滤波和讲义边缘检测
边缘检测
边缘检测算子图像配准的方法7.4.1 基于特征的图像配准基于特征的图像配准首先提取图像信息的特征，然后以这些特征为模型进行配准。
特征提取的结果是一含有特征的表和对图像的描述，每个特征由一组属性表示，对属性的进一步描述包括边缘的定向和弧度、区域的大小等。
局部特征之间存在着相互关系，如几何关系、辐射度量关系、拓扑关系等。
可以用这些局部特征之间的关系描述全局特征。
通常基于局部特征配准大多都是基于点、线或边缘的，而全局特征的配准则是利用局部特征之间的关系进行配准的方法。
由于图像的特征点比图像的像素点要少很多，因此大大减少了配准过程的计算量，但特征提取方法的计算代价通常较大，不便于实时应用。
特征点的配准度量值对位置的变化比较敏感，可以大大提高配准的精确程度。
对于纹理较少的图像区域提取的特征的密度通常比较稀少，局部特征的提取就比较困难。
特征点的提取过程可以减少噪声的影响，对灰度变化、图像形变和遮挡等都有较好的适应能力。
因此，在图像配准领域得到了广泛应用。
基于特征的图像配准方法有两个重要环节：特征提取和特征配准。
7.4.2 基于互信息的图像配准医学图像配准技术从基于特征的配准方法发展到基于统计的配准方法有其突破性的意义。
与基于特征的配准方法相比，基于统计的配准方法的突出优点为鲁棒性好、配准精度高、人工干预少。
基于统计的配准方法通常是指最大互信息的图像配准方法。
基于互信息的图像配准是用两幅图像的联合概率分布与完全独立时的概率分布的广义距离来估计互信息，并作为多模态医学图像配准的测度。
当两幅基于共同的解剖结构的图像达到最佳配准时，它们的对应像素的灰度互信息应为最大。
由于基于互信息的配准对噪声比较敏感，首先，通过滤波和分割等方法对图像进行预处理。
然后进行采样、变换、插值、优化从而达到配准的目的。
基于互信息的配准技术属于基于像素相似性的方法。
它基于图像中所有的像素进行配准，基于互信息的图像配准引入了信息论中的概念，如熵、边缘熵、联合熵和互信息等，可使配准精度达到亚像素级的高精度。
邻域变换的名词解释
邻域变换的名词解释邻域变换，又称局部变换或局部操作，是一种图像处理中常见的操作方法。
它通过对图像中的每个像素及其周围一定范围内的像素进行处理，从而改变图像的外观或特征。
邻域变换广泛应用于图像增强、去噪、分割以及特征提取等领域，具有重要的理论和实际意义。
一、邻域变换的基本原理和方法邻域变换的基本原理是基于图像的空间域，通过对像素的局部环境进行处理，以实现对整个图像的改变。
邻域变换的方法有很多种，常见的包括均值滤波、中值滤波、高斯滤波等。
1. 均值滤波均值滤波是一种简单而有效的邻域变换方法，它通过计算邻域内像素的平均值来替代中心像素的灰度值。
均值滤波主要用于图像去噪的应用，能够减少图像中的噪声，平滑图像的细节和纹理。
2. 中值滤波中值滤波是一种非线性的邻域变换方法，它通过计算邻域内像素的中值来替代中心像素的灰度值。
相对于均值滤波，中值滤波能够更好地保留图像的边缘和细节信息，常用于去除图像中的椒盐噪声。
3. 高斯滤波高斯滤波是一种基于高斯函数的邻域变换方法，它通过对邻域内的像素赋予权重来计算中心像素的灰度值。
高斯滤波能够产生平滑的效果，常用于图像增强和去噪的处理。
二、邻域变换在图像增强中的应用邻域变换在图像增强中具有重要作用，能够改善图像的质量和视觉效果。
以下介绍几种常见的邻域变换方法在图像增强中的应用。
1. 直方图均衡化直方图均衡化是一种常用的邻域变换方法，通过对图像的灰度值进行重新分配，增强图像的对比度和亮度。
直方图均衡化能够使图像整体变得更加清晰明亮，常被应用于图像显示和图像识别等领域。
2. 锐化滤波锐化滤波是一种通过对图像进行邻域变换来增强图像细节的方法。
它通过对图像进行高通滤波，使得图像中的边缘和纹理更加清晰和突出。
锐化滤波常用于图像增强和特征提取等任务中。
3. 维纳滤波维纳滤波是一种理想的、最优的邻域变换方法。
它基于统计模型，能够在去除图像噪声的同时保持图像的细节信息。
