張志寶+沈懷榮+路振民+懷洋

摘 要： 邊緣保持是單幅遙感圖像的超分辨率重建的關(guān)鍵步驟，邊緣檢測(cè)的精度直接影響著遙感圖像邊緣保持的效果。針對(duì)傳統(tǒng)邊緣檢測(cè)算子對(duì)噪聲敏感，邊緣檢測(cè)效果不理想的缺點(diǎn)，采用經(jīng)典的分?jǐn)?shù)階微分G?L定義推導(dǎo)出的差分定義方程，構(gòu)造了該文的分?jǐn)?shù)階掩模算子。通過與傳統(tǒng)邊緣檢測(cè)算子檢測(cè)結(jié)果的對(duì)比試驗(yàn)，結(jié)果表明：該算子可以有效地提取遙感圖像的邊緣信息、對(duì)噪聲有較好的抑制作用和能獲得更高的信噪比。

關(guān)鍵字： 遙感圖像； 分?jǐn)?shù)階微分； 邊緣檢測(cè)； PSNR

中圖分類號(hào)： TN919.8?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2014）20?0099?04

Method on remote sensing image edge detection based on fractional order differential

ZHANG Zhi?bao1， SHEN Huai?rong2， LU Zhen?min1， HUAI Yang1

（1. Company of Postgraduate Management， the Academy of Equipment， Beijing 101416， China；

2. Department of Space Equipment， the Academy of Equipment， Beijing 101416， China）

Abstract： Edge retention is the key step in super resolution reconstruction of single remote sensing image. The effect of edge retention is directly affected by the accuracy of edge detection. In order to overcome shortcomings that the traditional edge detection operators are sensitive to noise and its effect is not ideal， the fractional definition equation was deduced according to classical fractional order differential G?L definition， and the fractional mask operator was constructed. The experiment results of edge detection show that the fractional differential operator can effectively extract edge information of the remote sensing images， has better anti?noise performance and higher PSNR than traditional operators.

Keywords： remote sensing image； fractional order differential； edge detection； PSNR

0 引 言

近年來，隨著遙感技術(shù)的大力發(fā)展，高分辨率遙感影像在軍事偵察、測(cè)繪、民用等領(lǐng)域都有重大需求。但由于受到在軌遙感器的平臺(tái)姿態(tài)、大氣湍流、環(huán)境條件、設(shè)備老化等因素影響，造成遙感影像質(zhì)量達(dá)不到設(shè)計(jì)水平，一定程度上限制了遙感影像的判讀、解譯、目標(biāo)識(shí)別等應(yīng)用。超分別率重建技術(shù)是提高遙感影像質(zhì)量的重要途徑，可以分為單幅圖像重建和多幅圖像重建，多幅圖像重建受數(shù)據(jù)量大和重建精度的限制，在遙感領(lǐng)域還未得到廣泛的應(yīng)用。由于光學(xué)衍射和運(yùn)動(dòng)模糊是影響空間分辨率的主要因素，主要采用單幅超分辨率重建技術(shù)來改善空間分辨率，提高影像質(zhì)量。保持邊緣是單幅圖像的超分辨率重建的關(guān)鍵步驟之一[1]。傳統(tǒng)的重采樣方法都是全局的方法，未考慮圖像局部幾何空間結(jié)構(gòu)信息，因此會(huì)出現(xiàn)“馬賽克”、“鋸齒”、邊緣模糊等偽信息等現(xiàn)象[2]。邊緣檢測(cè)可以極大地減少分析的數(shù)據(jù)，同時(shí)對(duì)邊緣區(qū)和非邊緣區(qū)采取不同的方法處理，能夠較好地保持圖像的結(jié)構(gòu)信息和邊緣，抑制模糊和塊效應(yīng)。經(jīng)典的邊緣檢測(cè)算子雖然具有邊緣定位較準(zhǔn)確，但也有邊緣信息缺失、出現(xiàn)虛假邊緣等缺點(diǎn)[3?4]。

分?jǐn)?shù)階微分是整數(shù)階微分運(yùn)算的推廣，它是將傳統(tǒng)的微積分運(yùn)算的階次從整數(shù)階推廣到分?jǐn)?shù)的情況。隨著科學(xué)技術(shù)日新月異的發(fā)展，分?jǐn)?shù)階微積分受到各領(lǐng)域的專家學(xué)者廣泛的關(guān)注。本文提出了一種改進(jìn)的分?jǐn)?shù)階微分邊緣檢測(cè)算子，獲得了較好的檢測(cè)效果。

