圖像的邊緣是指圖像灰度值的不連續(xù)點或變化劇烈的點的集合，圖像的邊緣提取是模式識別中物體特征抽取的重要環(huán)節(jié)之一，基于梯度的傳統(tǒng)邊緣檢測方法對圖像的邊緣檢測研究已經(jīng)取得了一些成果，但目前在實際檢測中得到的邊緣結(jié)果并不令人滿意；并且隨著計算機速度和存儲的飛速發(fā)展，圖像量化像素點寬度將越來越小，即使在邊緣處，相鄰像素灰度值的差異將越來越小，從而制約了建立在以梯度為原則的邊緣檢測算子的發(fā)展。橡膠圈邊緣檢測是要提取缺陷和背景的邊界線。工業(yè)用橡膠圈在生產(chǎn)過程中不可避免地會出現(xiàn)各種各樣的缺陷，例如切割不平、厚度不均、毛邊和氣泡等。本文以橡膠圈的氣泡缺陷為例，提出了一種基于數(shù)字圖像處理的混合邊緣檢測算法，并給出了分析過程與實驗結(jié)果。

　　1 算法研究

　　目標圖像一般都含有噪聲，所以在邊緣檢測前必須進行圖像預處理以消除噪聲，然后再對其分別用Sobel算子和Canny算子進行邊緣檢測，把兩者結(jié)果相加，即得到較好的檢測效果。算法框圖如圖1所示。

　　1.1 圖像預處理

　　橡膠圈圖像在拍攝、存儲、傳送的過程中會受到噪聲的污染，從而導致圖像出現(xiàn)失真、模糊等退化現(xiàn)象。常用的濾波算法有均值濾波、維納濾波、自適應中值濾波等。實驗證明，自適應中值濾波能有效去除橡膠圈圖像噪聲，更為重要的是，在去除噪聲的同時，自適應中值濾波還能保護圖像細節(jié)。所以本文采用自適應中值濾波來進行圖像預處理。實驗效果如圖2所示。

　　1.2 邊緣檢測

　　1.2.1 Sobel算子邊緣檢測

　　邊緣檢測是圖像處理和計算機視覺中的基本問題，邊緣檢測的目的是標識數(shù)字圖像中亮度變化明顯的點。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化。這些包括（i）深度上的不連續(xù)、（ii）表面方向不連續(xù)、（iii）物質(zhì)屬性變化和（iv）場景照明變化。 邊緣檢測是圖像處理和計算機視覺中，尤其是特征提取中的一個研究領(lǐng)域。

　　圖像邊緣檢測大幅度地減少了數(shù)據(jù)量，并且剔除了可以認為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。有許多方法用于邊緣檢測，它們的絕大部分可以劃分為兩類：基于查找一類和基于零穿越的一類?；诓檎业姆椒ㄍㄟ^尋找圖像一階導數(shù)中的和值來檢測邊界，通常是將邊界定位在梯度的方向?；诹愦┰降姆椒ㄍㄟ^尋找圖像二階導數(shù)零穿越來尋找邊界，通常是Laplacian過零點或者非線性差分表示的過零點。

　　基于微分方法的邊緣檢測算子包括Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、LoG算子等，其中前三者是基于一階導數(shù)的邊緣檢測算子，后兩者是基于二階導數(shù)的邊緣檢測算子。在算法實現(xiàn)過程中，通過模板與圖像中的每個像素點做卷積和運算，然后選取合適的閾值以提取邊緣。一階導數(shù)和二階導數(shù)的不同在于，一階導數(shù)認為值對應邊緣位置，而二階導數(shù)則以過零點對應邊緣位置。

　　基于微分方法的邊緣檢測算子中，Roberts算子采用對角線方向相鄰兩像素之差近似梯度幅值檢測邊緣，檢測水平和垂直邊緣效果好于斜向邊緣，定位較高，但對噪聲敏感。Prewitt算子和Sobel算子是實踐中常用的兩種算子，兩者都是利用像素點上下、左右鄰點的灰度加權(quán)算法，根據(jù)在邊緣點處達到極值這一原理來檢測邊緣。Prewitt算子實現(xiàn)起來更為簡單，但在抑制噪聲方面不如Sobel算子。Sobel算子能夠較為地檢測出邊緣點，對噪聲具有平滑作用，但檢測出的邊緣較寬。

　　Laplacian算子是一種線性二階微分算子，對噪聲非常敏感，一般不直接用于邊緣檢測。LoG算子是Laplacian算子的改進方式，它選用Gaussian函數(shù)對圖像進行平滑濾波，然后對平滑后的圖像進行Laplacian運算。使用Laplacian算子是為了提供一幅能確定邊緣位置的圖像。

