像分割效果较好。但在处理图像直方图为单峰或接近单峰时，Otsu方法容易得到错误的阈值[12]。

在实际环境中相机采集到的原始图像往往存在大量的混合噪声，其主要是脉冲和高斯噪声[13]。针对Canny算法对混合噪声滤波的效果较差问题，选用双边滤波器进行滤波，但因双边滤波器滤除椒盐噪声效果较差，故使用自适应中值滤波器组合滤波；针对算法需人为设置阈值等问题，使用改进Otsu算法得到图像分割阈值，改进Otsu算法阈值选择则偏向波谷。

1 改进的Canny算法

传统Canny边缘检测算法的流程包括5个步骤，分别为图像去噪、计算梯度幅值和方向、非极大值抑制(NMS)双阈值检测和边缘连接[14]。本文主要在去噪、阈值选取方面进行改进，梯度幅值计算方法则选用了较常见的四方向梯度模板。

1.1 自适应中值滤波与双边滤波

Canny算法利用高斯滤波器对图像进行预处理，可消除噪声，但将部分边缘信号作为噪声被滤掉，丢失一些细节信息[15]。与高斯滤波不同，双边滤波既考虑了像素的欧氏距离，又考虑到图像灰度值信息，在滤除噪声的同时也保留了边缘信息。双边滤波器模型如式(1)所示。

(1)

(2)

(3)

双边滤波时，因为强噪声与中心像素灰度值相差较大，所以获得的灰度相似度权重也较大，从而被当作边缘保留下来[16]。因此，本文使用去除强噪声本领较强，且保留图像信息的自适应中值滤波器进行组合滤波。自适应中值滤波器可以针对不同噪声密度自适应改变滤波窗口的大小，对噪声点进行中值滤波，对信号点保持灰度值不变，更好的保留了图像信息。自适应中值滤波步骤如下。

(1)如果fmin

(2)若fmin

式中，Sxy为以坐标(x,y)为中心的窗口；Smax为窗口允许的最大尺寸；fij为坐标(x,y)的灰度值；fmin、fmed、fmax分别为Sxy中最小灰度值、灰度值中值、最大灰度值。

算法在进行滤波时，首先采用自适应中值滤波对图像中的椒盐噪声进行处理，再通过双边滤波平滑图像，滤除轨道图像中其他噪声。

1.2 梯度幅值计算

根据文献[17]，在3×3邻域内引入45°与135°方向梯度幅值，先通过Sobel梯度模板求取四方向梯度幅值[18]，再对四方向梯度幅值进行处理，各方向梯度模板如下。

垂直(x)方向模板

水平(y)方向模板

45°方向模板

135°方向模板

梯度幅值计算公式如式(4)所示。

(4)

(5)

(6)

1.3 改进Otsu算法的阈值分割

(7)

式中，P1、P2分别为像素分到前景、背景区域的概率；m1、m2、mG分别为前景、背景与全局平均灰度值。

为评价阈值k处理图像的质量，定义

(8)

Otsu算法分割直方图为明显双峰的图像效果较好，但对于目标像素点过少的标记点图像，分割阈值严重偏向了像素占比大、类内方差大的背景区域，导致图像分割失败[19]。Otsu算法主要依据最大类间方差来选择阈值，依据这一特性，通过引入阈值邻域灰度值的高度与区域平均灰度差，使得低灰度值的波谷更加突出，区域间区分度更高，图像分割出的前景与背景质量更好。改进后的类间方差公式为

P2(m2-mG)2+|m1-m2|)

(9)

如图1所示，改进算法可以较好区分前景与背景，减少了背景区域对前景的影响。如图2所示，原始图像A与原始图像B的背景区域波峰较为明显，背景像素占比较大，分割阈值难以选取。两种算法在原始图像直方图选取的阈值有较大差异，传统的Otsu算法得到的阈值总是偏向像素占比较大的背景区域，本算法则更趋于区域中间的波谷。

图1 阈值分割

图2 原始图像灰度信息

2 Hough变换

Hough 变换是一种常见的直线检测方法，它将原始图像空间中的每一个点映射为参数空间上的一条正弦曲线[20]。对于图像平面(xy平面)上任意一点(xi，yi)，总是有形如yi=axi+b的无数条直线经过该点。然而，在参数平面(ab平面)中将该等式写为b=-xia+yi，这时a、b取不同值时，将得到点(xi，yi)不同的单条直线方程。但当直线接近垂直方向时，斜率会趋于无穷大。这时可使用一条直线的法线来表示。法线公式为

xcosθ+ysinθ=ρ

(10)

