视觉边缘检测.docVIP

第六章 边缘检测 边缘(edge)是指图像局部强度变化最显著的部分．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，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)．由于边缘检测十分重要，因此成为机器视觉研究领域最活跃的课题之一．本章主要讨论边缘检测和定位的基本概念，并使用几种常用的边缘检测器来说明边缘检测的基本问题． 图像中的边缘通常与图像强度或图像强度的一阶导数的不连续性有关．图像强度的不连续可分为：(1) 阶跃不连续，即图像强度在不连续处的两边的像素灰度值有着显著的差异；(2) 线条不连续，即图像强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．在实际中，阶跃和线条边缘图像是很少见的，由于大多数传感元件具有低频特性，使得阶跃边缘变成斜坡型边缘，线条边缘变成屋顶形边缘，其中的强度变化不是瞬间的，而是跨越一定的距离，这些边缘如图6．1 （a） (b) 图6．1 ． 边缘点：图像中具有坐标且处在强度显著变化的位置上的点． 边缘段：对应于边缘点坐标及其方位，边缘的方位可能是梯度角． 边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法． 轮廓：边缘列表，或是一条表示边缘列表的拟合曲线． 边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向来排序． 边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程． 边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘． 由边缘检测器生成的边缘集可以分成两个子集：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．还有一个边缘子集，即场景中漏检的边缘集．假边缘集称之为假阳性（false Positive），而漏掉的边缘集则称之为假阴性（false Negative）． 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像作为输入，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像信息来决定一个像素点是不是边缘． 6.1 梯度 边缘检测是检测图像局部显著变化的最基本运算．在一维情况下，阶跃边缘同图像的一阶导数局部峰值有关．梯度是函数变化的一种度量，而一幅图像可以看作是图像强度连续函数的取样点阵列．因此，同一维情况类似，图像灰度值的显著变化可用梯度的离散逼近函数来检测．梯度是一阶导数的二维等效式，定义为向量 (6．1) (1) 向量的方向就是函数增大时的最大变化率方向；(2) 梯度的幅值由下式给出： (6．2) 　 (6．3) 　 (6．4) (6．5) 角是相对轴的角度． 注意梯度的幅值实际上与边缘的方向无关，这样的算子称为各向同性算子(isotropic operators)． 对于数字图像，方程6．1 (6．6) 对应于轴方向，而对应于负轴方向．这些计算可用下面的简单卷积模板来完成 (6．7) 和处的真实偏导数是至关重要的．然而采用上面公式计算的梯度近似值和并不位于同一位置，实际上是内插点 处的梯度近似值，是内插点处的梯度近似值．由于这个缘故，人们常常使用一阶差分模板（而不用或 模板）来求和的偏导数： (6．8) 和方向梯度的位置是相同的，这一点位于内插点 处，即在邻域的所有四个像素点之间．不过这种计算可能会导致一些混淆，所以，通常用邻域计算梯度值．这一方法将在下一节讨论． 6．2 边缘检测算法有如下四个步骤： 滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数