1 微分運(yùn)算對(duì)信號(hào)作用的分析

對(duì)于任一能量型函數(shù)（或信號(hào)）[f（t）∈L2（R）]，設(shè)其傅里葉變換為[f（ω）=Rf（t）·e-iωxdt]，假設(shè)函數(shù)[f（t）]的整數(shù)[k（k∈Z+）]階微分存在，即[fk（t）=Dkf（t）=dkf（t）dtk]，則傅里葉變換為：[（Dkf）（ω）=（iω）kf（ω）=dk（ω）·f（ω）]，其中，[dk（ω）=（iω）k]，[dk（ω）]的指數(shù)形式為：

[dk（ω）=ak（ω）·exp（iθk（ω））ak（ω）=ωk，θk（ω）=kπ2sgn（ω），k∈Z+] （1）

將式（1）的整數(shù)階[k]推廣到任意階算子[Dα]，函數(shù)[f（t）]對(duì)應(yīng)任意的階數(shù)[α（α∈R+）]的傅里葉變換為：[（Dαf）（ω）=（iω）αf（ω）=da（ω）·f（ω）]，其中，[da（ω）]的指數(shù)形式為：

[da（ω）=aa（ω）·exp（iθα（ω））=aa（ω）·pa（ω）aa（ω）=ωα，θα（ω）=kπ2sgn（ω），α∈R+] （2）

式中：[α∈（0，m]]；[dα（t）]的時(shí)域形式為[dα（t）=aα（t）·pα（t）]。其中：[aα（t）=12π-∞∞a（ω）·eiωtdω=-1πsinαπ2Γ（α+1）tα+1，（α≠0，][2，4，…，-1，-3，…），][Γ（·）]為Gamma函數(shù)，[Γn=0∞tn-1·e-tdt=n-1！][pαt=12π]；[-∞∞eiθαω·eiωtdω=][cosαπ2·δt-sinαπ2·1πt]。

從信號(hào)調(diào)制角度看，信號(hào)的分?jǐn)?shù)階微分的物理意義可以理解為廣義的調(diào)幅調(diào)相，振幅隨頻率與微分階數(shù)呈冪指數(shù)變化，相位是頻率的廣義希爾伯特矩陣變換。

根據(jù)上述關(guān)系式可以畫出整數(shù)一階、二階和分?jǐn)?shù)階的幅頻特性曲線如圖1所示。

圖1 分?jǐn)?shù)階微分幅頻特性曲線

從圖1的幅頻特性曲線可知，信號(hào)函數(shù)的微分運(yùn)算對(duì)信號(hào)的高頻部分具有非線性提升作用，但對(duì)信號(hào)的低頻有非線性消弱作用。

當(dāng)[0<α<1]，[ω>1]時(shí)， 微分運(yùn)算對(duì)信號(hào)有所提升，整數(shù)階一階、二階微分對(duì)信號(hào)的提升幅度明顯大于分?jǐn)?shù)階微分。

當(dāng)[0<ω<1]時(shí)，微分運(yùn)算信號(hào)有消弱作用，呈非線性衰減，分?jǐn)?shù)階微分衰減幅度小于整數(shù)階微分?？梢?，分?jǐn)?shù)階微分，不僅可以提升信號(hào)的中高頻成分，還可以非線性的保留信號(hào)的低頻成分。

2 分?jǐn)?shù)階微分算子的實(shí)現(xiàn)

分?jǐn)?shù)階微分是相對(duì)于傳統(tǒng)整數(shù)階微分提出來的，是整數(shù)階微分的推廣。從分?jǐn)?shù)階微分提出之后，有許多科學(xué)家對(duì)此問題進(jìn)行了探討，但對(duì)分?jǐn)?shù)階微分理論進(jìn)行系統(tǒng)的研究開始于19世紀(jì)中葉。分?jǐn)?shù)階微分理論經(jīng)過一百多年的發(fā)展，許多科學(xué)家從不同的角度進(jìn)行了不同的嘗試，得到不同的分?jǐn)?shù)階微分定義，經(jīng)典的定義有G?L定義[5]，R?L定義[6]和Caputo定義[7]。由于對(duì)分?jǐn)?shù)階微分的物理意義不明確，阻礙了分?jǐn)?shù)階微分在工程領(lǐng)域的應(yīng)用。隨著科學(xué)技術(shù)的日新月異的發(fā)展，相對(duì)于整數(shù)階微分，分?jǐn)?shù)階微分運(yùn)算在動(dòng)力學(xué)分析、生物工程、信號(hào)處理等領(lǐng)域處理過程所擁有的優(yōu)點(diǎn)逐漸凸顯出來，逐漸引起人們的關(guān)注并在一些領(lǐng)域嘗試應(yīng)用[8]。

