یک روش مقاوم آشکارسازی لبه با دقّت زیرپیکسل در حضور نویز
محورهای موضوعی : پردازش تصویر و ویدئو
مسعود علی‌دوست
1
,
منصور زینلی
2
,
همایون مهدوی نسب
3
1 - کارشناس ارشد - دانشکده مهندسی برق، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران
2 - استادیار- دانشکده مهندسی برق، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران
3 - استادیار- دانشکده مهندسی برق، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران
کلید واژه: پردازش تصویر, آشکارسازی لبه, دقّت زیرپیکسل,
چکیده مقاله :
آشکارسازی لبه یکی از مهم‌ترین مسائل مطرح در پردازش تصویر و بینایی ماشین می‌باشد. لبه‌یابی یکی از فرآیندهای مرتبه پایین در پردازش تصاویر می‌باشد، به طوری که عملکرد فرآیندهای مرتبه بالاتر مانند تشخیص اشیاء، قطعه‌بندی و کدگذاری تصاویر مستقیماً به کارآیی این پردازش سطح پایین وابسته است. برآورد پارامترهای لبه با استفاده از محاسبۀ بردار گرادیان معمولاً دقیق نیست. حفظ ساختار لبه یکی از بارزترین مسائلی است که باید در آشکارسازی، به‌ویژه آشکارسازی تصاویر نویزدار مورد توجه قرار گیرد. برای کاربردهای عملی که لبه‌های دقیق مورد نیاز است، آشکارسازی لبه در مقیاس زیرپیکسل انجام می‌شود. در این مقاله یک روش جدید آشکارساز لبه معرفی می‌شود که بر اساس شکل لبه و مدل به دست آمده از تأثیر پیکسل‌های مجاور و روابط مکانی پیکسل‌های تصویر، اقدام به لبه‌یابی می‌کند. سپس یک روند ترمیم تکرار شونده بر اساس لبه‌یاب معرفی شده پیشنهاد می‌شود. هدف این روش افزایش دقّت در شناسایی موقعیت زیرپیکسل، انحنا، جهت، و تغییرات شدّت لبه در تصاویر نویزدار است
Edge detection is one of the most important issues in image processing and machine vision. Edge detection in image processing is a low order process, so that the performance of the higher order processes such as object identification, segmentation and coding of images is directly related to the efficiency of this process. The estimation of edge parameters with using gradient vector calculation is usually not accurate. Keeping the structure of edge is one of the most important problems in edge detection, especially in detecting noisy images. For practical applications that accurate edges are needed, subpixel edge detection is done. In this paper a new edge detection method based on edge figure and obtained model from neighboring pixels effect and spatial relation of image pixels is introduced. Then an iterative restoration process based on presented edge detector is suggested. The purpose of this method is to increase the accuracy in recognition of subpixel position, curvature, orientation and change in intensity in noisy images.
[1] W.K. Pratt, "Digital image processing: PIKS inside", Third edition, John Wiley and Sons, New York, 2001.
[2] T. Acharya, A.K. Ray, "Image processing: Principlesand applications", John Wiley and Sons, 2005.
[3] I. Igbinosa, “Comparison of edge detection technique in image processing techniques”, International Journal of InformationTechnology and Electrical Engineering, Vol. 2, No. 1, Feb. 2013.
[4] I.E. Sobel, “Camera models and machine perception”, PhD. dissertation, Stanford University, California, 1970.
[5] B.S. Lipkin, A. Rosenfeld, J.M. S. Prewitt, “Object enhancement and extraction”, in Picture Processing and Psychopictorics, New York: Academic Press, pp. 75-149, 1970.
[6] L.G. Roberts, “Machine perception of three dimensional solids”, InOptical and Electro-Optical Information Processing, Cambridge, MIT Press, pp. 159-197, 1965.
[7] W. Xin, “Laplacian operator-based edge detectors”, IEEE Trans. on Pattern Analysis and Machine, Intelligence, Vol. 29, No. 5, pp. 886-890, May. 2007.
[8] J. Canny, “A computational approach to edge detection”, IEEE Trans. on Pattern Analysis and Machine, Vol. 8, No. 1, pp. 679-697, Nov. 1986.
[9]D. Marr, E.C. Hildreth, “Theory of edge detection”, Proceedings of the Royal Society of London. Series B, Biological Sciences, Vol. 207, No. 1167, pp. 187-217, Feb. 1980.
[10] A.J. Tabatabai, O.R. Mitchell,“Edge location to subpixelvalues in digital imagery”, IEEE Trans. on Analysis and Machine Intelligence,Vol. 6, No. 2, pp. 188-201, March 1984.
[11] E.P. Lyvers, O.R. Mitchell, “Precisionedge contrast andorientation estimation”,IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 10, No. 6, pp. 927-937, Nov. 1988.
