[2018年最新整理]实验三 图像分割与边缘检测.docVIP

实验三 图像分割与边缘检测 上课老师:赵欢喜 实验指导:吴磊 实验地点:科技楼4楼计算机实验中心 时间:2010.12.14 一．实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法； 4. 掌握用阈值法进行图像分割的基本方法。 二．实验基本原理 ●图象边缘检测图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置 导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值比较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界点集。 一阶导数与是最简单的导数算子，它们分别求出了灰度在x和y方向上的变化率，而方向α上的灰度变化率可以用相应公式进行计算;对于数字图像，应该采用差分运算代替求导。 一幅数字图像的一阶导数是基于各种二维梯度的近似值。图像f(x,y)在位置(x,y)的梯度定义为下列向量： (3-4) 在边缘检测中，一般用这个向量的大小，用表示 (3-5) 函数f在某点的方向导数取得最大值的方向是，方向导数的最大值是称为梯度模。利用梯度模算子来检测边缘是一种很好的方法，它不仅具有位移不变性，还具有各向同性。为了运算简便，实际中采用梯度模的近似形式。 或者 传统的边缘检测算法通过梯度算子来实现在求边缘的梯度时，需要对每个象素位置计算。在实际中常用小区域模板卷积来近似计算，梯度算子滤波算子的形式模板是N*N的权值方阵，经典的梯度算子模板：Sobel模板、Prewitt模板、Roberts模板、Laplacian模板等模板 (a)原图 (b)边缘检测后的图 (c) 阈值处理后的图 图3-1 检测具有-45度边缘的图例 1．点检测 原理：常数灰阶区域中的某孤立点对某种模板的响应绝对值肯定是最强烈的。最常用的模板有： Matlab 实现方法： g = abs(imfilter(double(f),w)) = T; where w is a appropriate point detection mask which satisfies the above condition. 实例：the detection of isolated bright point in the dark gray area of the northeast quadrant. (image size: 675*675) 实例代码： f=imread(Fig1002(a)(test_pattern_with_single_pixel).tif); w = [-1 -1 -1; -1 8 -1; -1 -1 -1]; g = abs(imfilter(double(f), w)); T = max(g(:)); g = g= T; subplot(121);imshow(f); title(the original image); subplot(122);imshow(g(1:end-400, 400:end)); title(the isolated point detected (only a part displayed)); ======================================================= 2．线 (通常假定一个象素厚度) 检测 原理与上同，典型模板有（主要方向性）： 实例：-450 方向线的检测： 3．边沿检测 方法：使用一阶或者二阶导数。 对一节导数，关键问题是怎样估计水平和垂直方向的梯度Gx 和Gy，二阶导数通常使用Laplacian算子计算，但是Laplacian算子很少单独用来检测边缘，因为其对噪声非常敏感，而且其结果会产生双边沿，加大了边缘检测的困难。然而，如果Laplacian算子能与其他边缘检测算法相结合，如边缘定位算法，则其是一个强有力的补充。 通常两个标准用来测度图像强度的迅速变化： (1) 找出强度的一阶导数值大于某个事先阈值标准的位置； (2) 找出图像二阶导数的跨零点。 IPT 工具箱函数edge 提供了几种基于上面两种标准的估计器： 其语法为：[g, t] = edge(f, ‘method’, parameters); 这里 ‘method’ 参数包括这几种类型的边缘检测子：Sobel, Prewitt, Roberts, Laplacian of a Gaussian (LoG), Zero crossings and Canny，前三种的模板见下图： 另一个强有力的边缘检测器：Ca