2.1 分?jǐn)?shù)階微分的差分定義

Grünwald?Letnikov定義將連續(xù)函數(shù)經(jīng)典的整數(shù)階微分階數(shù)從整數(shù)推廣到分?jǐn)?shù)，通過對(duì)原整數(shù)階微分的差分近似遞推式求極限推衍而來的[9]：

[GaDαt=limh→01hαm=0t-ah-1mΓα+1m！Γα-m+1ft-mh] （3）

式中：Gamma函數(shù)[Γn=0∞tn-1·e-tdt=n-1！]。根據(jù)式（3），若一元信號(hào)[ft]的持續(xù)期間為[t∈a，t]，將信號(hào)持續(xù)期間[a，t]按單位等分間隔[h=1]進(jìn)行等分，所以[n=t-ahh=1=t-a]，可以推導(dǎo)出一元信號(hào)[ft]分?jǐn)?shù)階微分的差分表達(dá)式為：

[dαftdtα≈ft+-αft-1+-α-α+12ft-2+…+ Γ-α+1n！Γ-α+n+1ft-n （4）]

將上面的一元函數(shù)分?jǐn)?shù)階微分推廣到二維圖像上，定義二維分?jǐn)?shù)階微分的差分在[x]方向和[y]方向上的表達(dá)式為：

[?fx，y?xα≈fx，y+-αfx-1，y+ -α-α+12fx-2，y] （5）

[?fx，y?yα≈fx，y+-αfx，y-1+ -α-α+12fx，y-2] （6）

用式（5），式（6）所對(duì)應(yīng)的掩模與圖像做卷積時(shí)較為復(fù)雜，所以為了簡化計(jì)算和便于處理，文獻(xiàn)[10]中重新定義圖像信號(hào)[fx，y]偏分?jǐn)?shù)階微分為：

[?fx，y?xα≈-αfx+1，y+fx，y+ -α-α+12fx-2，y] （7）

[?fx，y?yα≈-αfx，y+1+fx，y+ -α-α+12fx，y-2] （8）

相應(yīng)的[x]軸正方向和[y]軸正方向上的分?jǐn)?shù)階掩模如圖2所示。

圖2 x軸和y軸正方向上掩模

2.2 分?jǐn)?shù)階微分算子的構(gòu)造

在[M×N]的圖像[fx，y]上，用[m×n]大小的濾波器掩模進(jìn)行濾波：

[gx，y=s=-aas=-bbws，tfx+s，y+t] （9）

式中：[ws，t]稱為掩模算子；[a=m-12]；[b=n-12]為了獲得一張完整的經(jīng)過濾波的圖像，必須對(duì)[x=0，1，2，…，M-1]和[y=0，1，2，…，N-1]依次使用該公式。這樣就保證了所有像素點(diǎn)都進(jìn)行了處理。

對(duì)于數(shù)字圖像[fx，y]，分?jǐn)?shù)階掩模算子的尺度可以大到等于數(shù)字圖像本身的尺度，但是計(jì)算量太大，也只是分?jǐn)?shù)階微分解析解的最大逼近。為了實(shí)現(xiàn)分?jǐn)?shù)階濾波器且誤差不能太大，取分?jǐn)?shù)階差分式的前三項(xiàng)，構(gòu)造[3×3]的分?jǐn)?shù)階掩模。

由式（7），式（8）可以得到[x]軸正方向，[y]軸正方向的掩模算子，依次還可以類推到[x]軸負(fù)方向，[y]軸負(fù)方向的掩模算子。

將這4個(gè)分?jǐn)?shù)階微分算子分別與圖像[fx，y]進(jìn)行分?jǐn)?shù)階微分，但是考慮到斜邊緣一部分漏檢，實(shí)現(xiàn)微分算子的旋轉(zhuǎn)各向性，于是結(jié)合對(duì)角線45°，135°，225°，315°四個(gè)方向上的分?jǐn)?shù)階掩模算子。

最后將8個(gè)方向上的掩模算子相加后得到最終掩模算子如圖3所示。

圖3 分?jǐn)?shù)階微分掩模

3 圖像邊緣提取的實(shí)驗(yàn)仿真與結(jié)果分析

在二維灰度圖像中，邊緣和噪聲都是局部不連續(xù)的點(diǎn)，噪聲和邊緣相應(yīng)的鄰域像素的灰度值發(fā)生了劇烈的變化。所謂圖像邊緣就是指其鄰域像素灰度值或亮度值有階躍變化或屋頂變化的像素的集合，它存在于目標(biāo)與背景，目標(biāo)與目標(biāo)之間、區(qū)域與區(qū)域之間、像元與像元之間。邊緣具有有序性和方向性，與鄰域的像素具有很高的相關(guān)性，而噪聲信號(hào)具有隨機(jī)性，與鄰域的像素?zé)o相關(guān)性。在信號(hào)處理過程中，利用鄰域像素的相關(guān)性，可以抵消噪聲的影響，加強(qiáng)邊緣信號(hào)。

