第二章V 边缘检测.pptVIP

V 边缘检测 边缘对应于图象中灰度突变的部分。 边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间。 边缘是图象分割、纹理特征提取和形状特征提取等图象分析的重要基础。 图象中的边缘通常与图象亮度或图象亮度的一阶导数的不连续性有关。 图象亮度的不连续可分为： （1）阶跃不连续，即图象亮度在不连续处的两边的象素灰度值有着显著的差异； （2）线条不连续，即图象亮度突然从一个值变化到另一个值，保持一个较小的行程后又返回到原来的值。 对一个边缘来说，有可能同时具有阶跃和线条边缘特性。由于边缘可能与场景中物体的重要特征对应，所以它是很重要的图象特征。如，一个物体的轮廓通常产生阶跃边缘，因为物体的图象亮度不同于背景的图象亮度。 边缘检测的有关术语： 边缘点：图象中亮度显著变化的点。 边缘段：边缘点坐标(i ,j)及其方向θ的总和，边缘的方向常用梯度角表示。 边缘检测器：从图象中提取边缘（边缘点或边缘段）集合的算法。 轮廓：边缘列表，或是一条边缘列表的曲线模型。 边缘连接：从无序边缘表形成有序边缘表的过程。 边缘跟踪：一个用来确定轮廓图象（指滤波后的图象）的搜索过程。 边缘点和边缘段都称为边缘。 由边缘检测器生成的边缘集可分为两个子集：真边缘集和假边缘集。真边缘集对应场景中的边缘，假边缘集不是场景中的边缘。还有一个子集，即场景中漏检的边缘集。 边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图象作为输入，输出一个有序边缘集。另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图象信息来决定一个象素点是不是边缘。 2.1 边缘检测算法 边缘检测是检测图象灰度局部突变的基本运算。 1、边缘检测算法的基本步骤 ： （1）滤波：改善与噪声有关的边缘检测器的性能；一般滤波器降低噪声的同时也导致了边缘的损失；增强边缘和降低噪声之间需要折衷。 （2）增强：将邻域强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。 （3）检测：最简单的边缘检测判据是梯度幅值阈值。 （4）定位：边缘的位置和方位在子像素分辨率上估计。 在边缘检测算法中，前三个步骤用得十分普遍。这是因为在大多数情况下，仅仅需要检测出边缘出现在图象某一象素点的附近，而没有必要指出边缘的精确位置或方向。 边缘检测误差通常是指边缘误分类误差，即将假边缘判定为边缘而保留，而把真边缘判为假边缘而去掉。 边缘估计误差是用概率统计模型来描述边缘的位置和方向误差的。 2、基于经典微分算子的边缘检测算法 （1）Roberts算子 （2）Sobel算子 采用3X3邻域可以避免在象素之间内插点上计算梯度。 Sobel算子是边缘检测器中最常用的算子之一。 （3）Prewitt算子 （4）Laplacian算子（二阶）等 边缘检测例 3、LOG (Laplacian of Gaussian) 滤波器与Marr-Hildreth边缘检测算法 LOG边缘检测器的基本特征是： （1） 平滑滤波器是高斯滤波器； （2）增强步骤采用二阶导数； （3）边缘检测判据是二阶导数零交叉点并对应于一阶导数的较大峰值； （4）使用线性内插方法在子象素分辨率水平上估计边缘的位置。 高斯函数的傅立叶变换仍为高斯函数，它与图象卷积就是平滑图象。由于高斯函数的优良性质，因此它在数字图象处理和计算机视觉中有很多应用。 LOG算子的输出是通过卷积运算得到的 根据卷积求导法，上式变为： 其中： 称之为墨西哥草帽算子。 这样，下面两种方法在数学上是等价的。 （1）图象与高斯滤波器卷积，再求卷积的拉普拉斯变换。 （2）先求高斯滤波器的拉普拉斯变换，再求与图象的卷积。 直接实现LOG算法的典型模板如图（为一5?5拉普拉斯高斯模板）： 滤波（通常是平滑）、增强、检测这三个步骤对使用LOG边缘检测仍然成立，其中平滑是用高斯滤波器来完成的；增强是将边缘转换为零交叉点来实现的；边缘检测则是通过检测零交叉点来进行的。 在上述方法中，边缘是在特定的分辨率下得到的。为了从图象中得到真正的边缘，有必要把那些通过不同尺度算子得到的信息组合起来。 下面介绍尺度空间的概念。高斯平滑运算导致图象中边缘和其它尖锐不连续部分的模糊，其中模糊量取决于σ值。σ值越大，噪声滤波效果越好，但同时也丢失了重要的边缘信息，影响了边缘检测器的性能。如果用小尺度滤波器，即取小σ值，则滤波效果又会变差。大尺度滤波器在平滑相互邻近的两个边缘时，可能会将它们连在一起，这样只能检测出一个边缘。因此，在不知道物体尺度和位置的情况下，很难准确确定滤波器的尺度。 使用多尺度滤波模板并