基于截断奇异值低秩矩阵恢复的Canny边缘检测算法

计算机工程与科学

基于截断奇异值低秩矩阵恢复的Canny边缘检测算法

郭伟，董宏亮，赵德冀

(辽宁工程技术大学软件学院，辽宁葫芦岛 125105)

收稿日期:2017-06-07 修回日期:2017-08-15 出版日期:2018-09-25 发布日期:2018-09-25
基金资助:
国家自然科学基金(61540056);辽宁省自然科学基金(2015020095)

A Canny edge detection algorithm based on

truncated singular value lowrank matrix recovery

GUO Wei，DONG Hongliang，ZHAO Deji

(School of Software,Liaoning Technical University,Huludao 125105,China)

Received:2017-06-07 Revised:2017-08-15 Online:2018-09-25 Published:2018-09-25

摘要/Abstract

摘要：

针对Canny算法在处理噪声图像时存在的不足，为提高其准确性和鲁棒性，提出一种基于截断奇异值的低秩矩阵恢复方法，以及一种更加准确的双噪声凸优化模型和求解方法。使用经典Canny边缘检测算法作用于分解后去除冗余信息的主成分上，将图像的边缘检测转化为对主成分的边缘检测，可以在有效地去除脉冲噪声和高斯噪声干扰的同时，更好地保留边缘信息。为验证其有效性，在不同噪声浓度以及混合噪声情况下进行实验，结果分析表明，基于低秩矩阵恢复的边缘检测算法可以更好地保留完整的边缘信息，提高边缘检测的准确性及鲁棒性。

关键词: 边缘检测, 鲁棒主成分分析, 双噪声凸优化模型, 截断奇异值, 奇异值分解

Abstract:

In order to improve the accuracy and robustness of the Canny algorithm in processing noise images, we propose a low rank matrix recovery method based on truncated singular value, and present a more accurate dual noiseconvex optimization model and a method of solving the optimization model. We use the classical Canny edge detection method on the decomposed principal component without redundant information, and thus transform the edge detection of the image into the edge detection of the principal component. This method can effectively eliminate the impulse noise and Gaussian noise while preserving the edge information better. To verify its effectiveness, we conduct experiments under different noise concentrations and mixed noises, and the results show that the edge detection algorithm based on lowrank matrix recovery can better preserve the complete edge information and improve the accuracy and robustness of edge detection methods.

Key words: edge detection, robust principal component analysis, dual noise-convex optimization model, truncated singular value, singular value decomposition

郭伟，董宏亮，赵德冀. 基于截断奇异值低秩矩阵恢复的Canny边缘检测算法[J]. 计算机工程与科学.

GUO Wei，DONG Hongliang，ZHAO Deji.

A Canny edge detection algorithm based on

truncated singular value lowrank matrix recovery

[J]. Computer Engineering & Science.

[1]	王晓琦, 赵宣植, 刘增力, . 基于多尺度小波和Tsallis熵的水下图像边缘检测[J]. 计算机工程与科学, 2023, 45(07): 1245-1252.
[2]	李忠瑞, 崔宾阁, 杨光, 张昊卿. 基于深度学习的海岸线边缘检测网络模型[J]. 计算机工程与科学, 2022, 44(12): 2220-2229.
[3]	徐琨, 赵启雯, 徐源, 柳有权. 基于边缘检测的快速纸张检测方法[J]. 计算机工程与科学, 2022, 44(10): 1795-1803.
[4]	魏云鹤, 马慧芳, 姜彦斌, 宿云. 融合社交信息的局部潜在空间推荐方法[J]. 计算机工程与科学, 2021, 43(09): 1653-1659.
[5]	李凯, 张永生, 童晓冲, 李峰. 基于各向异性和边缘强度修正因子的边缘检测算法[J]. 计算机工程与科学, 2021, 43(07): 1256-1263.
[6]	赵月, 王来花, 齐苏敏, 王伟胜, 刘晨. 基于全局和局部特征的无参考夜间图像质量评价[J]. 计算机工程与科学, 2021, 43(07): 1283-1290.
[7]	王文冰, 刘胜利. 基于奇异向量鲁棒性的水印方法的质量补偿分析[J]. 计算机工程与科学, 2020, 42(09): 1572-1577.
[8]	周洲，黄茜，胡志辉. 基于显著性判别的缺陷检测方法[J]. 计算机工程与科学, 2018, 40(12): 2219-2223.
[9]	肖振久，郭冰莹，李南，唐晓亮. 一种基于Slant变换和SVD的稳健性数字水印算法[J]. 计算机工程与科学, 2018, 40(10): 1772-1779.
[10]	张建明1,2，廖婷婷1,2，吴宏林1,2，刘宇凯1,2. 基于改进分数阶SVD的块协作表示的小样本人脸识别算法[J]. 计算机工程与科学, 2018, 40(07): 1237-1243.
[11]	曲长波，于智龙，李栋栋. 基于分块FRIT-SVD的鲁棒零水印算法[J]. 计算机工程与科学, 2018, 40(06): 1005-1016.
[12]	郭伟，董宏亮，石尚. 基于多尺度自适应扩散方程的边缘检测方法[J]. 计算机工程与科学, 2018, 40(05): 863-871.
[13]	暴琳，张贞凯，李垣江，龚淼. Tetrolet变换和SVD结合的盲检测稳健数字水印嵌入策略[J]. 计算机工程与科学, 2017, 39(03): 492-499.
[14]	谭光兴，刘臻晖. 基于SVM的局部潜在语义分析算法研究[J]. J4, 2016, 38(01): 177-182.
[15]	熊祥光，韦立，谢刚. 基于3D-DCT和SVD的鲁棒彩色图像水印算法[J]. J4, 2015, 37(06): 1093-1100.