2-11_边缘检测方法.pptxVIP

计算机视觉基础知识边缘检测

目录基本特征Roberts算子Prewitt算子Canny算子Soble算子Scharr算子Laplacian算子

01基本特征

基本特征边缘边缘是图像最基本的特征边缘是图像性区域和另一个属性区域的交接处，是区域属性发生突变的地方，是图像中不确定性最大的地方，也是图像信息最集中的地方图像的边缘提取在计算机视觉系统的初级处理中具有关键作用，但仍是“瓶颈”问题。为了检测边缘，需要检测图像中的不连续性，可以使用导数来检测不连续性。、梯度就是X方向的箭头和Y方向的箭头的和。假设某一点上,x的偏导数为3,y的偏导数为-1,则该点的梯度就是(3,-1)。

基本特征形状形状特征是很重要的一个特征就像我们在描述一个画面的时候经常会说图像的某个部位包含某个形状的元素，在对图像识别和理解的时候，形状有很重要的作用。

基本特征纹理类似于颜色、形状，纹理也是图像的一种特征。Goold等人对纹理给出了一个较为模糊的定义。他们认为，纹理是由大量或多或少有序的相似的基元或模式组成的一种结构，这些基元或者模式中没有一个是特别引人注目的。纹理基元可以按照某种确定性的规律或者某种统计规律来排列，前者形成规则纹理，后者则形成随机性纹理。Hawkins曾经对纹理给出了一个比较详细的描述，他认为纹理有三个主要的标志：某种局部的序列性在比该序列更大的区域内不断重复；序列是由基本元素非随机排列组成的；各部分大致是均匀的，在纹理区域内的任何地方都有大致相同的结构。

基本特征角点角点就是极值点在某方面属性特别突出的点在某些属性上强度最大或者最小的孤立点、线段的终点。

02Roberts算子

Roberts算子Roberts算子分别检测135度方向的变化和45度方向的变化在图像内部，由于相近像素值相减之后会变成0，变成了黑色背景，而边缘处像素值相差大，相减的差分值作为新的像素值。因此能够将图像边缘处的像素值识别出来，得到图像的轮廓。

Roberts算子Roberts算子上面的两个卷积会得到145度和45度两个方向的卷积结果将两个结果合并得到最后的输出结果有4种合并方式：取两个矩阵对应位置绝对值的和；取两个矩阵对应位置平方和的开方；取两个矩阵对应位置绝对值的最大值；插值法。

Roberts算子（2）程序中定义算子robert135=np.array([[1,0],[0,-1]],dtype=int)robert45=np.array([[0,1],[-1,0]],dtype=int)（3）运算img3=cv2.filter2D(img2,cv2.CV_16S,kernel=robert135)img4=cv2.filter2D(img2,cv2.CV_16S,kernel=robert45)

Roberts算子（4）结果取绝对值img3=cv2.convertScaleAbs(img3)img4=cv2.convertScaleAbs(img4)（5）和并两个运算img5=cv2.addWeighted(img3,0.5,img4,0.5,0)img3和img4是两个需要合并的图像，第二个参数和第四个参数的0.5分别表示两个图像的权重，最后一个参数表示两张图像求和之后增加的数值，这里的0表示不增加。

Roberts算子#引入库importcv2importnumpyasnp#读取图像img=cv2.imread(lena.jpg)img2=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#定义算子robert135=np.array([[1,0],[0,-1]],dtype=int)robert45=np.array([[0,1],[-1,0]],dtype=int)#滤波运算img3=cv2.filter2D(img2,cv2.CV_16S,kernel=robert135)img4=cv2.filter2D(img2,cv2.CV_16S,kernel=robert45)#结果处理img3=cv2.convertScaleAbs(img3)img4=cv2.convertScaleAbs(img4)#合并两个方向的结果img5=cv2.addWeighted(img3,0.5,img4,0.5,0)#显示计算结果cv2.imshow(img,img5)cv2.waitKey(0)cv2.destroyAllWindows()

03Prewitt算子

Prewitt算子（1）Prewitt算子水平方向和垂直方向的卷积核锚点为中心点在进行边缘检测时，也是先分别进行水平和垂直方向的差分计算，最后再进行合并。