物联网识别技术 丁明跃 物联网-第六章新.pptVIP

馋死 PPT研究院 POWERPOINT ACADEMY * * 梯度向量的模值大小为： 梯度向量的方向角大小为： 基于一阶倒是的边缘检测的基本原理是：令坐标为(x，y)的像素的梯度值为G(x，y)，若满足： 则(x，y)就是边缘上的点所在的位置。式中，T是一个真的阈值。在实际的应用中，像素的梯度由下式表示。式中的f(x+1，y)-f(x，y) 第三节 图像特征提取算子 2、常用的一阶边缘检测算子 常用的基于一阶导数的边缘检测算子有：Roberts、Prewitt、Sobel、Robinson和Kirsch，它们的实现机理与前面介绍类似，最主要的区别在于实现导数的方法和掩模的选取不同。 ① Roberts算子 Roberts算子使用下面式子计算一阶导数： 其对应的掩模及邻域如图所示。 ② Prewitt算子 Prewitt算子使用下面式子计算一阶导数： 第三节 图像特征提取算子 其对应的掩模及邻域如图所示。 ③ Sobel算子 Sobel算子使用下面式子计算一阶导数： ④ Robinson算子 Robinson算子使用下面式子计算一阶导数： 第三节 图像特征提取算子 其对应的掩模及邻域如图所示。 ⑤ Kirsch算子 Kirsch算子使用下面式子计算一阶导数： 其对应的掩模及邻域如图所示。 第三节 图像特征提取算子 3、基于二阶导数的边缘检测 设f(x)是一个离散的一元函数，其二阶导数可定义为： 对于二元的图像灰度函数f(x，y)，其二阶导数一般使用Laplacian算子进行计算。拉普拉斯算子定义为： 由上式，有 第三节 图像特征提取算子 结合上面三个式子，可以得到： 基于二阶导数的边缘的基本原理：在边缘两侧的像素点，其二阶导数符号相反，它们连线的中点就是边缘的中心。或者说，在二阶导数零交叉的地方就是边缘中心。右图给出了几种Laplacian常用掩模。其中，(e)中的α表示锐化程度，取值范围为[0，1]。 第三节 图像特征提取算子 4、二阶导数零点交叉检测技术 从检测原理可以看出，基于二阶导数的边缘检测包含两部分处理过程：一是计算二阶导数，二是寻找零交叉点。由于二阶导数对噪声相当敏感，因此在计算前需要对图像进行平滑处理。在选择平滑滤波器时，需要满足两个标准：第一，滤波器应该是平滑的且在频域中大致是有限带宽的，以便减少会导致函数变化的可能频率数；第二，空间定位的约束要求滤波器的响应需要来自于图像中的邻近点。这两个标准是矛盾的，但是通过使用高斯分布可以同时得到优化。高斯函数的基本形式为： 其中(x，y)为图像坐标，σ为标准差，与滤波器操作邻域的大小成正比。离算子中心越远的像素影响越小，离中心超过3σ的像素的影响可以忽略不计，二阶导数为： 该公式通常称为高斯型的拉普拉斯算子(LOG， Laplacian of a Gaussian)，由于其图形形状的原因，该算子也被称为墨西哥草帽(Mexicanhat)。 第三节 图像特征提取算子 根据前面讨论，可以得到计算图像二阶导数的一种方法：先用上式与图像进行卷积，然后计算平滑后的图像的二阶导数。可用式： 由于二阶导数是线性运算，所以卷积运算与微分运算的顺序可以交换，即： 也就是说，可以使用另一种方法来实现图像的平滑及二阶导数的计算：先用计算高斯平滑函数的二阶导数，然后将得到的结果与图像进行卷积运算。这两种方法得到的效果相同，但具体实现的过程不同。前者需要用到2个掩模(一个实现平滑滤波，一个实现二阶导数计算。 第三节 图像特征提取算子 通过这两种方法可以得到图像二阶导数对应的LOG图像，下面介绍两种零交叉点的方法： 第一种方法，设置LOG图像的所有正值区域为白色，负值区域为黑色；在白色与黑色之间的就是零点交叉。这种方法实现简单，但会出现空心粉效应。 第二种方法，使用一个2×2的窗口检测零交叉点，当两种极性的LOG图像数值同时出现在该窗口内时，就将边缘标签任意给一个角点；当窗口内的数值都是正或负时，就不给边缘标签。这种方法灵敏度很高，会检测到非常弱的边缘的零交叉点，因此一般需要通过一阶导数来消除这些点。 边缘检测方法还不只这些，还有Canny算子、小波变换的方法、形态学的方法、模糊理论的方法、神经网络的方法、遗传学的方法等。在Matlab有些边缘特征的提取有函数可以直接调用，因而比较方便的实现。 还有一些其他的特征，像面特征，线特征等，但都不如点特征和边缘特征典型，因而这两种特征在实际应用中也较多。 第三节 图像特征提取算子