边缘表示1(讲稿).pptVIP

Computer Vision Department of Computer Science @BIT * 第六章 边缘分析 Chapter 6 Edge Analysis 边缘是不同区域的分界线，指图像局部灰度显著变化的部分．Boundary or Edge 图像灰度的不连续可分为： (1) 阶跃不连续：图像灰度在不连续处两边有显著差异； (2) 线条不连续：图像灰度突然从一个值变化到另一个值，保持一较小行程后又回到原来的值． 6.1 边缘与轮廓（contour） 轮廓是物体在场景中的完整边界． 边缘的连接构成轮廓. 6.1 边缘与轮廓（contour） 边缘点：在灰度显著变化的位置上的点 边缘检测（detection）： 获得边缘点 边缘跟踪（tracking）：串行边缘搜索 边缘连接（linking）：从无序到有序 Snake 图像分割 6.1 边缘与轮廓 两种常见的边缘一阶导数和二阶导数示意图 (a)阶跃函数 (b)线条函数 理论曲线 实际曲线 基本思想： 函数导数反映图像灰度变化的显著程度． 一阶导数的局部极大值，二阶导数的过零点 一般过程： 去噪 增强 检测 定位 6.2 边缘检测 6.2.1 基于一阶导数的边缘检测 梯度是图像对应二维函数的一阶导数： 梯度的幅值和方向: 6.2.1 基于一阶导数的边缘检测 梯度方向: 梯度方向为函数最大变化率方向 图像中用差分近似偏导数 差分： 一般用卷积模板进行计算： 上述表示？ ？ (1) Roberts交叉算子 2X2梯度算子？ 3X3梯度算子！ i+1,j+1 i,j+1 i+1,j i,j 均值差分：一定邻域内灰度平均值之差 C=1: Prewitt算子 C=2: Sobel算子 C=3: Sethi算子 3×3邻域加权 (2)Sobel算子 (3)Prewitt算子：运算较快 Canny 边缘检测器 算法步骤： 1.?用高斯滤波器平滑图像． 2.?用一阶偏导有限差分计算梯度幅值和方向. 3.?对梯度幅值进行非极大值抑制 ． 4.?用双阈值算法检测和连接边缘． ? 为什么用高斯滤波器？ 平滑去噪和边缘检测是一对矛盾，应用高斯函数的一阶导数，在二者之间获得最佳的平衡。 步3. 计算梯度幅值与方向角: 步2. 使用一阶有限差分计算偏导数阵列P与Q： 步1. 图像与高斯平滑滤波器卷积: 步4. 非极大值抑制（NMS ） ： 去掉幅值局部变化非极大的点． * 将梯度角离散为圆周的四个扇区之一，以便用3×3的窗口 作抑制运算 * 方向角离散化： * 抑制，得到新幅值图： 步5. 阈值化 取高低两个阈值作用于幅值图N[i,j]，得到两个边缘图：高阈值和低阈值边缘图。连接高阈值边缘图，出现断点时，在低阈值边缘图中的8邻点域搜寻边缘点。 Why? * 阈值太低?假边缘; * 阈值太高?部分轮廊丢失. * 选用两个阈值: 更有效的阈值方案． 7X7高斯滤波模板 13X13高斯滤波模板 6.2.2 基于二阶导数的边缘检测 图像灰度二阶导数的过零点对应边缘点． 二阶微分算子 拉普拉斯（Laplacian）算子 拉普拉斯算子是二阶导数的二维等效式: 用差分近似微分: 表示为卷积模板： 邻域中心点具有更大权值的近似算子：? LoG边缘检测算法 基本特征： 平滑滤波器是高斯滤波器． 采用拉普拉斯算子计算二阶导数． 边缘检测判据是二阶导数零交叉点并对应一阶导数的较大峰值． 使用线性内插方法在子像素分辨率水平上估计边缘的位置． （Marr Hildreth） LoG = Laplacian of Gaussian 高斯滤波+拉普拉斯边缘检测