基于KVM的云图像边缘特征研究

云图像边缘是图像的重要特征之一，表示了图像的轮廓信息，一般是根据图像像素灰度值的突变情况进行确定，因此，利用像素梯度表示边缘特征。本文引入统计估计技术，例如以像素（i，j）为中心，半径为r的圆形区域，以倾斜角度为α的直线分成两部分B1和B2。根据统计估计法，像素的类型可用统计均值表示［15］。通过计算分割后2部分的像素灰度的统计均值，如果（i，j）处于边缘，B1和B2的统计均值相差很大，反之也适用。所以，图像的边缘为像素形成的曲线，在曲线的两侧的像素统计均值不同，以8个像素四个方向的灰度值归一化形成像素的梯度值，如图5-5所示，其函数表示如下：

其中，I（i，j）表示像素灰度值，（i，j）为像素位置。根据统计学理论，对B1和B2的均值进行求解，表示如下：

其中，k=1，2，α=0，，N为B1和B2中像素的数量。因此，两像素均值的差值可定义如下：

(www.xing528.com)

根据模型（3）可以看出，越大，B1和B2区域中像素相差越大，因此，其处于边缘概率越强。根据以上描述，像素的梯度特征对噪声和纹理，统计均值的差值具有较强的抗噪性，但如果边缘大可能导致信息的丢失，因此，为了平衡二者关系，设计边缘信息如下：

式中，a和b为权重值，二者相加等于1，对像素梯度和统计均值进行控制。

图5-5　3*3邻域像素梯度值