一种基于边缘检测的抗锯齿系统和方法与流程

本发明涉及图像处理，特别是一种基于边缘检测的抗锯齿系统和方法。

背景技术：

1、由于红外图像采集设备的特性以及成像过程中的采样和量化等因素，红外图像中常常存在锯齿效应，这会降低图像质量，影响后续的图像分析和处理任务。

2、传统的抗锯齿算法在边缘平滑度、实时性要求和抗锯齿效果方面存在一定的局限性，特别是在实时处理的场景下，传统算法往往需要较长的计算时间，难以满足实时性要求。

技术实现思路

1、鉴于上述传统的抗锯齿算法中存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提供一种提升图像的清晰度、边缘连续性和细节保留能力的系统及方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于边缘检测的抗锯齿方法，其包括，对输入的原始红外图像进行模糊处理，平滑噪声并保留边缘信息；利用sobel算子获取图像梯度信息，根据梯度幅值和方向判断边缘像素类型，检测锯齿效应区域；针对检测到的非直边边缘像素，根据其周围的像素值进行插值计算；引入gpu并行计算，将图像分为不同分辨率和重要性分段，分别在不同gpu计算线程上处理；对插值后的边缘区域进行高斯滤波，平滑直边和斜边过渡区域，将处理后的边缘像素与原始非边缘像素进行融合，输出抗锯齿图像。

5、作为本发明所述基于边缘检测的抗锯齿方法的一种优选方案，其中：所述对输入的原始红外图像进行模糊处理包括以下步骤：计算图像每个像素周围一定邻域内的像素值均值avg和标准差std；对于每个像素值，计算与邻域均值的差值，记为diff；根据diff的值，对该像素值进行重新分配：如果-k*std<diff<k*std，则保持像素不变；如果diff≥k*std,则像素值=avg+rand()*std； 如果diff≤-k*std,像素值=avg-rand()*std；其中，k为常数；rand()为0-1均匀随机数；重复以上步骤，迭代多次直至图像达到期望的模糊平滑程度。

6、作为本发明所述基于边缘检测的抗锯齿方法的一种优选方案，其中：所述利用sobel算子获取图像梯度信息包括：利用sobel算子对输入的原始图像进行卷积操作获取图像水平和垂直方向上的梯度信息：计算像素梯度幅值的公式为：

7、；

8、计算梯度方向信息的公式为：

9、；

10、其中，为水平梯度分量和为垂直梯度分量。

11、作为本发明所述基于边缘检测的抗锯齿方法的一种优选方案，其中：所述根据梯度幅值和方向判断边缘像素类型包括：根据的值判断是否为边缘像素的计算公式为：

12、；

13、根据的值判断该像素是直边还是斜边的计算公式为：

14、；

15、其中，是梯度幅值，为误差范围；由edge判断是否为边缘像素，当判断为边缘像素后再对边缘像素的梯度方向进行判断是否为斜边像素区域；构建图像的方向梯度直方图，统计每个方向梯度值的分布情况，结合梯度幅值判断，对锯齿区域像素做进一步分析。

16、作为本发明所述基于边缘检测的抗锯齿方法的一种优选方案，其中：所述插值计算包括：插值公式如下：

17、；

18、其中，表示插值后的结果； a、b、c为矩阵，分别表示如下：

19、；

20、；

21、；

22、其中，a、c矩阵是边缘平滑参数，矩阵中的s的计算公式如下式所示：

23、；

24、其中，m(i,j)表示像素在图像中的位置索引，其中i表示行索引，j表示列索引；x表示当前像素点的梯度方向；pi表示圆周率π；eps为常数；v表示当前像素点垂直方向上的梯度分量；u表示当前像素点水平方向上的梯度分量，和由该像素点的梯度方向决定。

25、作为本发明所述基于边缘检测的抗锯齿方法的一种优选方案，其中：所述插值计算还包括：根据当前像素的局部邻域特征自适应调整a、b、c三个矩阵的系数，实现自适应插值策略。

26、作为本发明所述基于边缘检测的抗锯齿方法的一种优选方案，其中：所述引入gpu并行计算，将图像分为不同分辨率和重要性分段包括以下步骤：对边缘像素使用双阈值算法获取二值化边缘图像；将边缘图像分成多个分辨率层次，对每个分辨率层次，提取对应的边缘信息；对原始图像进行场景分析，检测图像中的主要对象，根据主要对象的重要性对图像进行分块；对每个分辨率层次的边缘图像块评估其特征，得到复杂度评分；对每个重要性区域的边缘图像块，根据其所属对象的重要程度给予权重评分，将评分高的边缘图像块标记为复杂或重要区域；将不同的边缘图像分段送入gpu的不同计算线程；根据评分，将复杂或重要的边缘图像块分配给gpu的高性能计算单元，将简单或次要的边缘图像块分配给gpu的低性能计算单元；各计算线程并行在gpu上进行后续的边缘处理操作。

27、作为本发明所述基于边缘检测的抗锯齿方法的一种优选方案，其中：所述复杂度评分的计算过程如下：设边缘图像块大小为mxn，边缘像素数量为e，则边缘像素占比为：

28、；

29、设所有边缘像素的梯度值为{g1, g2, ..., ge}，则边缘梯度均值为：

30、；

31、边缘梯度标准差为：

32、；

33、对每个边缘像素，统计其8邻域内跳变大于阈值t的邻像素数k, 得到锯齿系数：

34、；

35、复杂度评分的计算如下：

36、；

37、其中，分别为对应的权重系数。

38、第二方面，本发明为进一步解决传统的抗锯齿算法中存在的问题，实施例提供了基于边缘检测的抗锯齿系统，其包括：模糊处理模块，用于对输入的原始红外图像进行模糊处理，平滑噪声并保留边缘信息；sobel算子模块，用于利用sobel算子获取图像梯度信息，并根据梯度幅值和方向判断边缘像素类型，检测锯齿效应区域；插值计算模块，用于针对检测到的非直边边缘像素，根据其周围的像素值进行插值计算；gpu并行计算模块，用于引入gpu并行计算，将图像分为不同分辨率和重要性分段，分别在不同gpu计算线程上处理；高斯滤波模块，用于对插值后的边缘区域进行高斯滤波，平滑直边和斜边过渡区域；融合模块，用于将处理后的边缘像素与原始非边缘像素进行融合，输出抗锯齿图像。

39、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于边缘检测的抗锯齿方法的任一步骤。

40、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于边缘检测的抗锯齿方法的任一步骤。

41、本发明有益效果为，本发明通过计算图像的水平和垂直方向的梯度，能够准确地检测出图像中的边缘，并根据梯度信息识别出不同类型的边缘像素；使用插值计算对非直边边缘像素进行平滑处理，能够显著提高图像边缘的平滑度，使得图像看起来更加自然和流畅；同时，根据图像分辨率和重要性进行分段处理，能够合理分配计算资源，提高处理的精确性和实时性；本发明实现了对图像噪声的平滑、边缘的精确检测、锯齿效应的识别和处理、以及高效的并行计算处理，且达到了输出高质量的抗锯齿图像的目的。