第二讲-边缘检测.pptVIP

边缘检测 Marr的三层表象图 边缘检测 边缘点的物理意义 A 空间曲面的不连续点 B 不同材料或者不同颜色产生的 C 物体与背景的分割线 D 阴影引起的边缘 灰度的不连续点或灰度变化剧烈的地方 边缘和噪声 边缘点和噪声点 边缘检测：检测信号的高频分量 如何区别边缘和噪声？－ill-posed problem 边缘的数学模型 信号的边缘及其微分 二维图像信号的微分 二维信号f(x,y)的梯度 二维信号的一阶导数 二阶导数(Laplace算子) 边缘检测的基本方法：检测一阶导数局部最大值或者两阶导数过零点 微分滤波器 微分滤波器 要求： h(x)一阶及二阶可微。 高斯滤波器 离散信号的差分滤波器 滤波后的一维信号 一阶差分运算 前向差分：h(1)(n)=h(n+1)-h(n) 后向差分：h(1)(n)=h(n)-h(n-1) 前后向平均差分：h(1)(n)=0.5[h(n+1)-h(n-1)] 二阶差分h(2)(n)= 1/4×[h(n+2)+ h(n-2)-2h(n)] 离散函数的离散卷积与差分运算也可以交换 差分滤波器 高斯差分滤波器 窗口算子 LapLace算子的运算结果 * * 基本步骤： 滤波：改善与噪声有关的边缘检测器的性能； 一般滤波器降导致了边缘的损失； 增强边缘和降低噪声之间需要折衷． 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． 检测：最简单的边缘检测判据是梯度幅值阈值 边缘连接：从无序边缘表形成有序边缘表的过程． 边缘跟踪：一个用来确定轮廊的图像搜索过程． 定位：边缘的位置和方位在子像素分辨率上估计。 边缘检测算法 任何一种神经细胞的输出都依赖于视网膜上的许多光感受器； 任何一个光感受器的输出将对许多神经细胞的输出有贡献。 感受野定义： 直接或间接影响某一特定神经细胞的光感受器细胞的全体。 感受野(Perception Field) On－型感受野： 由中心的兴奋区域和周边的抑制区域构成的同心圆结构 Off－型感受野： 由中心抑制和周边兴奋区域构成的同心圆结构． 感受野分两大类： 感受野的启发？ 猫视网膜神经节细胞的感受野及其反应形式 马赫带现象及其生理基础 亮暗刺激物位于On－型感受野不同位置时，其GC反应放电频率图 A B C 一维有噪声的信号 滤波后的信号 滤波后信号的一阶导数 边缘检测运算：设计平滑滤波器h(x)，检测 的局部最大值或 的过零点。 离散化后的有限窗口算子 Roberts算子 梯度幅值计算近似方法 用卷积模板表示： 2X2梯度算子？ 梯度交叉算子 3X3梯度算子！ Sobel算子 梯度幅值: 其中的偏导数用下式计算： c = 2 用卷积模板来实现 Prewitt算子 与Sobel算子的方程完全一样，但c=1, 该算子没有把重点放在接近模板中心的 像素点． 按照滤波、增强和检测这三个步骤比较各种方法: (定位暂不讨论) 各种算法的比较 原始图像 7×7高斯滤波后的图像 未滤波的边缘检测效果 滤波后的边缘检测效果 a) Roberts b) Sobel c) Prewitt 二阶微分算子 图像强度的二阶导数的零交叉点就是找到边缘点． 用阈值进行边缘检测和用二阶导数的零交点进行边缘检测示意图 拉普拉斯算子 拉普拉斯算子是二阶导数的二维等效式: h(2)(n)= 1/4×[h(n+2)+ h(n-2)-2h(n)] x方向上的二阶差分 y方向上的二阶差分 用算子表示： 希望邻域中心点具有更大的权值? 0 0 0 -6 6 0 0 0 0 0 -3 0 3 0 0 0 LoG算法 基本特征： 平滑滤波器是高斯滤波器． 增强步骤采用二阶导数(二维拉普拉斯函数)． 边缘检测判据是二阶导数零交叉点并对应一阶导数的较大峰值． 使用线性内插方法在子像素分辨率水平上估计边缘的位置． Marr和Hildreth将高斯滤波和拉普拉斯边缘检测结合在一起，形成LoG（Laplacian of Gaussian）算法，也称之为拉普拉斯高斯算法． * *