　　Sobel算子是一組方向算子，從不同的方向檢測邊緣。方向算子是利用一組模板對圖像中的同一像素求卷積，選取其中的值作為邊緣強度，而將與之對應的方向作為邊緣方向。

　　其梯度為：

　　一幅圖像的3×3區(qū)域如圖3所示，其中z是圖像的灰度值，則Sobel算子模板如圖4所示，用以實現(xiàn)上述梯度公式。

　　Prewitt算子是平均濾波，而Sobel算子是加權(quán)平均濾波。在Prewitt算子中像素鄰域與當前像素產(chǎn)生的影響是等價的，而Sobel算子中鄰域像素與當前像素的距離有不同的權(quán)值，一般距離越小，權(quán)值越大。Sobel算子的權(quán)值2意味著通過增加中心點的重要性來達到一些平滑效果，由于引入了平均因素，因而對圖像中的隨機噪聲有一定的平滑作用。Sobel算子是相隔兩行或兩列之差分，所以邊緣兩側(cè)元素得到了增強，邊緣顯得粗而亮。

　　實驗證明，當閾值設(shè)為0.017時，用Sobel算子對橡膠圈缺陷檢測效果。而上述其他算子均不能有效檢測出橡膠圈圖像的缺陷邊緣。

　　1.2.2 Canny算子邊緣檢測

　　在圖像邊緣檢測中，抑制噪聲和邊緣定位是無法同時滿足的，邊緣檢測算法通過平滑濾波去除圖像噪聲的同時，也增加了邊緣定位的不確定性；反之，提高邊緣檢測算子對邊緣的敏感性的同時，也提高了對噪聲的敏感性。Canny算子在抗噪聲干擾和定位之間尋求折中方案。

　　Canny算子邊緣檢測的基本原理是：采用二維高斯函數(shù)的任意方向上的一階導數(shù)為噪聲濾波器，通過與圖像卷積進行濾波；然后對濾波后的圖像尋找圖像梯度的局部極大值，以確定圖像邊緣。Canny算子是一種邊緣檢測算子，其實現(xiàn)檢測圖像邊緣的步驟與方法如下：（1）選擇一定的高斯濾波器平滑圖像，抑制圖像噪聲，然后計算濾波后圖像梯度的幅值和方向；（2）對梯度幅值應用非極值抑制，尋找圖像梯度中的局部極值點，把其他非局部極值點置零以得到細化的邊緣，再用雙閾值算法檢測和連接邊緣，實現(xiàn)邊緣提取。

　　Canny算子邊緣檢測的三條準則是：

　?。?）低誤判率，既要盡可能地檢查出真實的邊緣，同時又要盡量避免檢測中出現(xiàn)的虛假邊緣；

　?。?）高定位，即檢測出的邊緣位置要盡量接近真正的邊緣位置；

　?。?）對同一邊緣要有低的響應次數(shù)，即同一邊緣產(chǎn)生多個響應的概率要低。

　　實驗證明，當閾值設(shè)為0.08時，用Canny算子對橡膠圈缺陷檢測效果。

　　1.2.3 圖像相加

　　Sobel算子對灰度漸變的圖像處理較好，這點在橡膠圈缺陷檢測中得到了驗證。Sobel算子對垂直和水平方向上的邊緣有較好的檢測結(jié)果，但對其他方向的檢測效果一般，且對邊緣的定位不是很準確，圖像的邊界寬度要大于或等于2個像素。

　　Canny算子雖然是基于化思想推出的邊緣檢測算子，但實際效果并不一定。Canny算子也會將一些高頻邊緣平滑掉，造成邊緣丟失。

　　橡膠圈缺陷的灰度和橡膠圈的灰度非常接近，對比度較低，邊緣兩側(cè)的灰度變化不明顯。大量實驗表明，Sobel算子和Canny算子對橡膠圈的缺陷檢測有較好的效果，但又有些瑕疵，如果把二者檢測結(jié)果相加，可以使兩者的優(yōu)勢互補，能大大提高邊緣檢測的效果，取得令人滿意的結(jié)果。

　　2 實驗結(jié)果與分析

　　圖5（a）為Sobel算子的邊緣檢測結(jié)果，圖5（b）為Canny算子的邊緣檢測結(jié)果，圖6為兩者相加的結(jié)果?？梢钥闯?，由于橡膠圈缺陷部分和背景部分灰度非常相近，盡管分別采用了對灰度漸變處理效果較好的Sobel算子和邊緣檢測算子--Canny算子，但邊緣檢測的結(jié)果仍不是很理想。而圖6所示的混合邊緣檢測結(jié)果要明顯優(yōu)于圖5,缺陷邊緣被清晰地分割出來，并且沒有出現(xiàn)受到噪聲干擾的偽邊緣。

　　本文討論了橡膠圈缺陷檢測算法，分析了幾種常用算法的優(yōu)缺點，提出了一種基于Sobel算子和Canny算子的混合邊緣檢測算法，并用Matlab軟件進行了實驗仿真，證明了其檢測要高于傳統(tǒng)的邊緣檢測算子。