第六篇 章 边缘检测 机器视觉课件.pptVIP

第六章 边缘检测;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;用下面的简单卷积模板表示为：;6．2 边缘检测算法;;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;6．3．1　 拉普拉斯算子;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;6．4　 LoG算法;LoG边缘检测器的基本特征是： 平滑滤波器是高斯滤波器． 增强步骤采用二阶导数(二维拉普拉斯函数)． 边缘检测判据是二阶导数零交叉点并对应一阶导数的较大峰值． 使用线性内插方法在子像素分辨率水平上估计边缘的位置．; LoG算子的输出h(x,y)是通过卷积运算得到的： ;图6．8一维和二维高斯函数的拉普拉斯变换图的翻转图;6．5 图像逼近; 设连续图像函数为：z =f (x,y) 。现在的任务是从数字 图像的灰度值重构连续函数。一般用简单的分段函数来 建立图像的模型。这样，任务就变成了重构每一个分段 解析函数，叫小面函数，以5×5为例，如图6．12所示，这种逼近叫小面模型（facet model）。每一个像素点都可以得到一个函数来逼近，使用这些函数而不是像素值来确定边缘位置，得到更精确的子像素分辨率边缘。; 本例用下列三次多项式建立图像邻域模型（5*5）：;6．6 Canny 边缘检测器; 用 I（x,y）表示图像．使用可分离滤波方法求图像与 高斯平滑滤波器卷积，得到 ;（1）非极大值抑制 为确定边缘，必须细化幅值图像中的屋脊带，即保 留幅值局部变化最大的点．这一过程叫非极大值抑制 （NMS ），这一算法首先将梯度角 的变化范围减 小到圆周的四个扇区之一，如图6．16所示。 ;非极大值抑制过程可表示为： ;（2）阈值化 减少假边缘段数量的典型方法是对N(i,j)使用一个阈值， 将低于阈值的所有值赋零值。选择合适的阈值是困难的，需 要经过反复试验．一种更有效的阈值方案是选用两个阈值。 双阈值算法对非极大值抑制图像N(i,j)作用双阈值 和 ，且 ，得到两个阈值边缘图像 和 ． 含有很少的假边缘，但可能在轮廓上有间断。该算法将不断 地在 中收集边缘，直到将 中所有的间隙连接起来 为止。 ; 本节所提出的边缘检测算法的试验结果见图6．17．(a)原始图像,（b） 经过7*7高斯滤波器平