第6章 图像的锐化处理与边缘检测资料.ppt

* * * * * * 为什么能增强边缘：由于模板上下部分权值相加为0，在灰度变化平坦区，由于邻域内灰度值相同或接近，所以运算结果为0或接近于零；而边缘部分灰度变化剧烈，故运算结果会增大。同理可解释为何在边缘增强后画面整体变黑。 * * * * * * * * * * * 如图6. 15所示，在两个不同阈值下，采用Sobel锐化算子均可以提取出图6. 4(a)建筑物的边缘，但是两者有比较大的区别。 20,50,150 * 高斯函数与原图的卷积达到了抵抗噪声的作用，而求导数，则是检测景物边缘的手段。 把梯度值小于Th1的像素设为0，得图像1，把梯度值小于Th2的像素设为0，得图像2. 左canny，右Log * * * 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。 * * 6.3 二阶微分算子 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，采用二阶微分能够获得更丰富的景物细节。 本节介绍各向同性的二阶微分算子： Laplacian微分算子 Wallis算子 * * 6.3.1 Laplacian微分算子 最简单的二阶各向同性微分算子是拉普拉斯微分算子，二维图像f（x,y）的拉普拉斯微分算子定义为： * * Laplacian算子的矩阵形式 写成模板系数形式形式即为： 二阶微分算子所提取出的细节较一阶微分算子提出的细节多，表明了二阶微分算子在对图像细节更加敏感。 * * Laplacian算子锐化效果 * * 原图像 利用拉普拉斯算子进行锐化的结果 * * 变形的Laplacian算子 如果再考虑对角线方向，则有如下所示的两个变形拉普拉斯算子： * * 原图像 利用拉普拉斯算子进行图像锐化的结果 利用拉普拉斯算子进行图像锐化的结果 * * 拉普拉斯是一种微分算子，强调图像中灰度的突变的区域。这将产生一幅把图像中的浅灰色边线和突变点叠加到暗背景中的图像。 将原始图像和拉普拉斯图像叠加在一起的简单方法可以保护拉普拉斯锐化处理的效果，同时又能复原背景信息。 设原图为f (x, y)，处理后的图像为g(x,y)： 其模板表示为： * * 原图像 利用拉普拉斯算子进行图像锐化的结果 利用拉普拉斯算子进行图像锐化的结果 * * 6.3.2 Wallis算子 因为人眼对画面信号的处理过程中有一个近似的对数运算环节，因此，通过对数运算构成非线性动态范围调整，可以得到图像增强的效果。 基于这个思路，Wallis微分算子实际上就是结合拉普拉斯算子与对数算子构造出来的一种锐化算子。 Wallis微分算子定义如下： * * Wallis微分算子可以看作是校正了视觉的指数特性后的Laplacian运算。 与拉普拉斯算子处理效果相比，拉普拉斯算子对画面比较暗的部分的锐化比较弱，而Wallis算子则不存在这个问题，整个画面的锐化效果比较均衡。 Wallis算子对弱信息比拉普拉斯算子更敏感。 * Wallis算子锐化结果 * * Wallis算子与Laplacian算子的比较 * * Wallis算子 Laplacian算子 * * 6.4 微分算子在边缘检测中的应用 从前面的讨论可知，微分算子可以提取出图像中的细节信息，景物边缘是细节信息中最具描述景物特征的部分，也是图像分析中的一个不可缺少的部分。 边缘检测的方法：设定一个阈值Th，将小于Th的点置为黑，将图中大于Th的点置为白，就可将图中目标物的边缘信息提取出来。 * * 一阶和二阶微分算子比较 对不同锐化算子处理后的图像进行相应的阈值处理，就可以获得景物的边界。 总体而言： 二阶微分算子检测出边界的细节信息比较多，获得的边界是比较细致的边界。反映的边界信息包括了许多的细节信息，但是所反映的边界不是太清晰。 一阶微分算子检测出的轮廓比较粗略，反映的边界信息较少，但是检测出的轮廓比较清晰。 * * 一阶微分算子边缘检测的效果比较 (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 * Sobel与Laplacian边缘提取效果 * Sobel算子 Laplacian算子 * * 6.5 Canny算子 基于微分算子的边缘提取存在的一个比较麻烦的问题就是如何选择合适的阈值。阈值不同，提取出的边界信息就不同。 这样，在边缘提取中就存在着对提