图像分割与边缘检测答辩.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 2 边缘检测算子(梯度算子 ) 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 （1） 梯度的方向在函数f(x, y)最大变化率的方向上 （2） 梯度的幅度用G［f(x, y)］表示 性质: 2 边缘检测算子(梯度算子 ) 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 G［f(x,y)］={f(i,j)-f(i+1,j+1)］2+f(i+1,j)-f(i,j+1)］2}1／2 梯度的两种差分运算 G［f(x,y)］={［f(i,j)-f(i+1,j)］2+［f(i,j)-f(i,j+1)］2}1／2 水平、垂直差分法 Robert差分法 2 边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 梯度算子 2 边缘检测算子(梯度算子 ) 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 方向算子 计算在不同方向上的差分值，取其中最大的值作为边缘强度， 与之对应的方向作为边缘方向。常用的八方向Kirsch （3×3）各方向间的夹角为450 。 ? ? ? ? ? ? ? ? ? -5 3 3 3 3 3 3 3 3 3 3 3 -5 0? 3 -5 0 3 3 0? 3 3 0 -5 -5 3 3 -5 -5 3 -5 -5 -5 3 -5 -5 各向异性 2 边缘检测算子(梯度算子 ) 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 常用的梯度算子 - Sobel： Prewitt： 噪声抑制 边缘精度 好 好 差 差 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 (a)是原始的摄影师图像； (b)、(c)、(d)、(e)和(f)分别是采用梯度算子、Roberts和3×3的Prewitt、Sobel、Kirsch算子检测出的边缘二值化图像。 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 Sobel Kirsch Prewitt Laplace 2.边缘检测算子(拉普拉斯) 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 各向同性（旋转不变性）的线性运算 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 Laplace算子 对于阶跃状边缘，其二阶导数在边缘点出现零交叉， 即边缘点两旁二阶导数取异号。 2.边缘检测算子(拉普拉斯) 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 二值图像 拉普拉斯运算结果 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 缺点：边缘方向信息丢失，常产生双象素的边缘， 对噪声有双倍加强作用。 一般在用它们检测边缘前要先对图像进行平滑 特点： 各向同性、线性和位移不变性；对细线和 孤立点检测效果好。若只关心边缘点的位置而不顾其周围的实际灰度差时，一般选择该算子。 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 马尔算子(Marr-Hildreth) 方法：先对待检测图进行平滑然后再用拉普拉斯算子检测边缘。 依据：成象时，一个给定象素点所对应场景点的周围点 对该点的光强贡献呈正态分布，所以平滑函数应 对给定象素远近不同的周围点处以不同的平滑。 具有正态分布的平滑函数为 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 高斯-拉普拉斯滤波器或算子 ▽2g也称为“墨西哥草帽”、LOG算子。各向同性算子 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 在σ处有过零点,在|r|σ时为正,在|r|σ时为负。 模糊图像，且模糊程度是正比于σ 利用▽2g 检测过零点能提供较可靠的边缘位置 ?小时位置精度高但边缘细节变化多 马尔算子用于噪声较大的区域会产生高密度的过零点 马尔算子用到的卷积模板一般较大(典型半径为9～33个像素)， 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 5x5马尔算子(Marr-Hildreth) 2.边缘检测算子 第五章：图像分割与边缘检测 边缘检测 轮廓跟踪 图像分割 Sobel Marr 作业： 1、