本技術涉及圖像處理，具體為一種基于多尺度邊緣隸屬度圖的礦用卡車邊緣檢測方法。

背景技術：

1、礦卡邊緣檢測是實現電鏟自主裝載作業的關鍵技術，是建設智慧煤礦的重要保障。在自主裝載作業過程中，若不能對礦卡邊緣進行精確檢測，極容易因為鏟斗位置過低造成挖掘機鏟斗與礦卡的碰撞事故，或由于鏟斗位置過高造成礦石落料沖擊大，對礦卡造成損壞；在自主運輸過程中，對礦卡邊緣的精確自動化檢測是實現礦卡安全自動駕駛及運輸過程監控的必要保證。

2、但是，由于礦山作業現場環境復雜，實際采集到的礦卡圖像存在較多的弱邊緣和噪點。而現有邊緣檢測算法難以有效區分弱邊緣和噪點，導致礦卡邊緣檢測圖存在弱邊緣缺失或雜邊過多的問題，影響礦卡邊緣檢測精度，容易引發電鏟鏟斗與礦卡的碰撞事故。同時，現有邊緣檢測算法需要人為設置的參數過多，調參過程繁瑣，導致算法自動化程度不高，不利于實際推廣應用。

技術實現思路

1、本技術提供一種基于多尺度邊緣隸屬度圖的礦用卡車邊緣檢測方法，用于準確自動化的實現礦卡邊緣檢測，可以有效解決背景技術中的問題。

2、為實現上述目的，本技術提供如下技術方案：一種基于多尺度邊緣隸屬度圖的礦用卡車邊緣檢測方法，包括：

3、(1)構建多尺度圖像金字塔：獲取灰度圖像作為輸入，并使用高斯函數進行模糊處理以構造圖像金字塔。

4、(2)計算梯度：利用scharr算子在x方向和y方向上分別計算圖像的梯度。通過計算梯度特征，可以有效地將背景像素從邊緣像素和噪聲像素中區分開來。

5、(3)計算局部梯度差的標準差：利用局部梯度差的統計特性，通過計算局部梯度差的標準差來進一步有效區分邊緣像素和噪點，從而提高邊緣檢測精度。

6、(4)計算邊緣隸屬度：為了更好地區分弱邊緣和噪點，提高邊緣檢測的準確率，綜合利用梯度、局部梯度差的標準差構造一種新的邊緣隸屬度函數。

7、梯度均值μgl和局部梯度差的標準差均值μsl分別計算如下：

8、

9、若同時滿足gl(i,j)≥μgl和sl(i,j)≥μsl兩個條件，則邊緣隸屬度el(i,j)計算如下：

10、el(i,j)＝gl(i,j)+sl(i,j)。

11、若只滿足其中一個條件，則邊緣隸屬度el(i,j)為：

12、el(i,j)＝min(gl(i,j),sl(i,j))。

13、若兩個條件都不滿足，則邊緣隸屬度el(i,j)為：

14、el(i,j)＝0。

15、得到邊緣隸屬度圖以后，采用非極大值抑制法對邊緣進行細化處理。

16、(5)多尺度邊緣隸屬度圖融合：創建大小為的多尺度邊緣隸屬度融合圖。在每個尺度上，如果是候選邊緣像素，它在融合圖上的關聯像素及該關聯像素垂直于梯度方向上的l個鄰域像素被投票。對融合圖上的每個像素進行票數統計。如果得票數滿足如下條件：

17、

18、則像素d(i,j)被判定為候選邊緣像素。其中，t表示金字塔圖像的尺度等級數目。

19、(6)自適應滯后連接：采用滯后連接對多尺度邊緣隸屬度融合圖進行進一步處理，以提高邊緣連續性和定位準確性。

20、首先，創建大小為w×h的融合特征圖f，其中，像素f(i,j)的值計算如下：

21、f(i,j)＝g0(i,j)+s0(i,j)。

22、采用大津法計算高閾值th如下：

23、th＝k×otsu(f)。

24、其中，otsu表示大津法，k∈(0,1)為調節因子，一般k默認取值為0.8。用高閾值th對融合特征圖f進行閾值化處理，并創建大小為w×h的剩余特征圖r，其中像素r(i,j)的值計算如下：

