边缘分割报告.docVIP

LoG算子对图像进行边缘分割 实验目的 掌握不同的分割算子对图像实施边缘分割，用LoG算子对图像进行边缘分割，比较不同参数下分割得到的图像的效果的好坏。 实验内容 对下图施加高斯噪声，采用LoG算子对含噪声的图象实施边缘分割，找出该图象的最佳边缘。 实验原理 由于在成像时，一个给定像素所对应的场景点，它的周围点对该点的贡献的光强大小呈正态分布，所以平滑函数应能反映不同远近的周围点对给定像素具有不同的平滑作用，因此，平滑函数采用正态分布的高斯函数，即 式中，s是方差。 用h(x，y)对图像f(x，y)的平滑可表示为 g(x，y)＝h(x，y)*f(x，y) 如果令r是离原点的径向距离，即r^2＝x^2＋y^2，转换，然后对图像g(x，y)采用拉普拉斯 算子进行边缘检测，可得 上式中的?2h称为高斯—拉普拉斯滤波(Laplacian of Gaussian，LoG)算子，也称为“墨西哥草帽”。它是一个轴对称函数，各向同性，它的一个轴截面如图所示。 由图可见，这个函数在r＝±s处有过零点，在|r|s时为正，在|r|s时为负；可以证明这个算子定义域内的平均值为零，因此将它与图像卷积并不会改变图像的整体动态范围。但由于它相当光滑，因此将它与图像卷积会模糊图像，并且其模糊程度是正比于s的。　　正因为?2h的平滑性质能减少噪声的影响，所以当边缘模糊或噪声较大时，利用?2h检测过零点能提供较可靠的边缘位置。在该算子中，s的选择很重要，s小时边缘位置精度高，但边缘细节变化多；s大时平滑作用大，但细节损失大，边缘点定位精度低。应根据噪声水平和边缘点定位精度要求适当选取s。 LoG算子用到的卷积模板一般较大(典型半径为8～32 个像素)，不过这些模板可以分解为一维卷积来快速计算。通过判断零交叉点及其两侧像素符号的变化来确定边缘点。 边缘点两侧的二阶微分是异号的，且正号对应边像点的暗侧，负号对应边像点的亮侧，两侧的符号指示着边缘的起伏走向。 LoG算子可表示为： Log算子的具体实现过程 LoG 算法是利用图像二阶导数的零交叉点来求边缘的，图像一阶导数的局部最大值对 应着二阶导数的零交叉。但是这种算法对噪音特别敏感，所以需要在边缘提取前进行噪音滤 除，一般使用二维高斯函数对图像进行去噪音和平滑处理。 设原始图像为g(x,y)，利用下式可得到LoG 算子的输出h(x,y)： 利用卷积定理，上式可变为： 其中： ?2为拉普拉斯远算， 对于离散数字图像，LoG 算了通常可以用一个离散的LoG 模板m(x,y)近似。这里δ 值选 取与模板宽度ω有关，如果ω相对于取得小，则边缘位置精度高，但检测出来的细小变化也要多；如果ω相对于δ取得大，则检测出来的边缘位置会偏离真实边缘过大，且会滤掉一此 重要的细节部分。ω与δ取值的一个较好的经验公式是 （INT 为取整远算）。根据经验公式确定ω和δ后，便可以利用公式（13）计算LoG 模板m(x,y)。例如当模板 窗宽ω=5，则δ=0.7，这时LoG 模板如表1 所示。 于是对于离散数字图像g(x,y)，公式(12)的LoG 算子的输出h(x,y)可近似为下式： h(x, y) = m(x, y)*g(x, y) 图像的边缘二侧的象素经过LoG 算子计算后，低灰度值侧的h(x,y)＞0，高灰度值侧的 h(x,y)＜0，求取h(x,y)中的零穿点轨迹即可得图像g(x,y)的边缘。 LoG 算子方法是现有边缘检测算法中一种较好的方法，在各种图像处理系统中得到了 广泛应用。 实验步骤 4.1根据原理中给出的log算子公式计算模板窗口，进而进行边缘分割 程序如下： J=imread(p5-04.tif); I=imnoise(J,gaussian,0.02); figure,imshow(I); title(加高斯噪声后的原图像); %%选取5*5大小的窗口，首先全赋值为0%% h=zeros(5,5); h=double(h); %%%依据原理中的经验公式，取δ即a为0.7%%% a=sqrt(0.7); for i=-2:2 for j=-2:2 r=i^2+j^2; %根据Log算子计算公式，计算出窗口模板的具体值% H(i+3,j+3)=-(r-2*a^2)*exp(-r/(2*a^2))/a^6/pi/2; end end H; % H=[-2,-4,-4,-4,-2 % -