3.1 不同階微分算子邊緣檢測(cè)的對(duì)比

根據(jù)圖3所示分?jǐn)?shù)階掩模算子，獲取圖像的邊緣信息。首先對(duì)圖3的掩模算子的每一項(xiàng)除以[4α2-12α+8]，完成掩模算子的歸一化處理。其次，使用掩模算子對(duì)圖像進(jìn)行卷積運(yùn)算，對(duì)于圖像的平滑區(qū)域，輸出的像素值得變化很??；對(duì)于圖像的像素值變化較大的區(qū)域，輸出的像素值發(fā)生了顯著地變化。通過對(duì)圖像分?jǐn)?shù)階微分后，邊緣的特征顯著突出，紋理更加清晰，平滑區(qū)域保持不變。最后將經(jīng)過分?jǐn)?shù)階微分運(yùn)算的圖像的像素值與原圖像中的像素值相減，得到圖像的邊緣信息。

圖4是不同階微分算子對(duì)圖像的邊緣提取結(jié)果，通過對(duì)比可以看出不同階次的微分算子所提取的邊緣信息基本相同。

圖4 不同階微分算子提取的邊緣信息

實(shí)際需要處理的遙感圖像不可避免的帶有噪聲，噪聲往往會(huì)使圖像的邊緣模糊，導(dǎo)致一些細(xì)節(jié)無法檢測(cè)出來，邊緣信息不夠連續(xù)，然而通過實(shí)驗(yàn)結(jié)果可以看出：隨著階數(shù)的增加，邊緣信息基本不變，但是噪聲有所增加，說明取較低的階數(shù)時(shí)能很好地抑制噪聲。說明構(gòu)造的該微分算子可以有效的提取邊緣信息，還可以通過改變分?jǐn)?shù)階微分的階次獲得連續(xù)的邊緣信息來滿足圖像處理的不同需求。

3.2 各種算子邊緣檢測(cè)對(duì)比

圖5（b）～（f）為經(jīng)典的1階Roberts算子、Sobel算子、Prewitt算子和Canny算子與0.6階分?jǐn)?shù)階微分算子提取的邊緣信息。

從仿真結(jié)果圖中可以得出：1階Roberts算子、Sobel算子、Prewitt算子提取的結(jié)果很不理想，邊緣細(xì)

節(jié)信息缺失嚴(yán)重。Canny算子和0.6階微分算子相對(duì)于一階算子能提取更豐富的邊緣信息。0.6階的微分算子提取的邊緣信息更豐富，效果更好。因?yàn)镃anny算子在對(duì)圖像進(jìn)行平滑時(shí)會(huì)造成過度平滑，雖然提高了信噪比，去除了噪聲，但是平滑時(shí)會(huì)使很多邊緣也被模糊掉，致使檢測(cè)到的邊緣信息較少。

圖5 各種邊緣檢測(cè)算子檢測(cè)結(jié)果

3.3 高斯白噪聲條件下各種微分算子檢測(cè)對(duì)比

圖6（b）～（f）是對(duì)原圖像加入均值為0，方差為0.001的高斯白噪聲后提取的邊緣信息，從圖中可知，0.6階分?jǐn)?shù)階微分算子相對(duì)于1階Roberts算子、Sobel算子、Prewitt算子能很好的抑制噪聲。

圖6 高斯噪聲圖像的檢測(cè)結(jié)果

Canny算子和0.6階分?jǐn)?shù)階微分算子都能很好地抑制噪聲，但Canny算子在檢測(cè)時(shí)會(huì)損失部分水平、垂直方向上的邊緣信息，因?yàn)镃anny算子在對(duì)圖像平滑后計(jì)算梯度幅值時(shí)只針對(duì)了水平方向和垂直方向。

