中科院_边缘提取_课件.pptVIP

图像底层特征提取边缘提取 计算机视觉课程2008 图像底层特征提取是计算机视觉算法的重要基础 图像底层特征提取 边缘提取 微分滤波器 Canny算子 图像特征点提取 Harris角点 CSS角点 SIFT 图像区域特征提取 MSER 边缘的物理意义 图像边缘的产生 物体的边界、表面方向的改变、不同的颜色、光照明暗的变化 边缘提取 边缘的定义（WHAT） 提取边缘的意义（WHY） 提取边缘的方法（HOW） 使用微分滤波器提取边缘 一阶微分滤波器：梯度算子 二阶微分滤波器：LoG Canny算子 边缘的定义 定义： “边缘是图像中亮度突然变化的区域。” “图像灰度构成的曲面上的陡峭区域。” “像素灰度存在阶跃变化或屋脊状变化的像素的集合。” 为什么要提取边缘？ 边缘是最基本的图像特征之一： 可以表达物体的特征 边缘特征对于图像的变化不敏感 几何变化，灰度变化，光照方向变化 可以为物体检测提供有用的信息 是一种典型的图像预处理过程 如何提取边缘？（灰度图象） 灰度图象边缘提取，主要的思想： 抑制噪声（低通滤波、平滑、去噪、模糊） 边缘特征增强（高通滤波、锐化） 边缘定位 图像微分算子 一阶微分算子（梯度算子） Prewitt, Sobel 检测最大值 二阶微分算子（Laplacian） 检测过零点 微分算子检测边缘：一维信号 微分算子检测边缘：二维信号 微分算子检测边缘：二维信号 在数字图像上计算梯度 一维的情况： 补充知识：卷积运算 图像（二维数字信号的卷积运算） 在数字图像上计算梯度 使用差分运算在数值上近似一阶微分运算 噪声的影响：一维信号的例子 从图像中取出某行像素值： 解决方法之一，首先进行滤波 利用卷积运算的性质： 图像梯度算子的近似 Sobel算子 Prewitt算子 Roberts算子 Prewitt算子 Sobel算子 常见的梯度算子 Sobel,Prewitt,例子 在数字图像上计算二阶微分 拉普拉斯算子 拉普拉斯算子的数字近似 3*3卷积模版 拉普拉斯算子的特点 拉普拉斯算子的运算结果是标量 只有幅值，只使用一个模版便可计算得到 方向属性丢失 实际中几乎不单独使用拉普拉斯算子： 二次求导数，对噪声非常敏感 通常配合滤波器同时使用 Laplacian of Gaussian (LoG) 首先用Gauss函数对图像进行平滑，抑制噪声 然后对经过平滑的图像使用Laplacian算子 利用卷积的性质LoG算子等效于： Gaussian平滑 + Laplacian二阶微分 高斯拉普拉斯 二维边缘微分滤波器 LoG算子: 在数字图像上实现LoG LoG：例子 LoG：例子 二维卷积的加速计算 一些二维模版函数可以表示为两个模版的乘积形式 如二维高斯模版： 二维卷积的加速计算 峰值为边缘的位置 1 0 -1 1 0 -1 1 0 -1 计算均值， 平滑噪声 检测竖直边缘 1 1 1 0 0 0 -1 -1 -1 计算均值， 平滑噪声 检测水平边缘 Prewitt算子，近似一阶微分 卷积模版：去噪 + 增强边缘 1 0 -1 2 0 -2 1 0 -1 计算均值， 平滑噪声 检测竖直边缘 1 2 1 0 0 0 -1 -2 -1 计算均值， 平滑噪声 检测水平边缘 Sobel算子，近似一阶微分 去噪 + 增强边缘，给四邻域更大的权重 (a): Roberts算子 (b): 3x3 Prewitt算子 (c): Sobel 算子 (d): 4x4 Prewitt算子 Sobel Prewitt 0 -1 0 -1 4 -1 0 -1 0 -1 -1 -1 -1 8 -1 -1 -1 -1 Laplacian of Gaussian operator 过零点为边缘的位置 高斯拉普拉斯 高斯 高斯的导数 0 0 -1 0 0 0 -1 -2 -1 0 -1 -2 16 -2 -1 0 -1 -2 -1 0 0 0 -1 0 0 LoG 因其形状，也称为Mexican hat 求和为0，即对平坦图像区域的响应为0 一个近似的卷积模版：体现主要的形状 （a）Lenna Image （b）Gaussian模版卷积（15*15） （c）Laplacian模版卷积（3*3） （a） （b） （c） 分两步实现LoG，可以提供 更大的灵活性更小的模版尺寸 （d）将(c)中大于0的像素置1，其余置0 （e）在二值图像（d）上检测边缘，使用形态学膨胀方法 （f）结果显示 （d） （e） （f） 几个特点： （1）正确检测到的边缘：单像素宽度，定位准确 （2）形成许多封闭的轮廓（spaghetti，意大利面条），这是一个主要的问题 （3） 需要更加复杂的算法检测过零点 图像尺寸：N×N, 原二维