精选课件第3章 图像边缘提取与分割.ppt

3.2.2 基于边界检测方法（样板匹配） 在数字图像处理中，样板是为了检测某些不变区域特性而设计的阵列。样板可根据检测目的不同而分为点样板、线样板、梯度样板、正交样板等等。 点样板的例子如图3—2所示。下面用一幅具有恒定强度背景的图像来讨论。 1）、点样板 1）、线样板 设 是图3—3中四个样板的权值组成的九维矢量。与点样板的操作步骤一样，在图像中的任一点上，线样板的各个响应为 ，这 里 i =1、2、3、4。此处 X 是样板面积内九个像素形成的矢量。给定一个特定的 X ，希望能确定在讨论问题的区域与四个线样板中的哪一个有最相近的匹配。如果第 i 个样板响应最大，则可以断定 X 和第 i 个样板最相近。 对于屋顶状边缘，在边缘点的二阶导数取极小值。对数字图像的每个像素取它的关于方向和方向的二阶差分之和的相反数，即Laplacian算子的相反数。 * 3.2.2 边缘检测 5． Kirsch边缘算子 图3.7所示的8个卷积核组成了Kirsch边缘算子。图像中的每个点都用8个掩模进行卷积，每个掩模对某个特定边缘方向做出最大响应。所有8个方向中的最大值作为边缘幅度图像的输出。最大响应掩模的序号构成了对边缘方向的编码。 * 3.2.2 边缘检测 00 450 900 1350 * 3.2.2 边缘检测 1800 2250 2700 3150 图3.7 Kirsch边缘算子 * 3.2.2 边缘检测 6.Marr-Hildreth 边缘检测算子 Marr-Hildreth边缘检测算子是将高斯算子和拉普拉斯算子结合在一起而形成的一种新的边缘检测算子，先用高斯算子对图像进行平滑处理，然后采用拉普拉斯算子根据二阶微分过零点来检测图像边缘，因此该算子也可称为LOG（Laplacian of Gaussian）算子。 * 3.2.2 边缘检测 在数字图像中实现图像与模块卷积运算时，运算速度与选取的模块大小有直接关系，模块越大，检测效果越明显，速度越慢，反之则效果差一点，但速度提高很多。因此在不同的条件下应选取不同大小的模块。在实际计算过程中，还可以通过分解的方法提高运算速度，即把二维滤波器分解为独立的行、列滤波器。常用的5×5 模块的Marr-Hildreth算子如图3.8所示。 * 3.2.2 边缘检测 图3.8 LOG算子的5×5模板 * 3.2.2 边缘检测  3.2.2 边缘检测 7．Canny 边缘检测算子 Canny边缘检测算子是近年来在数字图像处理中广泛应用的边缘算子，它是应用变分原理推导出的一种用高斯模块导数逼近的最优算子。通过Canny算子的应用，可以计算出数字图像的边缘强度和边缘梯度方向，为后续边缘点的判断提供依据。 * Canny算子用范函求导方法推导出高斯函数的一阶导数，即为最优边缘检测算子的最佳近似。由于卷积运算可交换，可结合，故Canny算法首先采用二维高斯函数对图像进行平滑，二维高斯函数表示为 其中，为高斯滤波器参数，它控制着平滑的程度，较小的滤波器定位精度高，但信噪比低；较大的滤波器情况正好相反，因此，要根据需要选取高斯滤波器参数。 * 3.2.2 边缘检测 传统Canny算法利用一阶微分算子来计算平滑后图像各点处的梯度幅值和梯度方向，获得相应的梯度幅值图像和梯度方向图像，其中，点处两个方向的偏导数 和分别为 则此时点处的梯度幅值和梯度方向分别表示为 * 3.2.2 边缘检测 为了精确定位边缘，必须细化梯度幅值图像中的屋脊带，只保留幅值的局部极大值，即非极大值抑制(NMS)。Canny算