3.4 不同階微分算子提取邊緣的峰值信噪比

對(duì)原圖像加入均值為0，方差為0.001的隨機(jī)噪聲，表1為基于不同階微分算子提取的邊緣信息的均方根和峰值信噪比。

表1 不同微分階數(shù)提取邊緣的均方誤差和峰值信噪比

從表中可以得出：當(dāng)階數(shù)[0<α<0.3]時(shí)，均方誤差（MSE）隨著階數(shù)的增大而減小，當(dāng)階數(shù)[0.3<α<1]時(shí)，MSE隨著階數(shù)的增大而增大，均方誤差在0.3階附近取到最小值，即兩幅圖像的誤差越小，越接近原圖像。當(dāng)階數(shù)[0<α<0.3]時(shí)，峰值信噪比（PSNR）隨著階數(shù)的增大而增大，當(dāng)階數(shù)[0.3<α<1]時(shí)，PSNR隨著階數(shù)的增大而減小，峰值信噪比最大值在0.3階附近取到。 因?yàn)槲⒎蛛A數(shù)很小時(shí)，分?jǐn)?shù)階微分算子對(duì)圖像的紋理的提升會(huì)對(duì)圖像的邊緣提取產(chǎn)生一定的干擾。

4 結(jié) 語

本文基于分?jǐn)?shù)階微分理論，對(duì)信號(hào)經(jīng)過微分的幅頻特性進(jìn)行了詳細(xì)的分析，分?jǐn)?shù)階微分在增強(qiáng)高頻信息的同時(shí)，也保留一定的低頻信息。根據(jù)經(jīng)典的分?jǐn)?shù)階微分G?L定義推導(dǎo)出的差分定義，構(gòu)造了本文的分?jǐn)?shù)階微分算子，在提升高頻信息和保留低頻信息方面具有良好的效果。實(shí)驗(yàn)結(jié)果證明了分?jǐn)?shù)階微分算子可以彌補(bǔ)傳統(tǒng)邊緣檢測(cè)算子提取邊緣信息的缺失的缺點(diǎn)，相比于傳統(tǒng)算子具有一定的抑制噪聲的作用，因此，該方法是一種可行的遙感圖像邊緣檢測(cè)方法。

參考文獻(xiàn)

[1] 孫濤，林立宇.光學(xué)遙感影像復(fù)原與超分辨率重建[M].北京：國防工業(yè)出版社，2012.

[2] RAJAN D， CHAUDHURI S. Generalized interpolation and its application in super?resolution imaging [J]. Image and Vision Computing， 2001， 19： 189?201.

[3] 潘夏英.圖像邊緣檢測(cè)技術(shù)的研究[D].西安：西安科技大學(xué)，2011.

[4] 梁雷.基于小波的隨時(shí)間變化圖像的邊緣檢測(cè)[D].北京：北京交通大學(xué)，2010.

[5] OLDHAM K B， SPANIER J. The fractional calculus [M]. New York： Academic Press， 1974.

[6] PODLUBNY I. Fractional differential equations [M]. New York： Academic Press， 1999.

[7] CAFAGNA D. Fractional calculus： a mathematical tool from the past for present engineers [J]. IEEE Industrial Electronics Magazine， 2007， 101： 35?40.

[8] 周激流，蒲亦非，廖科.分?jǐn)?shù)階微積分原理及其在現(xiàn)代信號(hào)分析與處理中的應(yīng)用[M].北京：科學(xué)出版社，2010.

[9] 汪成亮，喬鶴松，陳娟娟.基于自適應(yīng)分?jǐn)?shù)階微分的Harris角點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2011，31（10）：2701?2704.

[10] 楊柱中，周激流，黃梅，等.基于分?jǐn)?shù)階微分的邊緣檢測(cè)[J].四川大學(xué)學(xué)報(bào)：工程科學(xué)版，2008，40（1）：152?157.

3.1 不同階微分算子邊緣檢測(cè)的對(duì)比

根據(jù)圖3所示分?jǐn)?shù)階掩模算子，獲取圖像的邊緣信息。首先對(duì)圖3的掩模算子的每一項(xiàng)除以[4α2-12α+8]，完成掩模算子的歸一化處理。其次，使用掩模算子對(duì)圖像進(jìn)行卷積運(yùn)算，對(duì)于圖像的平滑區(qū)域，輸出的像素值得變化很??；對(duì)于圖像的像素值變化較大的區(qū)域，輸出的像素值發(fā)生了顯著地變化。通過對(duì)圖像分?jǐn)?shù)階微分后，邊緣的特征顯著突出，紋理更加清晰，平滑區(qū)域保持不變。最后將經(jīng)過分?jǐn)?shù)階微分運(yùn)算的圖像的像素值與原圖像中的像素值相減，得到圖像的邊緣信息。

