第六章 边缘检测 机器视觉课件.pptVIP

第六章 边缘检测 6．1 梯度 6．2 边缘检测算法 6．3 二阶微分算子 6．4　 LoG算法 6．5 图像逼近 6．6 Canny 边缘检测器 6．7 子像素级位置估计 6．8 边缘检测器性能 6．9 线条检测 边缘(edge)是指图像局部 强度变化最显著的部分。图 像分析和理解的第一步常常 是边缘检测(edge detection),例如图像分割、纹理特征提取、形状特征提取等。 两种常见的边缘 ：阶跃 函数、 线条函数，如图6．1 所示，其中第一排为理想信 号，第二排对应实际信号，由于电子器件的低频特性，变成了斜坡边缘或屋顶形边缘。 一些术语的定义： 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 的总和，边缘的方位可以用梯度角来表示． 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曲线模型． 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． 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． 边缘检测+边缘连接=边缘跟踪 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 梯度是函数变化的一种度量，图像灰度值的显著变化 可用梯度的离散逼近函数来检测．定义为向量： 用下面的简单卷积模板表示为： 6．2 边缘检测算法 边缘检测算法有如下四个步骤： 滤波、增强、检测、定位。 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，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能．需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折衷． 增强：增强边缘的基础是确定图像各点邻域强度的变化值．增强算法可以将邻域（或局部）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：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点．最简单的边缘检测判据是梯度幅值阈值判据． 定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来． 下面讨论几种常用的边缘检测器： 1、 Roberts算子 2、Sobel算子 3、Prewitt算子 1、 Roberts算子 Roberts交叉算子为梯度幅值计算提供了一种简单的近 似方法，是一个交叉算子： 2 、Sobel算子 Sobel算子也是一种梯度幅值： 3、 Prewitt算子 Prewitt算子与Sobel算子的方程完全一样，只是常量c=1 。 6．3 二阶微分算子 前面讨论了计算一阶导数的边缘检测器，这样做会导致检测的边缘点太多 （对应阈值化后的粗线）。一种更好的方法就是求梯度局部最大值对应的点，并认定它们是边缘点，得到更精确的边缘，如图6．5所示。 在二维空间，对应二阶导数有两种算子：拉普拉斯算子和二阶方向导数． 6．3．1　 拉普拉斯算子 平滑过的阶跃边缘二阶导数是一个在边缘点处过零的函 数(见图6．5)．拉普拉斯算子是二阶导数的二维等效式．函 数 的拉普拉斯算子公式为 这一近似式是以点 为中心的． 用j-1替换j，得到 有时希望邻域中心点具有更大的权值，比如下面的模板就是一种基于这种思想的近似拉普拉斯算子： 6．3．2 二阶方向导数 已知图像曲面f(x,y)， 为与y轴夹角，则二阶方向导数为 6．4　 LoG算法 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, LoG）算法，也称之为