2026《基于边缘的图像分割概述》1300字.docxVIP

基于边缘的图像分割概述

一般来说，边缘是一个图像的记忆点，这里说的边缘可能跟我们平常所理解的边缘意思有一点不同，图像中的边缘指的是有垂直的走向，某一点像素值陡峭式的发生变化，而这种变化也分为好几种。突然。在这些元素之间边缘是随处可见的。不过，也正是因为这个记忆点，证明了边缘是一个很关键的信息。人们经常使用的就是Sobel算子等。但是有个缺点，那就是用这些算子一般会因为梯度的原因导致不够精准﹐所以呢，在用这些算子的时候，科研人员要辛苦一点做下细化。

边缘（或边沿）函数是一个可以指其周围所有像素的某个灰度函数值或者具有随着阶跃性发生变化或屋顶等的性质发生变化的那些周围像素的函数集合，也就是说这个边缘通常来说是一个结果关于灰度连续，但是，这种不连续通过一定的方法也能轻松求到，一般可以通过一阶导出函数和二阶导数两种计算形式使用来直接进行灰度检测比如边缘。边缘被大家统一是认为存在很多元素之间。通过以上的信息，相信大家都能够理解边缘的重要性，而边缘性图像信息则认为是一种对整个图像的信息加密性进行描述，所需要包括的往往都可能是整个图像中最重要的图像信息，故对于这些图像信息进行加密提取的边缘性就可能会很好地大大减少我们需要做的。

常见的边缘剖面有3种：

(1）阶梯状边缘：阶梯形的相邻边缘位置是分别处于同一图像中两个各自分别具有不同二次灰度函数值的不同相邻边缘区域之间，可用二次灰阶导出函数的相邻通道过程和零点方法来准确判断其相邻边缘的正确位置；

(2）脉冲状边缘：主要特点是一个对应于细微线条状脉冲灰度和阈值脉冲突变的边缘区域，通过灰度检测二十一阶导通函数经常不能超过零点就已经可以准确判断出脉冲的突变大小；

(3）屋顶状边缘：由于整个屋顶状的整体边缘位置是在一阶灰度引导值由开始增加至逐渐减少之间变化的一个转折点，通过对一阶灰度引导数的值经过零的灰度观察就已经可以准确判断并得出整个屋顶的边缘位置。

1.1Sobel算子原理

有一种微分算子是Sobel，它和图像分割的另外两种分子有相似的地方，不过它的卷积算子和Prewitt分子只是系数不同，不同的是Sobel作出了加权，在这三种里面成果是不错的。平常工作人员进行边缘检测时，最常用的方法就是Sobel分子了，在一定环境中，它是一种在不同程度上的网格函数中的算子，而这种算子一般也被实验人员用来计算某些图像的灰度值。

Sobel算子的表达式：

图2.1X方向的算子图2.2Y方向算子

其中，卷积核亦可以进行旋转，用于检测不与x,y轴相垂直或平行于某一个方向上的边缘。

用这个公式将横纵梯度的平均值相融，这样可以确定一个新值：

具体计算如下：

Gx=(-1)*f(x-1,y-1)+O*f(x,y-1)+1*f(x+1,y-1)

+(-2)*f(x-1,y)+O*f(x,y)+2*f(x+1,y)

+(-1)*f(x-1,y+1)+O*f(x,y+1)+1*f(x+1,y+1)

=[f(x+1,y-1)+2*f(x+1,y)+f[x+1,y+12]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]

Gy=1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)

+O*f(x-1,y)O*f(x,y)+O*f(x+1,y)

+(-1)*f(x-1,y+1)＋(-2)*f(x,y+1)+(-1)*f(x+1，y+1)

=[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)＋2*f(x,y+1)+f(x+1,y+1)]

其中f(a,b)，表示图像（a,b）点的灰度值。

1.2图像梯度及其性质

我们假设存在一个图像函数，首先我们知道其是拥有大小和方向上的物理量的，首先我们先设gx和gy是该方向上的变化率，它的值可以这样用数学语言描述出来：

该向量意思是在位置（x,y）处的最大变化率的方向

梯度的方向是函数f(x,y）变化最快的方向，假设有边缘存在时，绝对会存在有更大的梯度值，不同的是，假设存在存在对立的平滑的成分时，灰度值几乎不会怎么变，然后相对的梯度也更小，图像处理中把梯度的模叫做为梯度，也被叫做梯度图像。

向量f的大小表示为

梯度向量方向表示为