圖4是不同階微分算子對(duì)圖像的邊緣提取結(jié)果，通過對(duì)比可以看出不同階次的微分算子所提取的邊緣信息基本相同。

圖4 不同階微分算子提取的邊緣信息

實(shí)際需要處理的遙感圖像不可避免的帶有噪聲，噪聲往往會(huì)使圖像的邊緣模糊，導(dǎo)致一些細(xì)節(jié)無法檢測(cè)出來，邊緣信息不夠連續(xù)，然而通過實(shí)驗(yàn)結(jié)果可以看出：隨著階數(shù)的增加，邊緣信息基本不變，但是噪聲有所增加，說明取較低的階數(shù)時(shí)能很好地抑制噪聲。說明構(gòu)造的該微分算子可以有效的提取邊緣信息，還可以通過改變分?jǐn)?shù)階微分的階次獲得連續(xù)的邊緣信息來滿足圖像處理的不同需求。

3.2 各種算子邊緣檢測(cè)對(duì)比

圖5（b）～（f）為經(jīng)典的1階Roberts算子、Sobel算子、Prewitt算子和Canny算子與0.6階分?jǐn)?shù)階微分算子提取的邊緣信息。

從仿真結(jié)果圖中可以得出：1階Roberts算子、Sobel算子、Prewitt算子提取的結(jié)果很不理想，邊緣細(xì)

節(jié)信息缺失嚴(yán)重。Canny算子和0.6階微分算子相對(duì)于一階算子能提取更豐富的邊緣信息。0.6階的微分算子提取的邊緣信息更豐富，效果更好。因?yàn)镃anny算子在對(duì)圖像進(jìn)行平滑時(shí)會(huì)造成過度平滑，雖然提高了信噪比，去除了噪聲，但是平滑時(shí)會(huì)使很多邊緣也被模糊掉，致使檢測(cè)到的邊緣信息較少。

圖5 各種邊緣檢測(cè)算子檢測(cè)結(jié)果

3.3 高斯白噪聲條件下各種微分算子檢測(cè)對(duì)比

圖6（b）～（f）是對(duì)原圖像加入均值為0，方差為0.001的高斯白噪聲后提取的邊緣信息，從圖中可知，0.6階分?jǐn)?shù)階微分算子相對(duì)于1階Roberts算子、Sobel算子、Prewitt算子能很好的抑制噪聲。

圖6 高斯噪聲圖像的檢測(cè)結(jié)果

Canny算子和0.6階分?jǐn)?shù)階微分算子都能很好地抑制噪聲，但Canny算子在檢測(cè)時(shí)會(huì)損失部分水平、垂直方向上的邊緣信息，因?yàn)镃anny算子在對(duì)圖像平滑后計(jì)算梯度幅值時(shí)只針對(duì)了水平方向和垂直方向。

3.4 不同階微分算子提取邊緣的峰值信噪比

對(duì)原圖像加入均值為0，方差為0.001的隨機(jī)噪聲，表1為基于不同階微分算子提取的邊緣信息的均方根和峰值信噪比。

表1 不同微分階數(shù)提取邊緣的均方誤差和峰值信噪比

從表中可以得出：當(dāng)階數(shù)[0<α<0.3]時(shí)，均方誤差（MSE）隨著階數(shù)的增大而減小，當(dāng)階數(shù)[0.3<α<1]時(shí)，MSE隨著階數(shù)的增大而增大，均方誤差在0.3階附近取到最小值，即兩幅圖像的誤差越小，越接近原圖像。當(dāng)階數(shù)[0<α<0.3]時(shí)，峰值信噪比（PSNR）隨著階數(shù)的增大而增大，當(dāng)階數(shù)[0.3<α<1]時(shí)，PSNR隨著階數(shù)的增大而減小，峰值信噪比最大值在0.3階附近取到。 因?yàn)槲⒎蛛A數(shù)很小時(shí)，分?jǐn)?shù)階微分算子對(duì)圖像的紋理的提升會(huì)對(duì)圖像的邊緣提取產(chǎn)生一定的干擾。

4 結(jié) 語

本文基于分?jǐn)?shù)階微分理論，對(duì)信號(hào)經(jīng)過微分的幅頻特性進(jìn)行了詳細(xì)的分析，分?jǐn)?shù)階微分在增強(qiáng)高頻信息的同時(shí)，也保留一定的低頻信息。根據(jù)經(jīng)典的分?jǐn)?shù)階微分G?L定義推導(dǎo)出的差分定義，構(gòu)造了本文的分?jǐn)?shù)階微分算子，在提升高頻信息和保留低頻信息方面具有良好的效果。實(shí)驗(yàn)結(jié)果證明了分?jǐn)?shù)階微分算子可以彌補(bǔ)傳統(tǒng)邊緣檢測(cè)算子提取邊緣信息的缺失的缺點(diǎn)，相比于傳統(tǒng)算子具有一定的抑制噪聲的作用，因此，該方法是一種可行的遙感圖像邊緣檢測(cè)方法。

參考文獻(xiàn)

[1] 孫濤，林立宇.光學(xué)遙感影像復(fù)原與超分辨率重建[M].北京：國防工業(yè)出版社，2012.

