一种基于改进Sobel算子的苹果图像边缘提取算法的研究

发布时间：2024-02-25 20:56

　　苹果图像边缘提取是苹果分级过程中的重要一步,正确地提取出苹果边缘,可有效提高分级的正确率。针对传统边缘提取算法边缘定位精度低、抗噪能力弱、边缘点模糊等缺点,提出一种基于多方向改进Sobel算子和自适应阈值的苹果边缘提取算法。将传统Sobel算子方向模板增加至8个来提高边缘定位精度;通过改进小波系数邻域进行方差估计,来获得自适应最佳阈值;结合阈值和改进Sobel算法获得苹果边缘图像。通过苹果边缘检测实验表明:该自适应算法处理时间相比于传统Sobel边缘检测降低了30.4%,分级正确率从93%提高至97.5%,表明该算法在去噪的同时能够较好保留边缘信息,有利于提高后续苹果分级检测的精度。

【文章页数】：5 页

【部分图文】：

图1Sobel算子（滤波模板）

Sobel算法广泛应用于图像边缘检测。其思想是计算输入灰度图像的一阶导数，利用一阶导数的大小表示检测图像中的边缘。图像中各个像素点(x,y)的导数使用梯度表示，使用滤波模板与像素点卷积来获得梯度，新的像素点由梯度值代替[10]。滤波模板如图1所示。为了获得梯度，分别对3x3方形窗....

图2传统Sobel边缘检测流程图

将梯度图像的每个像素与预定阈值T进行比较。如果梯度值超过阈值，则将像素视为边缘，否则为非边缘点，通过对比阈值创建出二值边缘图像。传统Sobel算法流程如图2所示。这种算法计算量小、运算速度快，缺点也很明显，例如只考虑2个方向的梯度，边缘定位精度不高，并且关键的边缘点判定的阈值需要....

图3改进的Sobel算子8个方向模板

为了提高目标边缘的定位精度，将传统Sobel算子只计算水平和垂直两方向梯度，扩展到8个方向计算梯度，现在将原始的0°和90°方向模板添加到45°，135°，180°，225°，270°和315°方向模板。8个方向模板如图3所示。通过使用上述8个方向模板，图像通过卷积运算得出。选择....

图4小波去噪基本原理

小波阈值降噪的原理是将含有噪声的图像进行小波分解后估算阈值，使用收缩原理处理与噪声有关的小波系数，即适当将系数加权或置零，再将重新计算后的小波系数与图像结合进行小波重构，就可以得到去噪后的图像[12]。去噪过程的原理如图4所示。收缩原理中主要使用软、硬阈值2种方法处理阈值。硬阈值....

本文编号：3910843