自适应Canny边缘检测提升彩色柑橘图像配准精度

本篇论文研究主要关注于图像配准领域，特别是在树上柑橘图像处理中的边缘检测方法。研究者提出了一种创新的策略，即基于分块互信息的自适应Canny算子。传统的边缘检测方法如Robert、Sobel、Prewitt和Log算子，由于依赖局部窗口操作且对噪声敏感，可能在复杂背景或噪声多的场景下效果不佳。Canny算子作为高斯函数的一阶导数，通过优化信噪比和位置关系，提供了更好的边缘检测性能，但实际应用中参数调整通常是手动的，这限制了其自动化程度。 论文的核心内容在于开发一种自适应Canny算子，通过首先对RGB真彩图像进行R-B色差空间的线性变换，这个变换使得果实部分的灰度差异明显，而背景的差异较小。利用积分图像技术快速计算出高斯滤波器的尺度参数，并通过OTSU方法确定Canny算子的高阈值和低阈值，实现了边缘的自动检测。这种方法有效地降低了噪声影响，增强了边缘的连通性和识别性，尤其适用于不同光照条件下的柑橘图像。 作者在试验中采集了80幅树上柑橘图像，针对不同光线和拍摄角度进行了参数调整，确保了图像质量和边缘检测的准确性。通过对R、G、B三色分量的统计分析，结果显示在R-B色差分量上处理能够清晰区分果实和背景，同时减少绿色树叶边缘的干扰，凸显柑橘果实的边缘。实验结果显示，自适应Canny算法在柑橘图像边缘检测方面表现出色，背景中的树叶边缘变得模糊，而果实边缘更为明显，这对于后续的果实识别和定位任务具有重要意义。 总结来说，这篇论文提出了一种有效的图像处理技术，不仅提升了边缘检测的性能，还实现了参数的自动化，为农业自动化生产和柑橘果实的精确识别提供了强有力的支持。通过这种自适应Canny算法，研究人员解决了传统方法在特定环境下存在的问题，展示了在实际应用中的可行性和优势。