演示文稿1 [修复的].pptxVIP

智能车摄像头循迹图像处理程序设计 张丰收 基本算法讲解 Sobel算子 其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。Sobel算子对于象素的位置的影响做了加权，与Prewitt算子、Roberts算子相比因此效果更好。?Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。实际使用中，常用如下两个模板来检测图像边缘。 检测水平边沿?横向模板?： 检测垂直平边沿 纵向模板： 图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。 然后可用以下公式计算梯度方向。 基本算法讲解 Prewitt算子 Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用 。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。 对数字图像f(x，y)，Prewitt算子的定义如下：G(i)=|[f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)]-[f(i+1,j-1)+f(i+1j)+f(i+1，j+1)]| G(j)=|[f(i-1,j+1)+f(i,j+1)+f(i+1j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)]|则 P(i,j)=max[G(i),G(j)]或 P(i,j)=G(i)+G(j)经典Prewitt算子认为：凡灰度新值大于或等于阈值的像素点都是边缘点。即选择适当的阈值T，若P(i,j)≥T，则(i,j)为边缘点，P(i,j)为边缘图像。这种判定是欠合理的，会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，其边缘反而丢失了。检测水平边沿?横向模板? 检测垂直平边沿 纵向模板基本算法讲解Canny(坎尼 )边缘检测算子 该算子功能比前面几种都要好，但是它实现起来较为麻烦，Canny算子是一个具有滤波，增强，检测的多阶段的优化算子，在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，Canny分割算法采用一阶偏导的有限差分来计算梯度幅值和方向，在处理过程中，Canny算子还将经过一个非极大值抑制的过程，最后Canny算子还采用两个阈值来连接边缘。 Canny边缘检测算法:step1: 用高斯滤波器平滑图象；step2: 用一阶偏导的有限差分来计算梯度的幅值和方向；step3: 对梯度幅值进行非极大值抑制step4: 用双阈值算法检测和连接边缘(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。基本算法讲解otsu法（最大类间方差法，有时也称之为大津算法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别 来划分。 所以 可以在二值化的时候 采用otsu算法来自动选取阈值进行二值化。otsu算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。因此,使类间方差最大的分割意味着错分概率最小。 设t为设定的阈值。wo： 分开后 前景像素点数占图像的比例uo： 分开后 前景像素点的平均灰度w1：分开后 被景像素点数占图像的比例u1： 分开后 被景像素点的平均灰度u= w0*u0 + w1*u1 :图像总平均灰度从L个灰度级遍历t，使得t为某个值的时候，前景和背景的方差最大， 则 这个 t 值便是我们要求得的阈值。其中，方差的计算公式如下：g=w0*(uo - u)*(uo - u) + w1 * (u1 - u) * (u1 - u)[ 此公式计算量较大，可以采用： g = wo *w1* (uo - u1) * (uo - u1) ] 由于otsu算法是对图像的灰度级进行聚类，所以在执行otsu算法之前，需要计算该图像的灰度直方图。 迭代法原理：迭代选择法是首先猜测一个初始阈值，然后再通过对图像的多趟计算对阈值进行改进的过程。重复地对图像进行阈值操作，将图像分割为对象类和背景类，然后来利用每一个类中的灰阶级别对阈值进行改进。图像阈值分割---迭代算法?处理流程： 1.为全局阈值选择一个初始估计值T(图像的平均灰度)。 2.用T分割图像。产生两组像素：