[2] RAJAN D， CHAUDHURI S. Generalized interpolation and its application in super?resolution imaging [J]. Image and Vision Computing， 2001， 19： 189?201.

[3] 潘夏英.圖像邊緣檢測(cè)技術(shù)的研究[D].西安：西安科技大學(xué)，2011.

[4] 梁雷.基于小波的隨時(shí)間變化圖像的邊緣檢測(cè)[D].北京：北京交通大學(xué)，2010.

[5] OLDHAM K B， SPANIER J. The fractional calculus [M]. New York： Academic Press， 1974.

[6] PODLUBNY I. Fractional differential equations [M]. New York： Academic Press， 1999.

[7] CAFAGNA D. Fractional calculus： a mathematical tool from the past for present engineers [J]. IEEE Industrial Electronics Magazine， 2007， 101： 35?40.

[8] 周激流，蒲亦非，廖科.分?jǐn)?shù)階微積分原理及其在現(xiàn)代信號(hào)分析與處理中的應(yīng)用[M].北京：科學(xué)出版社，2010.

[9] 汪成亮，喬鶴松，陳娟娟.基于自適應(yīng)分?jǐn)?shù)階微分的Harris角點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2011，31（10）：2701?2704.

[10] 楊柱中，周激流，黃梅，等.基于分?jǐn)?shù)階微分的邊緣檢測(cè)[J].四川大學(xué)學(xué)報(bào)：工程科學(xué)版，2008，40（1）：152?157.

3.1 不同階微分算子邊緣檢測(cè)的對(duì)比

根據(jù)圖3所示分?jǐn)?shù)階掩模算子，獲取圖像的邊緣信息。首先對(duì)圖3的掩模算子的每一項(xiàng)除以[4α2-12α+8]，完成掩模算子的歸一化處理。其次，使用掩模算子對(duì)圖像進(jìn)行卷積運(yùn)算，對(duì)于圖像的平滑區(qū)域，輸出的像素值得變化很??；對(duì)于圖像的像素值變化較大的區(qū)域，輸出的像素值發(fā)生了顯著地變化。通過對(duì)圖像分?jǐn)?shù)階微分后，邊緣的特征顯著突出，紋理更加清晰，平滑區(qū)域保持不變。最后將經(jīng)過分?jǐn)?shù)階微分運(yùn)算的圖像的像素值與原圖像中的像素值相減，得到圖像的邊緣信息。

圖4是不同階微分算子對(duì)圖像的邊緣提取結(jié)果，通過對(duì)比可以看出不同階次的微分算子所提取的邊緣信息基本相同。

圖4 不同階微分算子提取的邊緣信息

實(shí)際需要處理的遙感圖像不可避免的帶有噪聲，噪聲往往會(huì)使圖像的邊緣模糊，導(dǎo)致一些細(xì)節(jié)無法檢測(cè)出來，邊緣信息不夠連續(xù)，然而通過實(shí)驗(yàn)結(jié)果可以看出：隨著階數(shù)的增加，邊緣信息基本不變，但是噪聲有所增加，說明取較低的階數(shù)時(shí)能很好地抑制噪聲。說明構(gòu)造的該微分算子可以有效的提取邊緣信息，還可以通過改變分?jǐn)?shù)階微分的階次獲得連續(xù)的邊緣信息來滿足圖像處理的不同需求。

3.2 各種算子邊緣檢測(cè)對(duì)比

圖5（b）～（f）為經(jīng)典的1階Roberts算子、Sobel算子、Prewitt算子和Canny算子與0.6階分?jǐn)?shù)階微分算子提取的邊緣信息。

從仿真結(jié)果圖中可以得出：1階Roberts算子、Sobel算子、Prewitt算子提取的結(jié)果很不理想，邊緣細(xì)

節(jié)信息缺失嚴(yán)重。Canny算子和0.6階微分算子相對(duì)于一階算子能提取更豐富的邊緣信息。0.6階的微分算子提取的邊緣信息更豐富，效果更好。因?yàn)镃anny算子在對(duì)圖像進(jìn)行平滑時(shí)會(huì)造成過度平滑，雖然提高了信噪比，去除了噪聲，但是平滑時(shí)會(huì)使很多邊緣也被模糊掉，致使檢測(cè)到的邊緣信息較少。