25、

26、然后，基于剩余特征圖r計算低閾值tl。經過高閾值th閾值化處理后，剩余特征圖r存在較多弱邊緣。采用最大熵閾值法來計算低閾值tl：

27、tl＝met(r)。

28、其中，met表示最大熵閾值法。

29、最后，綜合采用高閾值th和低閾值tl作為滯后連接的雙閾值來處理多尺度邊緣隸屬度融合圖d，從而得到最終的二值化邊緣圖e。若d(i,j)＞th，則e(i,j)被判定為邊緣像素，且設定e(i,j)＝255。若d(i,j)＜tl，則e(i,j)被判定為非邊緣像素，且設定e(i,j)＝0。若tl≤d(i,j)≤th，需要進一步驗證e(i,j)局部鄰域內是否存在邊緣像素。若存在，則e(i,j)被判定為邊緣像素，且設定e(i,j)＝255。若不存在，則e(i,j)被判定為非邊緣像素，且設定e(i,j)＝0。

30、優選的，構建多尺度圖像金字塔時，首先，獲取一張灰度圖像i0作為輸入，其尺寸為s0＝w×h。式中s0表示為圖像i0的面積，w為圖像i0的寬度，h為圖像i0的高度，隨著尺度等級的逐層提高，圖像尺寸大小逐層減半。對于尺寸等級為l的圖像il，其尺寸大小為：sl＝w/2l×h/2l,l∈{0,1,...,t}。

31、采用高斯函數作為金字塔生成核，對圖像il進行模糊處理。構造的金字塔圖像表示為：l＝{il|0≤l≤t}。

32、優選的，在x方向和y方向的scharr算子卷積模板sx和sy分別計算如下：

33、

34、對于圖像il，沿x方向的梯度glx和和沿y方向的梯度gly計算如下：

35、glx＝sx*il。

36、gly＝sy*il。

37、其中，*代表卷積運算。像素il(i,j)的梯度幅值gl(i,j)計算如下：

38、

39、梯度方向θl(i,j)為：

40、θl(i,j)＝arctan(gly(i,j)/glx(i,j))。

41、優選的，在梯度圖上，像素gl(i,j)在局部鄰域nl(i,j)內的梯度差計算如下：

42、

43、局部鄰域nl(i,j)為：

44、nl(i,j)＝{gl(i+m,j+n)|-kl≤m,n≤kl}。

45、像素gl(i,j)在局部鄰域nl(i,j)內的梯度差均值ml(i,j)計算如下：

46、

47、像素gl(i,j)在局部鄰域nl(i,j)內的梯度差的標準差sl(i,j)計算如下：

48、

49、優選的，采用非極大值抑制法對邊緣進行細化處理的步驟為：

50、a.確定梯度方向：首先需要計算每個像素點處的梯度強度及方向，這通常可以通過應用如sobel算子、canny邊緣檢測器等方法來實現。

51、b.遍歷圖像中的每個像素：按照從左到右、自上而下的順序遍歷整張圖片中的所有像素點，對于每一個當前考察的像素點el(i,j)，找到其沿著已知梯度方向上的兩個相鄰點q1(x1,y1)和q1(x1,y1)。

52、c.比較并更新像素值：如果el(i,j)點的灰度值大于或等于q1和q2兩點中的較大者，則認為p是局部最大值，保留其原始灰度值不變。否則，將p點的灰度值設置為0，表示這不是一個有效的邊緣位置。

53、d.重復上述過程直至完成整個圖像：繼續對剩余未被置零的像素執行相同的操作，直到所有像素都被檢查過一遍為止。

54、與現有技術相比，本技術的有益效果是：本技術首先，基于原始礦卡圖像構造多尺度圖像金字塔，為邊緣檢測提供多尺度特征；其次，在每個尺度下，綜合利用梯度、局部梯度差的標準差等多種圖像特征，構造一種新的邊緣隸屬度圖，有效提高了對弱邊緣和噪點的區分能力，提高了礦卡邊緣檢測的準確性；然后，提出一種基于投票機制的多尺度邊緣融合方法，有效融合多尺度邊緣隸屬度圖，并通過非極大值抑制細化邊緣；最后，提出一種自動化滯后連接方法，得到連續的二值化礦卡邊緣圖；本技術提出的基于多尺度邊緣隸屬度圖的礦用卡車邊緣檢測方法能夠準確自動化的實現礦卡邊緣檢測，有效提高了自主裝載作業的可靠性和安全性。