第七章邻域运算-图像处理.pptVIP

4 边缘检测 Lenna的Sobel边界 思考一下：产生出这幅图还需要什么中间步骤？ 4 边缘检测 Lenna的Prewitt边界 4 边缘检测 Lenna的Roberts边界 4 边缘检测 4）边缘检测算法的基本步骤 （1）滤波。边缘检测主要基于导数计算，但受噪声影响。但滤波器在降低噪声的同时也导致边缘强度的损失。 （2）增强。增强算法将邻域中灰度有显著变化的点突出显示。一般通过计算梯度幅值完成。 （3）检测。但在有些图像中梯度幅值较大的并不是边缘点。最简单的边缘检测是梯度幅值阈值判定。 （4）定位。精确确定边缘的位置。 4 边缘检测 4 边缘检测 5）二阶算子（拉普拉斯算子） 直方图法 梯度阈值法 二阶过零点法 4 边缘检测 一阶导数的局部最大值对应着二阶导数的零交叉点（Zero crossing）。这样通过求图像的二阶导数的零交叉点就能找到精确边缘点。 在二维空间，对应二阶导数算子有拉普拉斯算子。 4 边缘检测 是不依赖边缘方向的二阶微分算子，是一个标量而不是一个向量，具有旋转不变性即各向同性的性质。 4 边缘检测 用卷积模板表示为： 注意：与梯度算子的不同, 只需要一个卷积模板 4 边缘检测 例：在下列图像中，判断一阶差分梯度算子和Laplacian算子的区别。图中…处表示1，其他为0。 其中一阶差分梯度算子采用 4 边缘检测 4 边缘检测 A图中对孤立的点，输出的是一个扩大略带模糊的点和线。 B图和C图中对线的端点和线，输出的是加粗了的端点和线。 D中对阶跃线，输出的只有一条线。 对梯度运算，梯度算子的灰度保持不变。而对拉氏算子，孤立点增加4倍，端点增加3倍，线增加2倍，界线不变。 拉氏算子在实际应用中对噪声敏感。因此在实际中通常不直接使用。(请思考二阶导数的定义？) 4 边缘检测 6）过零点检测：Marr算子（LoG算法） （1）基本原理 A) 对有噪声信号，先滤波 B) 再对g(x)求一阶或二阶导数以检测边缘点 4 边缘检测 因此下面两步骤在数学上是等价的： 求图像与滤波器的卷积，再求卷积的拉氏变换。 求滤波器的拉氏变换，再求与图像的卷积。 C) 滤波器h(x)应满足以下条件 4 边缘检测 4 边缘检测 （2）Marr边缘检测算法 step1:平滑滤波器采用高斯滤波器； step2:边缘增强用二阶导数（二维拉普拉斯函数）； step3:边缘检测判据是二阶导数零交叉点； step4:采用线性插值的方法估计边缘的位置。 因为采用Laplacian算子，故有LoG（Laplacian of Gaussian）滤波器。 4 边缘检测 离散拉普拉斯高斯模板（5*5，delta=2） 4 边缘检测 （3）为符合人类视觉生理，用DoG逼近 Difference of Gaussian 4 边缘检测 （4）Marr过零点检测的优缺点 过零点（Zero-crossing）的检测所依赖的范围与参数delta有关，但边缘位置与delta的选择无关，若只关心全局性的边缘可以选取比较大的邻域(如delta= 4 时，邻域接近40个像素宽)来获取明显的边缘。 过度平滑形状，例如会丢失角点； 倾向产生环行边缘。 为什么？请思考。 4 边缘检测 Marr边缘Delta=2 4 边缘检测 Marr边缘delta=4 4 边缘检测 7）Canny边缘检测——最优的阶梯型边缘检测算法 （1）基本原理 图像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。 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。 类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。 （1） 弱边缘也应该有强响应；（2) 保证良好的定位；（3）一个边缘只有一次检测。 4 边缘检测 （2）Canny边缘检测算法 step1:用高斯滤波器平滑图像； step2:用一阶偏导的有限差分来计算梯度的幅值和方向； step3:对梯度幅值进行非极大值抑制； step4:用双阈值算法检测和连接边缘。 step1:高斯平滑函数： 4 边缘检测 step2:一阶差分卷积模板： 4 边缘检测 step3:非极大值抑制 仅仅得到全局的梯度并不足以确定边缘，因此为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。（non-maxima suppression,NMS） 解决方法：利用梯度的方向。 1 2 3 8 4 7 6 5 4 边缘检测 四个扇区的标号为0到3，对应3*3邻域的四种可能组合。 在每一点上，邻域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大，则令M=0。 即：