第四讲(附)边缘检测精要.pptx

边缘检测;检测目的：检测图像中的突变（不连续） 直观上，图像中的语义和形状信息都来自边缘 比像素更紧凑 线条是绘画的基础之一， 线条画（线描）是既古老 也是最现代的描写形式。; 提取信息，识别目标 恢复几何和视点; ①阶梯状边缘 ②脉冲状边缘 ③屋顶状边缘 ;一阶导数极值点对应的是边缘位置，极值的正或负表示边缘处是由暗变亮还是由亮变暗。 二阶导数过零点来检测图像中边缘的存在。;图像梯度： 梯度方向： 梯度幅度：;水平梯度写成极限表示形式 离散化 差分模板;水平梯度写成极限表示形式 离散化 差分模板;一阶导数算子给出梯度信息，所以也称梯度算子 分别计算沿X和Y方向的两个偏导分量 几种常用的梯度算子模板 ;Roberts梯度采用对角方向相邻两像素之差，故也称为四点差分法。 特点： 4点差分求梯度，计算简单 对噪声敏感;梯度算子类似于高通滤波，有增强高频分量，抑制低频分量的作用，对噪声敏感。 可通过求平均方法来抑制噪声。 Prewitt梯度算子就是先求平均，再求差分;Sobel算子就是对当前行或列对应的值加权后，再进行平均和差分，也称为加权平均差分。 水平和垂直梯度模板为： 各向同性Sobel算子：将模板中的权值2改为 ，以使水平、垂直和对角边缘的梯度值相同。;拉普拉斯算子 中心像素的系数应是正的，而对应中心像素邻近像素的系数应是负的，且所有系数的总和应该是零。 对噪声敏感 ;在每个分辨率上进行如下计算 用2D高斯平滑模板与原图像卷积（滤除噪声） 计算卷积后图像的拉普拉斯值 检测拉普拉斯图像中的过零点作为边缘点 高斯加权平滑函数 ;连续函数f (x,y)的马尔算子检测的数学公式表示： H(x,y)称马尔算子，或称LoG算子;LoG算子H(x,y)为轴对称函数 也称为墨西哥草帽算子 5x5的常用LoG模板 ;Laplacian与LoG算子检测结果比较;Canny 边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。更为重要的是 Canny 创立了边缘检测计???理论。 Canny 目标是找到一个最优的边缘检测算法。 最优边缘检测的含义是： 好的检测 -- 算法能标识图像中的实际边缘，避免噪声 和虚假边缘干扰。 好的定位 -- 标识出的边缘与实际图像中的实际边缘尽 可能接近。 最小响应 -- 对图像中的每个真实边缘点只有一个像素 响应。 ;步骤一： 选择合适的Gaussian滤波器平滑图像，滤除噪声。 步骤二： 采用Roberts或Sobel模板，计算每个像素的水平和垂直 梯度值，并计算其梯度方向和梯度幅值。 步骤三： 确定边缘方向 步骤四： 非最大值抑制：沿边缘方向抑制非最大值的像素 （不是边缘点） 步骤五：选择双阈值跟踪边缘（滞后阈值）;梯度计算;最小边缘阈值 获取方向;若q点的值大于p和r点的值（插值获得），则q点为局部最大值，有可能是边缘点。; 非最大值抑制前 非最大值抑制后;假定标记点为边缘点，根据边缘曲线的切线（梯度的法线）方向，预测下一个边缘点（r 或 s 点） ;采用双阈值方法，阈值的高/低分别用于获取强/弱边缘点 边缘连通曲线都是以强边缘点为起始点 弱边缘点保持边缘曲线的连通性（即退出连通存在阈值滞后）;Canny边缘检测结果;The End