边缘检测sobel等课程实例.pptVIP

拉普拉斯高斯算法 LoG算法—Marr 算子 Marr和Hildreth将高斯滤波和拉普拉斯边缘检测结合在一起，形成LoG（Laplacian of Gaussian）算法，也称之为拉普拉斯高斯算法。 马尔(Marr-Hildreth)算子是在拉普拉斯算子的基础上实现的。 主要得益于对人的视觉机理的研究，具有一定的生物学和生理学意义 在较大噪声场合，由于微分算子会起到放大噪声的作用，因此梯度算子和拉普拉斯算子对噪声较敏感 一种改进的方法是对图像先进行适当的平滑，以抑制噪声，然后再进行求微分； 边缘检测 高斯拉普拉斯 高斯拉普拉斯(Laplacian of Gaussian，LOG，或Mexican hat，墨西哥草帽)滤波器使用了Gaussian来进行噪声去除并使用 Laplacian来进行边缘检测 LoG算子的输出是通过卷积运算得到的， 根据卷积求导法有 其中： 称之为墨西哥草帽算子 一维和二维高斯函数的拉普拉斯变换图的翻转图，其中σ=2． 课后练习！ 拉普拉斯高斯边缘检测结果 ?2D高斯拉普拉斯算子可以通过任何一个方形核进行逼近，只要保证该核的所有元素的和或均值为0； 右边为一个5×5的核进行逼近 原图 与高斯核卷积结果 一般0交叉点法 LOG零交叉点法 算子比较 ? ? Roberts算子：Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声的能力。该算子对具有陡峭边缘且含噪声少的图像效果较好。 ? Sobel算子和Prewitt算子：都是对图像先做加权平滑处理，然 ? Laplacian算子：是不依赖于边缘方向的二阶微分算子算子，对图像中的阶跃型边缘点定位准确，该算子对噪声非常敏感，它使噪声成分得到加强，这两个特性使得该算子容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差。 算子比较 ? ? LOG算子：该算子首先用高斯函数对图像作平滑滤波处理，然后才使用Laplacian算子检测边缘，因此克服了Laplacian算子抗噪声能力比较差的缺点，但是在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉了，造成这些尖锐边缘无法检被测到。 应用LOG算子，高斯函数中方差参数的选择很关键，对图像边缘检测效果有很大的影响。高斯滤波器为低通滤波器，越大，通频带越窄，对较高频率的噪声的抑制作用越大，避免了虚假边缘的检出，同时信号的边缘也被平滑了，造成某些边缘点的丢失。反之，越小，通频带越宽，可以检测到的图像更高频率的细节，但对噪声的抑制能力相对下降，容易出现虚假边缘。因此，应用LOG算子，为取得更佳的效果，对于不同图像应选择不同参数。 Canny 边缘检测算法 Canny边缘检测基本原理 (1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。 (2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。 (3)类似与 LoG 边缘检测方法，也属于先平滑后求导数的方法。 (1)?用高斯滤波器平滑图像． (2)?用一阶偏导有限差分计算梯度幅值和方向 (3)?对梯度幅值应用非极大值抑制 ． (4)?用双阈值算法检测和连接边缘． （1）高斯平滑滤波器 边缘与轮廓 边缘是不同区域的分界线，是图像局部强度变化最显著的那些像素的集合。 图像强度的显著变化可分为： (1) 阶跃变化（函数），即图像强度在不连续处的两边的像素灰度值有着显著的差异； (2) 线条（屋顶）变化（函数），即图像强度突然从一个值变化到另一个值，保持一较小行程后又回到原来的值． 边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间， 边缘检测 当人看一个有边缘的物体时,首先感觉到的便是边缘. 在边缘处，灰度和结构等信息的产生突变.边缘是一个区域的结束,也是另一个区域的开始,利用该特征可以分割图像. 由于图像数据是二维的,而实际物体是三维的,从三维到二维的投影必然会造成信息的丢失,再加上成像过程中光照的不均和噪声等因素的影响,使得有边缘的地方不一定能被检测出来,而检测出来的边缘也不一定代表实际边缘. 图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈.边缘上的这种变化可以用微分算子检测出来,通常用一阶或二阶导数来检测边缘. 边缘检测边缘是位于两个区域的边界线上的连续像素集合 理想数字边缘模型 轮廓是物体在场景中的完整边界． 边缘的连接构成轮廓. 术语定义 边缘点：在亮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． 轮廓：边缘列表或一条表示边缘列表的拟合曲线． 边缘连接：从无