04_任明武_数字图象处理第四章ppt.ppt

第四章 图象分割(Image Segmentation);4.1 边缘检测(Edge Extraction, Edge detection) 定义：边缘点是指其周围象素的灰度有阶跃变化(step edge)或屋顶状变化(roof edge)的象素、常存在于目标与背景之间、目标与目标之间、目标与其影子之间。 分析手段：因为灰度的变化，可以反映为导数；因此，根据边缘的形状，可以通过求导的方法来寻求边缘。边缘的参数包括：边缘强度(edge intensity)和边缘方向(edge direction);g(i);说明：在实际应用中，一般仅考虑阶跃边缘，因为只要采样分辨率足够或者说窗口足够小，边缘都可以看成是阶跃边缘。 分析手段：边缘是指图象中灰度发生急剧变化的区域。图象灰度的变化情况可以用灰度分布的梯度来反映，给定连续图象f(x,y)，其方向导数在边缘法线方向上取得局部最大值。 因此，边缘的检测转化为求f(x,y)在(x,y)处的方向导数问题。 f(x,y)沿任意方向r的方向导数为：;梯度的模为：;注1：对各向同性的说明 假设图像f(x,y)的所有导数都存在并且连续，那么在对f(x,y)求导数时只依赖于点(x,y)附近的一个任意小的邻域内的像素的值，因此可以将这种运算认为是位移不变运算。 为了能得到图像中间任意方向伸展的边缘，还希望对图像的某种导数运算是各向同性。可以证明偏导数的平方和是各向同性，即：; 通过研究边缘类型及其导数的表现，可以设计不同的检测算法。下面，我们讲述几种常用的边缘检测算法。;例：1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 8 8 8 8 8 8 1 1 1 1 1 1 8 8 8 8 8 8 1 1 1 1 1 1 8 8 8 8 8 8 1 1 1 1 1 1 1 1 1 1 1 1 1;4.1.3索伯算子(Sobel) 定义为：S (i ,j)=|(P3+2*P2+P1)-(P5+2*P6-P7)|+ |(P3+2*p4+p5)-(P1+2*P0+P7)|;缺点：得到双线宽的边缘，因为该算子涉及到3*3的邻域。 优点： (1)加权（距离越近，贡献越大） (2)实质上是平滑去噪，后求差分。在边缘检测可以说是通用模式， 即：在用Gradient或Robert等其他算子求边缘象素前，最好先对图象进行平滑，因为噪声的灰度值一样是变化很大。;4.1.4方向模板(Prewitt) ;4.1.5小结;Original Image(Lena);注： Prewitt Image 和Sobel Image 都是Gradient Image，从中看不到具体的有何明显改进。实际上，Gradient Image仅是中间结果，而且各种算子得到的梯度图像相差不大，即可能都不能满足你实际的需要，或直接满足你的需要。这需要在边缘检测完成后，使用相关的约束条件得到目标的位置或尺寸。而梯度图像还需要一个阈值(如何取阈值是一个值得研究的问题)，才能判断一个像素是否是边缘点。;写成模板形式就是：;补充内容1：过零点检测（Marr-Hildreth算子）(马尔-希尔德累思算子) 根据图象边缘处的一阶微分（梯度）应该是极值点的事实，图象边缘处的二阶微分应为零，确定过零点的位置要比确定极值点容易得多也比较精确。但是显然二阶微分对噪声更为敏感。 　　算法：为抑制噪声，可先作平滑滤波然后再作二次微分，通常采用高斯函数作平滑滤波，故有LoG(Laplacian of Gaussian)算子。在实现时一般用两个不同参数的高斯函数的差DoG（Difference of Gaussians）对图象作卷积来近似，这样检测出来的边缘点称为f(x,y)的过零点（Zero-crossing）。 理论：过零点的理论是Marr,Hildreth提出来的，是计算视觉理论中的有关早期视觉的重要内容。 将高斯函数G(x,y; )与图像f(x,y)进行卷积，可以得到一个平滑的图像fs(x,y)，由于感兴趣的是图像的边缘，于是需要对fs(x,y)进行拉普拉斯运算。而图像f(x,y)与高斯函数G(x,y; )相卷积的拉普拉斯运算可以表示为G(x,y; )的拉普拉斯变换与f(x,y)的卷积，因此，有算子如下：;其中：;　　从工程的观点来看，当　　　　　　　时，DOG逼近LOG。另外，在软件实现中，考虑到LOG算子的对称性，可采取分解的方法来提高运算速度，即把一个二维的滤波器分解为独