《基于强度的分析方法》.pptVIP

检测结果 Roberts 算子通过对角线方向上相邻的两个像素之差近似梯度幅值。计算出来的梯度近似值位置相同，点位于内插点[i +1/2, j +1/2]处，即在 2×2 邻域的四个像素之间。 结论 该算子仅对噪声干扰小且边缘较为陡峭的图像有着较为理想的检测效果。 优势： 提取水平边缘和垂直边缘时 效果好，定位精度高 劣势： 对斜边缘的提取效果不理想，存在漏检。 不能有效的抑制噪声 Sobel算子 改善目的 为改善该算子中会增强边缘和噪音的特性 改善方法 上述差分式分别求出了灰度在x 和y 方向上的变化率, 但是 要对每一个像素进行以上的运算, 运算量较大, 所以在实际 中采用小型模板利用卷积来近似计算, 对x 方向和y 方向分 别使用一个模板。 Sobel 算子是在3×3邻域内计算x 方向和y 方向的偏导数 该方法赋予了上下左右四个像素点更大的权重。 fx = [f(x + 1,y - 1)+2f( x + 1,y)+f(x + 1,y + 1)]- [f(x - 1,y - 1)+2f(x - 1,y)+f(x - 1,y + 1)] fy = [f( x - 1,y + 1)+2f(x,y + 1)+f(x + 1,y + 1)]- [ f( x - 1,y - 1)+2f(x ,y)+f(x + 1,y - 1)] Sobel 算子模板 i方向 j方向 条纹中的每个点都与图中的两个模板作卷积 第一个模板对水平边缘影响最大; 第二模板对垂直边缘影响最大。 两个卷积的最大值作为该点的输出, 运算结果是一幅边缘幅度图像。 -1 0 1 -2 0 2 -1 0 1 -1 -2 -1 0 0 0 1 2 1 总结 Sobel 边缘检测算子是一种非线性边缘算子 本质上是通过计算一阶导数来检测边缘的, 同时也可以给出边缘点的梯度方向。该算子在求梯度值前，先进行邻域的加权平均，再进行微分，它是边缘检测中最常用的算子。 优势： 适合于直干涉条纹的处理 受噪声影响小 使用大的邻域时,抗干扰特性会更好 劣势： 会使边缘较粗 既有大小又有方向, 因此, 数据存储量较大 Laplacian 算子 基本思想 图像边缘点除了对应于一阶微分幅度大的特点外, 也对应于二阶微分的零交叉点, 即就是在图像拐点位置处的二阶导数为零。 检测方法 通过寻找二阶导数的零交叉点来寻找边缘 基于二阶微分 二元图像函数f(x,y)的Laplacian 变换为： 用差分代替偏微分，可以在i方向和j方向上得到二次偏微分： fi2(i,j)= fi(i+,j)-fi(i,j) =f(i+1,j)-2f(i,j)+f(i-1,j) fi2(i,j) fj2(i,j)= fj(i,j+)-fj(i,j) =f(i,j+1)-2f(i,j)+f(i,j-1) fj2(i,j) Laplacian 算子是一个标量, 具有各向同向性，同时具有线性和位移不变性，其离散形式为: Laplacian 算子也是借助各种模板卷积实现的(邻域中心值具有较大权重) 缺陷 一阶导数对噪声敏感, 因而不稳定, 由此, 二阶导数对噪声会更加敏感, 因而会更不稳定。 0 -1 0 -1 4 -1 0 -1 0 -1 -1 -1 -1 8 -1 -1 -1 -1 Laplacian 算子改进 改进目的 在实际的干涉图中, 不仅有有规律的灰度值分布, 而且有噪声存在。由于求导运算起到了噪声放大 的作用, 因而这类方法效果并不好。 改进方法 改进的方法是先对图像进行适当的平滑, 以抑制 噪声, 然后求导数。 平滑方法 对图像进行线性平滑, 在数学上是进行一次卷积 运算，一般来说，我们用Gauss函数来进行平滑。 这种将高斯滤波和拉普拉斯边缘检测结合在一起的方法就称为LoG(Laplacian of Gauss)算子法。 对图像的卷积为：