圖5 各種邊緣檢測(cè)算子檢測(cè)結(jié)果

3.3 高斯白噪聲條件下各種微分算子檢測(cè)對(duì)比

圖6（b）～（f）是對(duì)原圖像加入均值為0，方差為0.001的高斯白噪聲后提取的邊緣信息，從圖中可知，0.6階分?jǐn)?shù)階微分算子相對(duì)于1階Roberts算子、Sobel算子、Prewitt算子能很好的抑制噪聲。

圖6 高斯噪聲圖像的檢測(cè)結(jié)果

Canny算子和0.6階分?jǐn)?shù)階微分算子都能很好地抑制噪聲，但Canny算子在檢測(cè)時(shí)會(huì)損失部分水平、垂直方向上的邊緣信息，因?yàn)镃anny算子在對(duì)圖像平滑后計(jì)算梯度幅值時(shí)只針對(duì)了水平方向和垂直方向。

3.4 不同階微分算子提取邊緣的峰值信噪比

對(duì)原圖像加入均值為0，方差為0.001的隨機(jī)噪聲，表1為基于不同階微分算子提取的邊緣信息的均方根和峰值信噪比。

表1 不同微分階數(shù)提取邊緣的均方誤差和峰值信噪比

從表中可以得出：當(dāng)階數(shù)[0<α<0.3]時(shí)，均方誤差（MSE）隨著階數(shù)的增大而減小，當(dāng)階數(shù)[0.3<α<1]時(shí)，MSE隨著階數(shù)的增大而增大，均方誤差在0.3階附近取到最小值，即兩幅圖像的誤差越小，越接近原圖像。當(dāng)階數(shù)[0<α<0.3]時(shí)，峰值信噪比（PSNR）隨著階數(shù)的增大而增大，當(dāng)階數(shù)[0.3<α<1]時(shí)，PSNR隨著階數(shù)的增大而減小，峰值信噪比最大值在0.3階附近取到。 因?yàn)槲⒎蛛A數(shù)很小時(shí)，分?jǐn)?shù)階微分算子對(duì)圖像的紋理的提升會(huì)對(duì)圖像的邊緣提取產(chǎn)生一定的干擾。

4 結(jié) 語

本文基于分?jǐn)?shù)階微分理論，對(duì)信號(hào)經(jīng)過微分的幅頻特性進(jìn)行了詳細(xì)的分析，分?jǐn)?shù)階微分在增強(qiáng)高頻信息的同時(shí)，也保留一定的低頻信息。根據(jù)經(jīng)典的分?jǐn)?shù)階微分G?L定義推導(dǎo)出的差分定義，構(gòu)造了本文的分?jǐn)?shù)階微分算子，在提升高頻信息和保留低頻信息方面具有良好的效果。實(shí)驗(yàn)結(jié)果證明了分?jǐn)?shù)階微分算子可以彌補(bǔ)傳統(tǒng)邊緣檢測(cè)算子提取邊緣信息的缺失的缺點(diǎn)，相比于傳統(tǒng)算子具有一定的抑制噪聲的作用，因此，該方法是一種可行的遙感圖像邊緣檢測(cè)方法。

參考文獻(xiàn)

[1] 孫濤，林立宇.光學(xué)遙感影像復(fù)原與超分辨率重建[M].北京：國防工業(yè)出版社，2012.

[2] RAJAN D， CHAUDHURI S. Generalized interpolation and its application in super?resolution imaging [J]. Image and Vision Computing， 2001， 19： 189?201.

[3] 潘夏英.圖像邊緣檢測(cè)技術(shù)的研究[D].西安：西安科技大學(xué)，2011.

[4] 梁雷.基于小波的隨時(shí)間變化圖像的邊緣檢測(cè)[D].北京：北京交通大學(xué)，2010.

[5] OLDHAM K B， SPANIER J. The fractional calculus [M]. New York： Academic Press， 1974.

[6] PODLUBNY I. Fractional differential equations [M]. New York： Academic Press， 1999.

[7] CAFAGNA D. Fractional calculus： a mathematical tool from the past for present engineers [J]. IEEE Industrial Electronics Magazine， 2007， 101： 35?40.

[8] 周激流，蒲亦非，廖科.分?jǐn)?shù)階微積分原理及其在現(xiàn)代信號(hào)分析與處理中的應(yīng)用[M].北京：科學(xué)出版社，2010.

[9] 汪成亮，喬鶴松，陳娟娟.基于自適應(yīng)分?jǐn)?shù)階微分的Harris角點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2011，31（10）：2701?2704.

[10] 楊柱中，周激流，黃梅，等.基于分?jǐn)?shù)階微分的邊緣檢測(cè)[J].四川大學(xué)學(xué)報(bào)：工程科學(xué)版，2008，40（1）：152?157.