数字图像处理ppt教材课程.ppt

7.2 边缘点检测 图7.2.11 Nevatia-Babu 12方向梯度模板 7.2 边缘点检测 ? 线检测模板 利用方向梯度模板的基本思想，可以设计检测不同方向线的方向模板。对于单像素宽度线，可通过阈值检测其梯度来完成线的检测，并确定其走向。线检测模板如下所示： 图7.2.12 不同方向的线检测模板 7.2 边缘点检测 图7.2.13 基于线检测模板的检测示例 原图像 ? 二阶导数算子法 对于阶跃状边缘，其二阶导数在边缘点处出现过零交叉，即边缘点两旁的二阶导数取异号，据此可以通过二阶导数来检测边缘点。 1. Laplacian算子法 Laplacian算子为二阶偏导： 对数字图像f(m,n)，用差分代替二阶偏导，则边缘检测算子变为： 写成检测模板为： 7.2 边缘点检测 4邻域 8邻域 Laplacian检测模板的特点是各向同性，对孤立点及线端的检测效果好，但边缘方向信息丢失，对噪声敏感，整体检测效果不如梯度算子。 2.LoG算子法 高斯—拉普拉斯(LoG:Laplacian of a Gaussian)边缘检测算子，简称LoG算子法 。 优点:先采用高斯算子对原图像进行平滑，然后再施以Laplacian算子，可克服Laplacian算子对噪声敏感的缺点，减少噪声的影响。 二维高斯函数： 则连续函数f(x,y)的LoG边缘检测算子定义为： 式中 7.2 边缘点检测 是标准差。 ， 算子H(x,y)是一个轴对称函数，其横截面如图7.2.14所示。由于它相当平滑，能减少噪声的影响，所以当边缘模糊或噪声较大时，利用检测过零点能提供较可靠的边缘位置。 7.2 边缘点检测 图7.2.14 H(x,y)的截面图 Laplacian算子和 LoG算子处理后的结果对比 (a)原图像; (b)、(c)分别是 4邻域和8邻域 的Laplacian检 测结果; (d)LoG检测结果。 7.2 边缘点检测 (a) (b) (c) (d) 举例; ▓ 平滑模板特点 ?模板内系数全为正（表示求和、平均=平滑）； ?模板内系数之和为1: ① 对常数图像f(m,n)≡c，处理前后不变； ② 对一般图像，处理前后平均亮度不变。 ▓ 锐化模板特点 ?模板内系数有正有负，表示差分运算； ?模板内系数之和为1: ① 对常数图像f(m,n)≡c，处理前后不变； ② 对一般图像，处理前后平均亮度不变。 ▓ 边缘检测模板特点 ? 模板内系数有正有负，表示差分运算； ? 模板内系数之和为0: ① 对常数图像f(m,n)≡c，处理后为0； ② 对一般图像，处理后为边缘点。 图像处理模板特点： 1/4 1/4 0 0 0 1/4 0 0 1/4 7.2 边缘点检测 ▓ 边缘线跟踪的概念 ▓ 将检测的边缘点连接成边缘线就是边缘线跟踪，边缘线跟踪也称边缘连接或边界检测； ▓ 边缘线是描述目标物特性的最基本特征，也是基于边缘检测的图像分割中分割区域的边界表示。 ▓ 边缘跟踪的方法 ▓ 局部边缘连接法； ▓ 光栅扫描跟踪法； ▓ Hough变换法。 7.3 边缘线跟踪 ▓局部边缘连接法 将边缘点连成边缘线的最简单的方法是依据事先确定的准则，把相似的边缘点连成线。该方法以局部梯度算子处理后的梯度图像作为输入，连接过程分为两步： 第一步：选择可能位于边缘线上的边缘点。 第二步：对相邻的候选边缘点，根据事先确定的相似准则判定是否连接。如果在相邻的小邻域内的两个候选点的梯度和方向差值都在某阈值之内，则这两点被认为属于同一边缘线，可以连接起来。相似准则定义为： 7.3 边缘线跟踪 其中G1(m,n)和G2(m,n)分别为边缘点(m,n)和(i,j)的梯度模值， 和 分别为两边缘点的方向（角度）值。 该方法是基于边缘的局部特性进行边缘连接，所以容易受噪声或干扰的影响。 ▓ 光栅扫描跟踪法 方法:按照电视光栅行的扫描顺序，对遇到的像素进行阈值判定而实现的边缘跟踪方法. 优点:实现简单 缺点:若线条灰度值自上而下由小变大，则开始阶段就检测不到线条。此外，若跟踪线的方向接近水平，用自上而下的扫描方式也可能漏跟。 光栅扫描跟踪法的实施步骤