经典图像边缘检测算法.docVIP

4 经典图像边缘检测算法 4.1 经典边缘检测的基本方法 我们知道，边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。边缘检测算法有如下四个步骤（其过程如图 4-1 所示）: 原始图像 原始图像 平滑图像 梯度或含过零点图像 边界点 滤波 检测 增强 图4-1 图像边缘检测流程图 滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折衷。 增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域（或局部）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：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。 定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。边缘检测误差通常是指边缘误分类误差，即把假边缘判别成边缘而保留，而把真边缘判别成假边缘而去掉。边缘估计误差是用概率统计模型来描述边缘的位置和方向误差的。我们将边缘检测误差和边缘估计误差区分开，是因为它们的计算方法完全不同，其误差模型也完全不同。 边缘检测是检测图像局部显著变化的最基本运算．在一维情况下，阶跃边缘同图像的一阶导数局部峰值有关．梯度是函数变化的一种度量，而一幅图像可以看作是图像强度连续函数的取样点阵列．因此，同一维情况类似，图像灰度值的显著变化可用梯度的离散逼近函数来检测．梯度是一阶导数的二维等效式，定义为向量 (4-1) 有两个重要的性质与梯度有关：(1) 向量的方向就是函数增大时的最大变化率方向； (2) 梯度的幅值由下式给出： (4-2) 在实际应用中，通常用绝对值来近似梯度幅值： (4-3) 或 (4-4) 由向量分析可知，梯度的方向定义为 (4-5) 其中 α 角是相对 x轴的角度 注意梯度的幅值实际上与边缘的方向无关，这样的算子称为各向同性算子(isotropic operators)． 对于数字图像，方程 2.1 的导数可用差分来近似．最简单的梯度表达式为 (4-6) 请注意对应于轴方向，而对应于负轴方向。这些计算可用下面的简单卷积模板来完成： 1 -1 -1 1 在计算梯度时，计算空间同一位置 x和 y处的真实偏导数是至关重要的。然而采用上面公式计算的梯度近似值 Gx 和 G y并不位于同一位 置 ， G x实 际 上 是 内 插 点 [i , j +1 / 2 ]处 的 梯 度 近 似 值 ， G y是 内 插 点[i + 1/2,j]处的梯度近似值．由于这个缘故，人们常常使用 2× 2一阶差分模板（而不用 1× 2或 2× 1模板）来求 x和 y的偏导数： 用上式计算 x 和 y 方向梯度的位置是相同的，这一点位于内插点 [ i + 1/2,j+1/2]处，即在 2× 2邻域的所有四个像素点之间。 根据以上基本理论，在最近的二十年里发展了许多边缘检测器，下面将讨论常用的几种边缘检测器[14]。 4.2 经典的边缘检测算子 4.2.1 差分边缘检测 当我们处理数字图像的离散域时，可用图像的一阶差分直接代替图像函数的导数。二维离散图像函数在 x 方向的一阶差分定义为： (4-7) 方向上的一阶差分定义为