如图3所示，图像平面xy坐标系中一条直线，映射到ρθ参数平面便变成一个点。图像平面坐标系中的一个点则对应参数平面一条曲线。由于二维空间的共线性对应于参数空间的共点性，因此，可通过对参数空间某个点对应的计数提取二维空间中的直线参数[21]。每个累加单元上都有1个初始值为 0的累加器，当参数平面中的曲线经过累加单元一次，则对应累加单元的累加器数值会加 1。因需要提取直线型轨道边缘，故选取参数空间中高计数的累加单元。

图3 映射关系

3 实验评估

3.1 实验设置

为验证改进Canny边缘检测算法的有效性，选取了两幅铁路轨道图像(原始图像C与原始图像D)进行处理。实验仿真平台采用配置为Inteli5-8265UCPU，运行内存8GB，Windows10系统的个人电脑，编程环境为Matlab 2018b。

此外，将文中算法与传统Canny算法、文献[6]中基于中值双边混合滤波与Otsu阈值处理的改进Canny算法和文献[15]中基于双边滤波与极值点邻域结构的改进Canny算法的检测结果进行对比和Hough变换。不同方法的边缘检测及边缘提取仿真结果如图4所示，其中，每幅图像的Hough变换选取了前6个较大峰值点中2个与目标边缘直线最为接近的峰值点。

图4 目标边缘提取

为评价各算法边缘检测效果，采用IED(Image Edge Definition，图像边缘清晰度)进行比较。IED值计算方法如下

IED=

(11)

式中，p(i,j)为图像在坐标(i,j)处的灰度值，N、M分别为图像矩阵的行数和列数。IED值越高，表示图像边缘清晰度越高；IED值越低，表示图像边缘清晰度越低。图像C、D边缘检测后的IED值与Hough变换时间分别如表1、表2所示。

表1 图像C检测后IED与边缘提取时间对比

表2 图像D检测结果IED与边缘提取时间对比

3.2 实验分析

从目标边缘提取图中可以看到，由于原始图像背景较为复杂，故算法处理后的图像会生成较多无用信息。与原始图像坐标系中铁路轨道所在直线相比较，各算法提取出的直线大部分与目标重合，但Hough变换时难免受到背景边缘像素点的影响，选取多峰值点可以提高各算法准确度。对比4种方法边缘检测效果，传统Canny算法检测到大量不相关信息，且目标边缘信息有缺失，所以检测到的直线不连续；文献[6]与本文算法检测的结果较为接近，但因为滤波效果不佳和阈值选取偏向等问题，目标边缘信息缺失较多，提取效果不好；文献[15]算法提取出的图像C中的直线明显偏移，在选取6个峰值点情况下，无法提取出目标边缘，背景像素对边缘提取有较大干扰。本文算法减少了大量不相关信息，轨道特征较为明显，Hough变换时参数平面曲线相交的峰值点主要对应图像平面中轨道边缘所在直线，所以Hough变换可以较准确提取目标边缘。但因图像中背景信息影响，提取边缘并非选取最大的2个峰值点。

从处理后图像的IED与边缘提取时间对比可以看出，传统Canny算法与文献[15]中算法因背景区域影响，边缘清晰度值低，边缘提取时间长；文献[6]图像边缘清晰度值较低，图像边缘提取时间有所缩短；本文算法检测效果较好，图像边缘清晰度值比表1、表2中其余算法提高了约10%，且缩短了Hough变换时间。通过对比，本文算法可较好保留图像边缘信息，提高边缘提取效率。

本次实验仿真对4种方法边缘检测后的图像进行边缘提取，结果表明本文算法边缘检测效果最好，且提取时间最短。

4 结语

提出的改进Canny算法可较好的检测图像边缘，去除图像噪声，改进Otsu算法计算出的阈值分割前景效果较好，有利于轨道边缘提取。在本文算法边缘检测后，Hough变换提取出的目标边缘“质量”较好，运行时间较短。但Hough变换并不能在选取最大的2个峰值点时提取出轨道边缘，故本文算法在背景处理方面还有所欠缺。