1、文章編號 :1005-8451(2011 05-0028-04收稿日期 :2010-08-09基金項目 :高等學校博士學科點專項科研基金項目(20060732002 , 甘肅 省自然科學基金項目(096RJZA084,甘肅省教育廳研究生導 師科研計劃項目(0814-4。推廣與應用POPULARIZA T ION AN D A P PLI C ATI O N計 算 機 應 用 RAILWAY C O M P U T E R A P P L I C A T I O N 鐵路基于雙結構元素數學形態學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 電子與信息工程學院,蘭州 730070摘

2、要:針對鐵軌圖像在采集過程中經常受到不同程度的噪聲影響,傳統邊緣檢測方法難以檢測并提 取準確的鐵軌邊緣。文中通過分析灰度數學形態學抗噪圖像邊緣檢測的常用方法,提出基于不同幾何形狀 及大小的雙結構元素抗噪數學形態學鐵軌圖像邊緣檢測算法。并應用這種算法對摻雜有噪聲的鐵軌彎道圖 像邊緣進行鐵軌邊緣檢測,實驗結果表明:該方法具有比傳統經典邊緣檢測方法更好的鐵軌彎道邊緣檢測 及提取效果。關鍵詞:灰度數學形態學;邊緣檢測;結構元素;軌道邊緣檢測中圖分類號:U213TP206文獻標識碼: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,自然環境變化不 可預測,攝像機所抓拍的軌道圖像有不同程度的 噪聲影響。 用經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, 而且常常會在檢測的同時加強噪聲, 難以檢測 并提取理想鐵軌邊緣。數學形態學基本思想是用 具有一定形態的結構元素去度量和提取圖像中的 對應形狀, 以達到對圖像分析和識別的目的。

7、它的 運算是圖像的形狀集合與結構元素之間的相互作 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 于雙結構元素的各種基本形態學邊緣檢測方法的 復合運算, 構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行鐵軌彎道邊緣 檢測并提取研究。1灰度數學形態學基本原理數學形態學最初是在二值形態學的基礎上發 展起來的,由于現實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學推廣到了 灰度數學形態學 ; 在二值形態學中, 集合的交運算 和并運算起著關鍵作用 ; 在灰度形態學中, 其對應 的運算為極小和極大;而且灰度形態學理論本身

8、 是與討論域的維數無關的,灰度形態學處理的是 數字圖像函數而不是二值形態學中的集合 1。 設F (x,y為輸入圖像, B(x,y是結構元素, 它可以當作 一個子圖函數,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 外假設為-。灰度膨脹運算是在由結構元素確定的領域中 選取 F+B 的最大值。 如果采用結構元素的值全都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比輸出圖像的值高, 與灰度

9、值高的像素相鄰的暗細節的灰度值會增加, 輸出的圖像就會顯示為暗細節被削弱或刪除,而亮 區域的范圍得到膨脹 ; 根據膨脹運算的特性,可用 于暗細節的消除,亮區域邊緣的增強 2。結構元素 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 的定義域外假設為 +。灰度腐蝕運算是在由結構元素確定的領域中 選取 F-B 的最小值。 如果結構元素的值都為正,則 輸出圖像的灰度值會比輸出圖像的值低;在輸入 圖像中亮細節的

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

11、合運算可以在檢測提取圖像邊緣的同 時去除圖像中的噪聲 1。2灰度形態學邊緣檢測2. 1基本灰度數學形態學邊緣檢測算子基本的灰度數學形態學邊緣檢測算子是由基 本的形態學運算:膨脹, 腐蝕, 開啟和閉合之間的 復合運算構造出來的。基本的形態學邊緣檢測算 子 35如下 :灰度膨脹型 : (5 灰度腐蝕型 : (6 灰度膨脹腐蝕型 : (7 灰度開運算型 : (8灰度閉運算型 : (9灰度開閉型 : (10 其中,F是待檢測的灰度圖像,B是結構元 素。 灰度形態學邊緣檢測算子是一種復合運算,結 構元數B作為子圖函數探測檢測圖像,直接作用于 圖像邊緣的檢測結果。 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、 外 邊緣和騎跨在實際歐氏邊界上的邊緣,雖然對噪聲 都很敏感,但是不會在檢測過程中增強噪聲,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,但輸出圖像結果存在偏移現象 5。 2. 2抗噪型灰度數學形態邊緣檢測算子 由灰度數學形態學基本原理和上述形態學復 合運算對噪聲抑制的特點,對基本灰度形態學邊 緣檢測算子的前3種進行改進, 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學形態學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 合適結構元素較好

13、地解決目標圖像邊緣檢測準確 度與抗噪聲性能的協調問題。 (2如何運用灰度 形態學的各種基本運算的組合構建灰度形態學邊 緣檢測算子。3. 1結構元素的選擇由于結構元素形狀、大小的選擇將直接影響 到灰度形態學邊緣檢測算法的目的性和功能性, 使用不同形狀的結構元素可以完成不同的圖像分 析, 得到不同的結果;使用不同大小的結構元素, 提取的圖像邊緣特征也不同。在許多傳統的應用 灰度形態學方法進行圖像邊緣檢測的過程中,通 常只采用一種結構元素對圖像進行分析,一種結 構元素只對與其同方向和幾何結構的邊緣敏感, 而與其不同方向和幾何結構的邊緣則會被平滑掉, 這樣在輸出的圖像中通常只包含了一種幾何信息, 難以

