边缘检测sobel等材料.pptVIP

拉普拉斯高斯算法 LoG算法—Marr 算子 Marr和Hildreth将高斯滤波和拉普拉斯边缘检测结合在一起，形成LoG（Laplacian of Gaussian）算法，也称之为拉普拉斯高斯算法。 马尔(Marr-Hildreth)算子是在拉普拉斯算子的基础上实现的。 主要得益于对人的视觉机理的研究，具有一定的生物学和生理学意义 在较大噪声场合，由于微分算子会起到放大噪声的作用，因此梯度算子和拉普拉斯算子对噪声较敏感 一种改进的方法是对图像先进行适当的平滑，以抑制噪声，然后再进行求微分； 边缘检测 高斯拉普拉斯 高斯拉普拉斯(Laplacian of Gaussian，LOG，或Mexican hat，墨西哥草帽)滤波器使用了Gaussian来进行噪声去除并使用 Laplacian来进行边缘检测 LoG算子的输出是通过卷积运算得到的， 根据卷积求导法有 其中： 称之为墨西哥草帽算子 一维和二维高斯函数的拉普拉斯变换图的翻转图，其中σ=2． 课后练习！ 拉普拉斯高斯边缘检测结果 ?2D高斯拉普拉斯算子可以通过任何一个方形核进行逼近，只要保证该核的所有元素的和或均值为0； 右边为一个5×5的核进行逼近 原图 与高斯核卷积结果 一般0交叉点法 LOG零交叉点法 算子比较 ? ? Roberts算子：Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声的能力。该算子对具有陡峭边缘且含噪声少的图像效果较好。 ? Sobel算子和Prewitt算子：都是对图像先做加权平滑处理，然 ? Laplacian算子：是不依赖于边缘方向的二阶微分算子算子，对图像中的阶跃型边缘点定位准确，该算子对噪声非常敏感，它使噪声成分得到加强，这两个特性使得该算子容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差。 算子比较 ? ? LOG算子：该算子首先用高斯函数对图像作平滑滤波处理，然后才使用Laplacian算子检测边缘，因此克服了Laplacian算子抗噪声能力比较差的缺点，但是在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉了，造成这些尖锐边缘无法检被测到。 应用LOG算子，高斯函数中方差参数的选择很关键，对图像边缘检测效果有很大的影响。高斯滤波器为低通滤波器，越大，通频带越窄，对较高频率的噪声的抑制作用越大，避免了虚假边缘的检出，同时信号的边缘也被平滑了，造成某些边缘点的丢失。反之，越小，通频带越宽，可以检测到的图像更高频率的细节，但对噪声的抑制能力相对下降，容易出现虚假边缘。因此，应用LOG算子，为取得更佳的效果，对于不同图像应选择不同参数。 Canny 边缘检测算法 Canny边缘检测基本原理 (1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。 (2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。 (3)类似与 LoG 边缘检测方法，也属于先平滑后求导数的方法。 (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)?对梯度幅值应用非极大值抑制 ． (4)?用双阈值算法检测和连接边缘． （1）高斯平滑滤波器 （3）幅值和方位角: （2）使用一阶有限差分计算偏导数的两个阵列P与Q： 0 0 1 1 0 1 0 1 （4）非极大值抑制（NMS non-maxima suppression ）： 细化幅值图像中的屋脊带，即只保留幅值局部变化最大的点．仅仅得到全局的梯度并不足以确定边缘，因此为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。解决方法：利用梯度的方向。 *将梯度角的变化范围减小到圆周的四个扇区之一 四个扇区的标号为0到3，对应3*3邻域的四种可能组合。在每一点上，邻域的中心象素M与沿着梯度线的两个象素相比。如果M的梯度值不比沿梯度线的两个相邻象素梯度值大，则令M=0。 （5）取阈值 * 将低于阈值的所有值赋零，得到图像的边缘阵列． * 阈值τ取得太低?假边缘; * 阈值τ取得太高?部分轮廊丢失. * 选用两个阈值: 更有效的阈值方案． 基本思想： 取高低两个阈值作用在幅值图 N[i,j]，t1 = 2*t2, 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。 7X7高斯滤波模板 13X13高斯滤波模板 Sobel Robert Prewitt LOG Canny 4.4 边缘表示（Representation） 链码（chain code）