第二讲 边缘检测.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * Canny算子：流程 原始图像 原始图像经过Gauss平滑 Canny算子：流程 梯度幅值图像 梯度幅值经过非极大值抑制 Canny算子：流程 低阈值边缘图像 高阈值边缘图像 Canny输出边缘图像 使用Canny算子需要注意的问题 Canny算子的优点： 参数较少 计算效率 得到的边缘连续完整 参数的选择： Gauss滤波的尺度 双阈值的选择(LOW=HIGH*0.4) 渐增高斯滤波模版的尺寸 渐增双阈值的大小，保持low = high*0.4 边缘检测小结 边缘检测是计算机视觉中最基本的问题之一 没有一种统一的方法可以解决所有的边缘分割问题： 抑制噪声的能力 定位精度 计算的复杂程度 困难的原因 实际问题的复杂性：噪声，光照，阴影… 推荐文献阅读 J.Canny, “A Computational Approach to Edge Detection”, IEEE Trans. on PAMI, 8(6),1986. F. A. Pellegrino, W. Vanzella, and V. Torre, Edge Detection Revisited, IEEE TRANS. on SYSTEMS, MAN, AND CYBERNETICS, VOL. 34, NO. 3, JUNE 2004 * * * * * * * * * * * * * * * * * * * * * * 在实际图像应用中，边缘处四种卷积处理方法并不重要。 图像边界处卷积处理方法 1）重复图像边缘的行和列，使卷积在边缘可计算； 2）卷绕输入图像，使之成为周期性； 3）在图像边缘外侧填充0或其他常数； 4）去掉不能计算的行和列，仅对可计算的象素进行卷积。 噪声的影响：一维信号的例子 从图像中取出某行像素值： 边缘在哪里？ 解决方法之一，首先进行滤波 峰值为边缘的位置 利用卷积运算的性质： 峰值为边缘的位置 图像梯度算子的近似 Roberts算子 Prewitt算子 Sobel算子 Roberts算子 Prewitt算子 -1 0 1 -1 0 1 -1 0 1 计算均值， 平滑噪声 检测竖直边缘 -1 -1 -1 0 0 0 1 1 1 计算均值， 平滑噪声 检测水平边缘 Prewitt算子，近似一阶微分 卷积模版：去噪 + 增强边缘 Sobel算子 -1 0 1 -2 0 2 -1 0 1 -1 -2 -1 0 0 0 1 2 1 计算均值，平滑噪声 计算均值， 平滑噪声 检测竖直边缘 检测水平边缘 Sobel算子，近似一阶微分 去噪 + 增强边缘，给四邻域更大的权重 Sobel算子对于象素的位置的影响做了加权，因此效果更好。 Sobel,Prewitt,例子 Sobel Prewitt 在数字图像上计算二阶微分 拉普拉斯算子 拉普拉斯算子的数字近似 3*3卷积模版 0 -1 0 -1 4 -1 0 -1 0 -1 -1 -1 -1 8 -1 -1 -1 -1 拉普拉斯算子的特点 拉普拉斯算子的运算结果是标量 只有幅值，只使用一个模版便可计算得到 方向属性丢失 实际中几乎不单独使用拉普拉斯算子： 二次求导数，对噪声非常敏感 通常配合滤波器同时使用 Laplacian of Gaussian (LoG) 首先用Gauss函数对图像进行平滑，抑制噪声 然后对经过平滑的图像使用Laplacian算子 利用卷积的性质LoG算子等效于： Gaussian平滑 + Laplacian二阶微分 高斯拉普拉斯 Laplacian of Gaussian operator 过零点为边缘的位置 二维边缘微分滤波器 LoG算子: 高斯拉普拉斯 高斯 高斯的导数 在数字图像上实现LoG 0 0 -1 0 0 0 -1 -2 -1 0 -1 -2 16 -2 -1 0 -1 -2 -1 0 0 0 -1 0 0 LoG 因其形状，也称为Mexican hat 求和为0，即对平坦图像区域的响应为0 一个近似的卷积模版：体现主要的形状 LoG：例子 （a）Lenna Image （b）Gaussian模版卷积（15*15） （c）Laplacian模版卷积（3*3） （a） （b） （c） 分两步实现LoG，可以提供 更大的灵活性更小的模版尺寸 LoG：例子 （d）将(c)中大于0的像素置1，其余置0 （e）在二值图像（d）上检测边缘，使用形态学膨胀方法 （f）结果显示 （d） （e） （f） 几个特点： （1）正确检测到的边缘：单像素宽度，定位准确 （2）形成许多封闭的轮廓（spaghetti，意大利面