14、檢測到滿意的結果。 在實際應用中, 用較大尺 寸的結構元素對圖像進行處理,會損失許多的圖基 于 雙 結 構 元 素 數 學 形 態 學 的 鐵 軌 圖 像 邊 緣 檢 測 方 法 推廣與應用第 20卷第 5期像細節,但是能濾除較大尺寸的噪聲點。反之, 用較小尺寸的結構元素對圖像進行處理, 能較好 地保護圖像的細節,檢測到較好的圖像邊緣細 節,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邊緣的完整性, 本文 提出了雙結構元素的方法, 把不同形狀的大結構 元素與小結構元素有機結合, 針對鐵軌圖像的特 點, 充分利用大小結構元素的優點, 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夾 雜在一起,如何應用簡單而又快速的方法區分開 它們并濾除枕木和噪聲點提取鐵軌邊緣是關鍵點。 通過分析鐵軌圖像, 可以看出, 枕木的像素結構排 列整齊,而噪聲點隨機地分散在整幅圖上沒有規 則, 其噪聲點像素結構組合成單點狀分布, 比枕木 像素整體結構組合成橫線狀小,就本文中設計一 種十字型對稱的大結構元素來濾除枕木邊緣,同 時也把噪聲點濾除;由于采集的圖像中軌道不垂 直于圖像邊框座標直線,或是成梯形,或是成弧 形,故設計 45°斜線的小結構元素來保持鐵軌邊 緣細節,使鐵軌邊緣形

16、狀更加突出。 本文采用的雙 結構元素如下:3. 2基于雙結構元素的鐵軌形態學邊緣檢測算法 基于灰度形態學的圖像邊緣檢測除了結構元 素的選擇是關鍵點外,灰度形態學邊緣檢測基本 方法有針對性的組合也非常關鍵,根據摻雜有噪 聲的軌道圖像的特點及灰度形態學基本方法的特 性, 我們可以了解到, 開閉與大結構元素的組合運 算能夠有效的抑制噪聲,用大結構元素開運算后 再用小結構元素膨脹能夠增強軌道邊緣,同時不 擴大噪聲,然后再與用大結構元素做閉運算再做 一次大結構元素的腐蝕后做相減運算得到細的軌 道邊緣, 結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 構元素的邊緣

17、檢測算子如下: (14式中 B 和 Bi為結構元素, B 為上述的se1, B i 為上述的 se2,G10是雙結構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個結構元素。 Step2:用本定義的邊緣檢測算子公式(14 進行復合運算, 對圖像進行形態學邊緣檢測提取。 Step3:對檢測結果本身重復一次加運算, 增 強鐵軌邊緣的清晰度。4實驗結果與分析在實驗中, 用 Matlab 實現上述算法, 圖 1是 對加入均值是0.2方差為0.02G噪聲鐵軌彎道圖 像進行各種經典算法和本文算法的實驗結果。 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算子的檢測結果;圖c :Prewitt 算子的檢測結果;圖d :Log算子的檢測結果;圖 e :Roberts算子的檢測結果;圖f :本文方法的檢 測結果。從檢測結果圖顯示 :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, 但是同時也檢測到了清晰的枕木的邊緣。 高斯噪聲點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驗結果 第 20 卷第 5期 推廣與應用 鐵路計算機應用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 道圖像進行各種經典算法和本文算法的實驗結果。 其中:圖a:加入10%椒鹽噪聲的鐵軌彎道圖像;圖 b :Sobel算子的檢測結果;圖c :Prewitt算子的檢 測結果;圖d :LOG算子的檢測結果;圖e :Roberts 算子的檢測結果;圖 f:本文算法結果。構元素, 融合各種灰度形態學方法, 可以對實際采集到的摻雜噪聲的鐵軌

20、圖像進行有效抑制噪聲, 獲取準確的鐵軌目標圖像邊緣信息,與傳統的邊 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功能, 算法簡單, 可應用于實時性環境中。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。需要進一步改進的是: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,有待進一步的探討。參考文獻:1岡薩雷斯 . 數字圖像處理 (MATLABM. 北京:電子工業 出版社, 2005.2陳嵐嵐,畢篤彥 .

21、 數學形態學在圖像處理中的應用 J. 現 代電子技術, 2002(8 :18-20.3阮秋琦 . 數字圖像處理學 M. 北京:電子工業出版社, 2007. 4崔 屹 . 圖像處理與分析數字形態學方法及應用 M. 北 京:科學出版社, 2000.5楊暉,張繼武 . 數學形態學在圖像邊緣檢測中的應用研 究 J. 遼寧大學學報, 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 . 基于多結構元的噪聲污染灰度圖像邊緣 檢測研究 J. 武漢大學學報, 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,