[12] J.W. Cui, J.B. Tan, “Algorithm for edge subpixel location based on zernike moment”, Optical Technique, Vol. 31, No. 5, pp. 779-782, 2005.
[13] E.P. Lyvers, O.R. Mitchell, M.L. Akey, A.P. Reeves, “Subpixel measurements using a moment-based edge operator”, IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 11, No. 12, pp. 1293-1309, Dec. 1989.
[14] X. Li, A. Song, “A new edge detection method using gaussian-zernike moment operator”, Proceeding of the IEEE/CAR, pp. 276-279, Wuhan, March 2010.
[15] G. Xu, “Sub-pixel edge detection based on curve fitting”, Proceeding of the IEEE/ICIC, pp. 373-375, Manchester, May. 2009.
[16] V.S. Nalwa, T.O. Binford, “On detecting edge”, IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 8, No. 6, pp. 699-714, June. 1986.
[17] M. Kisworo, S. Venkatesh, G. West, “Modeling edges at subpixel accuracy using the local energy approach”, IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 16, No. 4, pp. 405-410, April 1994.
[18] Q. Nai, A. Li, J. Jheng, Y. Chung, “Sub-pixel edge detection of LED probes based on canny edge detection and iterative curve fitting”, Proceeding of the IEEE/IS3C, pp. 131-134, Taichung, June 2014.
[19] Y. Yao, H. Ju, “A subpixel edge detection method based on canny operator”, Proceeding of the IEEE/FSKD, pp. 97-100, Tianjin, China, Aug. 2009.
[20] K.L. Yu, Z.Y. Xie, “Polynomial interpolation sub-pixel edge detection method based on improved canny operator,” Applied Mechanics and Materials, Vol. 563, pp. 203-207, May. 2014.
[21] C. Steger, “Subpixel precise extraction of lines and edges”, Proceeding of the Int. ArchivesofPhotogrammetry and Remote Sensing, pp. 141-156, Vol. XXXIII, Part B3. Amsterdam 2000.
[22] Q.L. Xie, S. Quin, “Sub-pixel edge detection for precision measurement based on canny criteria”, Key Engineering Materials, Vol. 295, pp. 711-716, Oct. 2005.
[23] S.R. Fernades, V. Estrela, O. Saotome, “On improving sub-pixel accuracy by means of B-spline”, Proceeding of the IEEE/IST, pp. 68-72, Santorini, Oct. 2014.
[24] V. Boskovitz, H. Guterman, “An adaptive neuro-fuzzy system for automatic image segmentation and edge detection”, IEEE Trans. on Fuzzy Systems, Vol. 10, No. 2, pp. 247-262, April 2002.
[25] K. Zhang, Zh. Li, X. Zhao, “Edge detection of images based on fuzzy cellular automata”, Proceeding of the IEEE/SNPD, pp. 289-294, Qingdao, July/Aug. 2007.
[26] L.R. Liang, C.G. Looney, “Competitive fuzzy edge detection”, Applied Soft Computing, Vol. 3, No. 2, pp. 123–137, Sep. 2003.
[27] M. Saleem, I. Touqir, A.M. Siddiqui, “Novel edge detection”, Proceeding of the IEEE/ITNG, pp. 175-180, Las Vegas, NV, April 2007.
[28] O. Yli- Harja, J. Astola, Y. Neuvo, “Analysis of the properties of median and weighted median filters using threshold logic and stack filter representation”, IEEE Trans. on Signal Processing, Vol. 39, No. 2, pp. 395-410, Feb. 1987.
[29] J.K. Sung, H.L. Yong, “Center weighted median filters and their applications to image enhancement”, IEEE Trans. on Circuits and Systems, Vol. 38, No. 9, pp. 984-993, Sep. 1991.
[30] P. Perona, J. Malik, “Scale-space and edge detection using anisotropic diffusion”, IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 12, No. 7, pp. 629-639, July 1990.
[31] A. Trujillo-Pino, K. Krissian, M. Alemán-Flores, D. Santana-Cedrés “Accurate subpixel edge location based on partial area effect”, Image and Vision Computing, Vol. 31, pp. 72–90, 2013.
[32] F. Da, H. Zhang, “Sub-pixel edge detection based on an improved moment", Image Vision Computing, Vol. 28, No. 12, pp. 1645-1658, Dec. 2010.
[33] T. Hermosilla, E. Bermejo, A. Balaguer, L.A. Ruiz, “Non-linear fourth-order image interpolation for subpixel edge detection and localization”, Image Vision Computing, Vol. 26, No. 9, pp. 1240-1248, Sep. 2008.
[34] J. Ye, G. Fu, U.P. Poudel, “High accuracy edge detection with blurred edge model”, Image and Vision Computing, Vol. 23, No. 5, pp. 453-467, May 2005.