形状特征完成版.pptxVIP

形状特征;形状特征;1.形状描述特征;1.1基于轮廓的描述;1链码;八链码原理图 ;2周长;2周长;3斜率、曲率和角点;4基于多边形的特征参数;4基于多边形的特征参数;4基于多边形的特征参数;4基于多边形的特征参数; 基于空间域描述轮廓的方法给出的结果太概括，对轮廓特性的描绘比较抽象．事实上仅由几何参数往往不能完全确定物体轮廓．而基于变换域描述轮廓的方法能够以一定精度描述轮廓特性，并可以进行相似度的定量比较．接下来将分别对傅里叶描述符合小波轮廓描述符进行介绍，;5傅里叶描述子;5傅里叶描述子;5傅里叶描述子;5傅里叶描述子;5傅里叶描述子;6小波轮廓描述符;6小波轮廓描述符;6小波轮廓描述符;6小波轮廓描述符;1.2.基于区域的描述;1.2.1长轴和短轴;1.2.2区域面积;1.2.3矩形度;1.2.4圆形度;1.2.5不变矩;1.2.5不变矩;1.2.5不变矩;1.2.5不变矩;2.边缘检测;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。 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中。 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。;;线性边缘检测;在图像没有噪声的情况下，Roberts算子、Sobel算子、Prewitt算子，都能够比较准确的检测出图像的边缘。 加入高斯白噪声后，三种边缘检测算子的边缘检测效果都多少受到噪声的干扰， 随着噪声的增加，噪声的影响加重，检测出大量的噪声点和伪边缘，甚至无法检测出边缘。 Roberts算子受噪声的影响最大，Sobel算子、Prewitt算子受噪声影响比Roberts算子小的原因： (1)Roberts边缘检测算子采用对角线方向相邻两像素之差进行梯度幅度检测，其检测水平和垂直方向边缘的性能好于斜线方向，并且检测定位精度比较高，但对噪声敏感。;(2)Sobel边缘检测算子是综合图像每个象素点的上、下、左、右邻点灰度的加权和，接近模板中心的权值较大，不但可以产生较好的边缘效果，而且对噪声具有平滑作用，减小了对噪声的???感性。 Sobel边缘检测算子也检测出了一些伪边缘，使得边缘比较粗，降低了检测定位精度。在检测定位精度要求不是很高的情况下，Sobel算子是比较常用的边缘检测算子。 (3)Prewitt边缘检测算子是一种类似Sobel边缘检测算子的边缘模板算子，它同样对噪声有平滑作用。 与Sobel边缘检测算子一样，它检测出的边缘比较粗，定位精度比较低，容易损失如角点这样的边缘信息。;由于各种原因，图像总是受到随机噪声的干扰，可以说噪声无处不在。 经典的边缘检测方法由于引入了各种形式的微分运算，从而必然引起对噪声的极度敏感，边缘检测的结果常常是把噪声当作边缘点检测出来，而真正的边缘也由于受到噪声干扰而没有检测出来。 对于有噪声图像来说，一种好的边缘检测方法应该具有良好的噪声抑制能力，同时又有完备的边缘保持特性。;经典的边缘检测算子具有实现简单、运算速度快等特点，但其检测受噪声的影响很大，检测结果不可靠，不能准确判定边缘的存在及边缘的准确位置，造成这种情况的原因： (1)实际边缘灰度与理想边缘灰度值间存在差异，这类算子可能检测出多个边缘； (2)边缘存在的尺度范围各不相同，这类算子固定的大小不利于检测出不同尺度上的所有边缘； (3)对噪声都比较敏感。 这类算子存在上述缺陷的关键是其等效平滑算子过于简单。为解决这一问题发展并产生了平滑滤波边缘检测方法，也就是边缘检测理论中最成熟的线性滤波方法，也称线性滤波边缘检测算子;一阶微分是一个矢量，既有大小又有方向，和标量相比，它的存储量大。另外，在具有等斜率的宽区域上，有可能将全部区域都当作边缘检测出来。因此，有必要求出斜率的变化率，即对图像函数进行二阶微分运算;Laplacian算子提取边缘的形式，即二阶偏导数的和，它是一个标量，属于各向同性的运算，对灰度突变敏感。在数字图像中，可用差分来近似微分运算，其离散计算形式为：;改进的Laplacian算法;LOG边缘检测;;;称之为墨西哥草帽算子。 (1)求图像与高斯滤波器卷积，再求卷积的拉普拉斯变换； (2)求高斯滤波器的拉普拉斯变换，再求与图像的卷积。 滤波、增强、检测这三个边缘检测步骤对使用LOG边缘检测仍然成立， 平滑是用高斯滤波器来完成的； 增强是将边缘转换成零交叉点来实现的； 边缘检测是通过检测零交叉点来进行的。;;canny;;在没有噪声的情况下，Laplacian算子、LOG算子和Canny算子都可以得到比较好的检测效果，检测效果优于经典边缘检测