第三讲边缘检测.pptxVIP

为什么要讲边缘检测？边缘：稳定的视觉特征，人类经验的结果边缘检测算法 基本步骤： 滤波：改善与噪声有关的边缘检测器的性能； 一般滤波器降导致了边缘的损失； 增强边缘和降低噪声之间需要折衷． 增强：将邻域强度值有显著变化的点突显出来． 边缘增强一般是通过计算梯度幅值来完成的． 检测：最简单的边缘检测判据是梯度幅值阈值边缘连接：从无序边缘表形成有序边缘表的过程．边缘跟踪：一个用来确定轮廊的图像搜索过程． 定位：边缘的位置和方位在子像素分辨率上估计。 感受野(Perception Field)任何一种神经细胞的输出都依赖于视网膜上的许多光感受器；任何一个光感受器的输出将对许多神经细胞的输出有贡献。感受野定义：直接或间接影响某一特定神经细胞的光感受器细胞的全体。 神经节细胞感受野分两大类： On－型感受野：由中心的兴奋区域和周边的抑制区域构成的同心圆结构Off－型感受野：由中心抑制和周边兴奋区域构成的同心圆结构．感受野的启发？神经节细胞对落入其感受野内的对比度有选择性的敏感性要比落入整个感受野上的总光强的信息更加敏感。猫视网膜神经节细胞的感受野及其反应形式马赫带现象（心理学）及其生理基础主观视觉：亮的特亮、暗的特暗亮暗刺激物位于On－型感受野不同位置时，其GC反应放电频率图感受野的剖线（极坐标形式）边缘检测边缘点的物理意义 （亮暗刺激物）A 空间曲面的不连续点：表面法线方向不连续B 不同材料或者不同颜色 产生的C 物体与背景的分割线： 表面的法线方向连续D 阴影引起的边缘灰度的不连续点或灰度变化剧烈的地方边缘和噪声：高频跳变边缘点和噪声点边缘检测： 检测信号的高频分量如何区别边缘和噪声？－ill-posed problem边缘的数学模型信号的边缘及其微分二维图像信号的微分（增强）二维信号f(x,y)的梯度二维信号的一阶导数二阶导数(Laplace算子) 各向同性边缘检测的基本方法：检测 一阶导数局部最大值或者两 阶导数过零点BAC微分滤波器滤波后的信号滤波后信号的一阶导数边缘检测运算：设计平滑滤波器h(x)，检测 的局部最大值或 的过零点。一维有噪声的信号边缘检测算法 基本步骤： 滤波：改善与噪声有关的边缘检测器的性能； 一般滤波器降导致了边缘的损失； 增强边缘和降低噪声之间需要折衷． 增强：将邻域强度值有显著变化的点突显出来． 边缘增强一般是通过计算梯度幅值来完成的． 检测：最简单的边缘检测判据是梯度幅值阈值边缘连接：从无序边缘表形成有序边缘表的过程．边缘跟踪：一个用来确定轮廊的图像搜索过程． 定位：边缘的位置和方位在子像素分辨率上估计。 微分滤波器要求： h(x)一阶及二阶可微。 高斯滤波器离散信号的差分滤波器滤波后的一维信号一阶差分运算前向差分：h(1)(n)=h(n+1)-h(n)后向差分：h(1)(n)=h(n)-h(n-1)前后向平均差分：h(1)(n)=0.5[h(n+1)-h(n-1)]二阶差分h(2)(n)= 1/4×[h(n+2)+ h(n-2)-2h(n)]离散函数的离散卷积与差分运算也可以交换 差分滤波器高斯差分滤波器：c归一化常数窗口算子离散化后的有限窗口算子高斯滤波-正态分布正态分布是/zh-cn/%E8%87%AA%E7%84%B6%E7%A7%91%E5%AD%B8自然科学与/zh-cn/%E8%A1%8C%E7%82%BA%E7%A7%91%E5%AD%B8行为科学中的定量现象的一个方便模型。正态分布出现在许多区域/zh-cn/%E7%B5%B1%E8%A8%88统计：例如,?/w/index.php?title=%E6%8E%A1%E6%A8%A3%E5%88%86%E4%BD%88action=editredlink=1采样分布/w/index.php?title=%E5%9D%87%E5%80%BCaction=editredlink=1均值是近似地正态的，既使被采样的样本总体并不服从正态分布。另外，常态分布/zh-cn/%E4%BF%A1%E6%81%AF%E7%86%B5信息熵在所有的已知均值及方差的分布中最大，这使得它作为一种/w/index.php?title=%E5%9D%87%E5%80%BCaction=editredlink=1均值以及/zh-cn/%E6%96%B9%E5%B7%AE方差已知的分布的自然选择。在/zh-cn/%E4%BF%A1%E6%81%AF%E8%AE%BA信息论中，熵被用来衡量一个/zh-cn/%E9%9A%A8%E6%A9%9F%E8%AE%8A%E6%95%B8随机变量出现的/zh-cn/%E6%9C%9F%E6%9C%9B%E5%80%BC期望值。它代表了在被接收之前，信号传输过程中损失的信息量。（期望自信息）