曲阜师范大学图像信息处理课件第5章-图像锐化.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * Laplacian算子边缘提取效果 Wallis算法效果示例 Wallis算法与Laplacian算法的比较 Wallis算法 Laplacian算法 Sobel与Laplacian边缘提取效果 Sobel锐化 Laplacian锐化 非矩形目标物的单方向锐化 * * * * * * * * * * * * * * * * * * * * * * 无方向一阶锐化 —— 交叉微分 交叉微分算法（Roberts算法）计算公式如下： 特点：算法简单 无方向一阶锐化 —— Sobel锐化 Sobel锐化的计算公式如下： 特点：锐化的边缘信息较强 Sobel锐化效果示例1 交叉锐化 Sobel锐化 Sobel锐化效果示例2 Sobel锐化 交叉锐化 无方向一阶锐化 —— Priwitt锐化算法 Priwitt锐化算法 的计算公式如下： 特点：与Sobel相比，有一定的抗干扰性。图像效果比较干净。 Priwitt锐化效果图例 Priwitt锐化 Sobel锐化 一阶锐化方法的效果比较 (a) 原图 (b) Sobel算法 (c) Priwitt算法 (d) Roberts算法 (e) 水平锐化 (f) 垂直锐化 一阶锐化 —— 几种方法的效果比较 Sobel算法与Priwitt算法的思路相同，属于同一类型，因此处理效果基本相同。 Roberts算法的模板为2*2，提取出的信息较弱。 单方向锐化经过后处理之后，也可以对边界进行增强。 示例 一阶优化锐化算子 上述一阶优化算子虽然能够提取边缘信息，但是存在不足： 1- 对噪声敏感 2- 阈值选择不同，提取边缘信息也不同 基于此，canny提出最优边缘特性，并给出3个指标，并给出优化的一阶锐化算子，成为canny算子。 最佳边缘检测的3个指标 1- 信噪比准则 具有最大的输出信噪比，也就是将边缘误判为边缘的概率要低 2- 定位精度准则 具有好的定位性能，边缘点要尽量在实际边缘中心 3- 单边缘相应准则 单一边缘仅有唯一相应，即单个边缘产生的多个边缘点概率要低，虚假相应边缘最大抑制 Canny检测算子 对于阶跃形边缘：用二维高斯函数逼近 Canny算子的计算公式： 阶跃状 屋顶状 边缘点条件： 1- 待测点边缘强度大于该点梯度方向两个相邻 像素点的边缘强度 2- 与待测点梯度方向上相邻两点多方向差小于 45度 3- 与待测中心3×3邻域中边缘强度的极大值小 于某个阈值 步骤： 1- 高斯滤波器平滑图像，去除噪声 2- 高斯算子一阶微分计算梯度大小及方向 3- 对梯度大小进行非极大值抑制 4- 梯度阈值设置 5- 连接边缘 二阶微分锐化 ——问题的提出 从图像的景物细节的灰度分布特性可知，有些灰度变化特性一阶微分的描述不是很明确，为此，采用二阶微分能够更加获得更丰富的景物细节。 二阶微分锐化 —— 景物细节特征对应关系 灰度截面 一阶微分 二阶微分 (a) 阶跃形 (b) 细线形 (c) 斜坡渐变形 二阶微分锐化 —— 景物细节对应关系 1）对于突变形的细节，通过一阶微分的极大值点，二阶微分的过0点均可以检测出来。 二阶微分锐化 —— 景物细节对应关系 2）对于细线形的细节，通过一阶微分的过0点，二阶微分的极小值点均可以检测出来。 二阶微分锐化 —— 景物细节对应关系 3）对于渐变的细节，一般情况下很难检测，但二阶微分的信息比一阶微分的信息略多。 二阶微分锐化 —— 算法推导 二阶微分锐化 —— Laplacian 算法 由前面的推导，写成模板系数形式形式即为Laplacian算子： 示例 二阶微分锐化 —— Laplacian变形算法 为了改善锐化效果，可以脱离微分的计算原理，在原有的算子基础上，对模板系数进行改变，获得Laplacian变形算子如下所示。 示例 二阶微分锐化 —— Laplacia