[信息与通信]03 边缘检测 2010.pptVIP

* CVIP-Edge Detection SHI Ce * 例： 构造高斯模板（如下）对图像进行平滑处理 构造拉普拉斯算子模板（如下） ，对平滑后的图像进行边缘检测 * CVIP-Edge Detection SHI Ce * LOG滤波器 根据M_H算法的思想，有： R(x,y)＝ ?2 (F(x,y)*G(x,y)) 又：?2(F(x,y)*G(x,y))=F(x,y)* ?2G(x,y) 结合高斯函数的定义，有下式成立： ?2G(x,y)就称为LOG滤波器，又叫做Marr-Hildretch算子，简称M_H算子。 * CVIP-Edge Detection SHI Ce * ?2G有无限长拖尾，一般取一个N?N的窗口，在窗口内进行卷积。为避免过多地截去拖尾，N较大，通常取N=3?效果较好。 为了减小卷积的计算量，通常用两个不同带宽（ ? ）的高斯曲面之差（DOG：Difference of two Gauss functions）来近似 ?2G(x,y)。 式中正项代表激励功能，负项代表抑制功能。从工程观点来看，当σ1/σ2＝1.6时，DOG最逼近原值。 DOG滤波器则是它在工程上的一种近似实现。 * CVIP-Edge Detection SHI Ce * LOG是检测图象变化的最佳滤波器之一，但因 LOG算子的模板远大于其他算子，计算量非常大。 高斯函数是圆对称函数，可分解。即把一个二维滤波器?2G(x,y)分解为两个一维的独立的行、列滤波器。 抗干扰能力强，边缘定位较准，连续性好且能提取较弱的边缘。不足之处在于边缘宽度小于窗口宽度时丢失细节。故选用该算子时应仔细选择窗口大小。 练习：分解二维滤波器?2G(x,y) * CVIP-Edge Detection SHI Ce * 原图 * CVIP-Edge Detection SHI Ce * LOG算子结果图 常用的边缘检测技术 Canny算子 * CVIP-Edge Detection SHI Ce * Canny算子 Canny算子是一种边缘检测算子，由于其对图像的边缘检测有非常好的效果，因此在图像处理算法中具有很重要的地位，通过Canny算子检测出来的边缘结果可以直接用在图像的区域分割方面。 Canny给出了评价边缘检测性能优劣的三个指标： 好的信噪比，即将非边缘点判为边缘点的概率要低，将边缘点判为非边缘点的概率也要低； 好的定位性能，即检测出的边缘点要尽可能在实际边缘的中心； 对单一边缘仅有唯一响应，即单个边缘产生多个响应的概率要低，并且虚假边缘响应得到最大抑制。 * CVIP-Edge Detection SHI Ce * 根据边缘检测的有效性及定位的可靠性，Canny首次用数学的方法推出了对给定边缘类型的最佳边缘检测模板（不同的边缘类型有不同的最优形式）。 一维理想阶跃边缘，Canny推导出的最优边缘检测器的形状与高斯函数的一阶导数类似。可用高斯函数的一阶导数作为阶跃边缘的次最优检测算子。 对于二维，可用高斯函数的二阶导数作为次最优算子。而且，根据二维高斯函数的圆对称性与可分解性，很容易计算高斯函数在任一方向的方向导数与图象的卷积。 对于二维图像，需要使用若干方向的模板分别对图像进行卷积处理，再取最可能的边缘方向。 练习：用Canny算子对一幅256级灰度图像进行边缘检测。 * CVIP-Edge Detection SHI Ce * 原图 * CVIP-Edge Detection SHI Ce * Canny算子结果图 * CVIP-Edge Detection SHI Ce * Roberts算子结果图 常用的边缘检测技术 多灰度图像边缘聚焦 * CVIP-Edge Detection SHI Ce * 多灰度图像边缘聚焦 当参数?不同时，高斯函数对图象边缘的影响也不同。 当?较小时，对图象的平滑作用较弱，噪声不易被去掉且容易产生太多不必要的细节； 当?较大时，噪声去掉了，但图象的边缘又会失真。 当?等于两个闭合轮廓间的距离时，这两个轮廓会发生合并。 当???时，任何孤立的闭合边缘（边界/轮廓）都会变成一个圆，而无论其原先的形状如何。这就是边缘定位与噪声的矛盾。 * CVIP-Edge Detection SHI Ce * 阈值选择问题。对于单阈值而言，很难适合所有的边界：阈值小了，细节过多，阈值太大，丢失细节。 多尺度的概念：即用不同的?去平滑图象。 用不同的?平滑图象并提取边缘，然后把多个结果进行综合，即可变模糊性。结果难以令人满意，还有不同图象边缘片断的匹配问题。 进行连续聚焦。即：先用一个强模糊（较大的?）去平滑图象，得到一幅分辨率较低的边缘图，然后逐渐提高分辨率（将?减小）