[2018年必威体育精装版整理]04边缘提取与描述.pptVIP

第4章 边缘提取与描述 4.1 边缘及检测原理 4.1 边缘及检测原理 4.1 边缘及检测原理 4.2 梯度算子 4.2 梯度算子 4.2 梯度算子 4.2 梯度算子 4.3 二阶导数算子 4.3 二阶导数算子 4.3 二阶导数算子 4.3 二阶导数算子 4.3 二阶导数算子 4.3 二阶导数算子 渐增高斯滤波模板的尺寸 渐增双阈值的大小，保持low = high*0.4 * * * * * * * * * * * * * * * * * * * * * * * * * * * * *西安理工大学信息科学系 第*页 第4章 4.1 边缘及检测原理 4.2 梯度算子 4.3 二阶导数算子 1、边缘与导数 边缘是灰度值不连续的结果，两个具有不同灰度值 的相邻区域总存在着边缘。一般采用一阶和二阶导数 来检测边缘。边缘检测是基于图像边界分析的重要的 一步。 边缘分类：阶跃型、脉冲型、屋顶型。 阶跃型 脉冲型 屋顶型 2、边缘检测的描述参数 （1）位置：边缘最大灰度值不连续处 （2）朝向：跨越灰度最大不连续的方向 （3）幅度：灰度不连续方向上的的灰度差 （4）均值：属于边缘两边的的像素的灰度均值 （5）斜率：边缘在其朝向上的倾斜程度 3、边缘检测算法的基本步骤 （1）滤波：在边缘检测前，先抑制噪声 （2）增强：将邻域(局部)强度值有显著变化的点 检测出来，一般通过计算梯度幅值来完成 （3）检测：确定哪些点是边缘点，如一阶导数局 部极大值或二级导数过零点的位置等 1、梯度算子 一阶差分算子 矢量 幅度 方向角 梯度幅度的近似计算： （1） （2） 2、梯度模板 利用模板（与图象进行）卷积 模板比较 ① 边缘粗细； ② 方向性 （3）Sobel算子 　S(i, j)=|f(i-1, j-1)+2f(i-1, j)+f(i-1, j+1) -［f(i+1, j-1)+2f(i+1, j)+f(i+1, j+1)］| +|f(i-1, j-1)+2f(i, j-1)+f(i+1, j-1) -［f(i-1, j+1)+2f(i, j+1)+f(i+1, j+1)］| 1、拉普拉斯算子 二阶差分算子 1、拉普拉斯算子 对图象中的噪声相当敏感 产生双象素宽的边缘 不能提供边缘方向的信息 图例 简单边缘检测算法对原始图像检测的结果比较 图例 简单边缘检测算法对加噪声后图像检测的结果比较 2、马尔算子 (1) 用一个2-D的高斯平滑模板与源图象卷积 (2) 计算卷积后图象的拉普拉斯值 (3) 检测拉普拉斯图象中的过零点作为边缘点 3 Canny 边缘检测 也许是最常用的边缘检测方法 一个优化的方案 噪声抑制 边缘增强 边缘定位 高斯函数的一阶导数 (Derivative of Gaussian) 可以很近似地满足以下三条边缘检测最优准则： 好的边缘检测性能：Good detection 对边缘的响应大于对噪声的响应 好的定位性能：Good localization 其最大值应接近边缘的实际位置 单一响应：Single response 在边缘附近只有一个极大值点 Canny 算法流程 计算图像梯度 梯度非极大值抑制 双阈值提取边缘点 梯度幅值 梯度方向 NMS： Non-Maxima Suppression Hysteresis thresholding Canny 算法的主要步骤 Canny 算法的主要步骤 and direction （2）使用一阶有限差分计算偏导数的两个阵列： （1）求图像与高斯平滑滤波器卷积: 1 -1 1 -1 -1 -1 1 1 相当于与模板进行卷积运算： 代表对图像的平滑程度 计算图像梯度：高斯函数的一阶导数 计算图像梯度：高斯函数的一阶导数 （3）幅值和方位角: Magn 代表梯度幅值的大小，在存在边缘的图像位置处，Magn 的值变大，图像的边缘特征被“增强”. 如何检测边缘？ 局部极值周围存在相近数值的点，如何处理？ 非极大值抑制 NMS 非极大值抑制（ NMS：Non-Maxima Suppression ） 主要思想：由梯度幅值图像Magn(x,y)，仅保留极大值（严格地说，保留梯度方向上的极大值点），得到的结果为N(x,y)，具体过程： 初始化N(x,y) = Magn(x,y) 对于每个点，在梯