维纳滤波广泛应用于图像去噪和图像复原等领域，但对于复杂的噪声情况和模糊图像可能效果有限。
边缘检测的原理
边缘检测的原理概述边缘检测是计算机视觉领域中一种常用的图像处理技术，用于检测图像中的边缘信息。
边缘是指图像中灰度级发生突变的区域，通常表示物体的轮廓或对象的边界。
边缘检测在很多图像处理应用中起着重要的作用，如图像分割、目标检测、图像增强等。
基本原理边缘检测的基本原理是利用像素点灰度值的变化来检测边缘。
在数字图像中，每个像素点都有一个灰度值，范围通常是0到255。
边缘处的像素点灰度值变化较大，因此可以通过检测像素点灰度值的梯度来找到边缘。
常用算法1. Roberts算子Roberts算子是一种基于差分的边缘检测算法。
它通过计算相邻像素点之间的差值来检测边缘。
具体计算方式如下：1.将图像转换为灰度图像。
2.将每个像素点与其相邻的右下方像素点（即(i,j)和(i+1,j+1)）进行差值计算。
3.将每个像素点与其相邻的右上方像素点（即(i,j+1)和(i+1,j)）进行差值计算。
4.对上述两组差值进行平方和再开方得到边缘强度。
5.根据设定的阈值对边缘强度进行二值化处理。
2. Sobel算子Sobel算子是一种基于滤波的边缘检测算法。
它通过使用两个卷积核对图像进行滤波操作，从而获取图像中每个像素点的梯度信息。
具体计算方式如下：1.将图像转换为灰度图像。
2.使用水平和垂直方向上的两个卷积核对图像进行滤波操作。
3.将水平和垂直方向上的滤波结果进行平方和再开方得到边缘强度。
4.根据设定的阈值对边缘强度进行二值化处理。
3. Canny边缘检测算法Canny边缘检测算法是一种基于多步骤的边缘检测算法，被广泛应用于计算机视觉领域。
它在边缘检测的精度、对噪声的抑制能力和边缘连接性上都有很好的表现。
Canny算法的主要步骤包括：1.将图像转换为灰度图像。
2.对图像进行高斯滤波以减小噪声的影响。
3.计算图像的梯度和方向。
4.对梯度进行非极大值抑制，只保留局部极大值点。
5.使用双阈值算法进行边缘连接和边缘细化。
6.得到最终的边缘图像。
第六章边缘检测
第六章边缘检测边缘（edge)是指图像局部亮度变化最显著的部分.边缘主要存庄于目标与目标、目标与背景、区域与区域（包括不同色彩）之间，是图像分割、纹理特征提取等图像分析的重要基础，图像分析和理解的第一步常常是边缘检测（edge detection），由于边缘检测十分重要，因此成为机器视觉研究领域最活跃的课题之一，本章主要讨论边缘检测和定位的基本概念，并通过几种常用的边缘检测器来说明边缘检测的基本问题。
图像中的边缘通常与图像亮度或图像亮度的一阶导数的不连续性有关.图像亮度的不连续可分为:①阶跃不连续，即图像亮度在不连续处的两边的象素灰度值有着显著的差异;②线条不连续，即图像亮度突然从一个值变化到另一个值，保持一个较小的行程后又返回到原来的值.在实际中，阶跃和线条边缘图像是很少见的，由于大多数传感元件具有低频特性，使得阶跃边缘变成斜坡型边缘，线条边缘变成屋顶形边缘，其中的亮度变化不是瞬间的，而是跨越一定的距离，这些边缘如图6.1所示。
对一个边缘来说，有可能同时具有阶跃和线条边缘特性.例如在一个表面上，由一个平面变化到法线方向不同的另一个平面就会产生阶跃边缘;如果这一表面具有镜面反射特性且两平面形成的棱角比较圆滑，则当棱角圆滑表面的法线经过镜面反射角时，由于镜面反射分量，在棱角圆滑表面上会产生明亮光条，这样的边缘看起来像在阶跃边缘上叠加了一个线条边缘.由于边缘可能与场景中物体的重要特征对应，所以它是很重要的图像特征.比如，一个物体的轮廓通常产生阶跃边缘，因为物体的图像亮度不同于背景的图像亮度。
在讨论边缘算子之前，首先给出一些术语的定义：边缘点：图像中亮度显著变化的点.边缘段：边缘点坐标[i,j]及其方向θ的总和，边缘的方向可以是梯度角.边缘检测器：从图像中抽取边缘(边缘点或边缘段）集合的算法.轮廓:边缘列表，或是一条边缘列表的曲线模型.边缘连接:从无序边缘表形成有序边缘表的过程.习惯上边缘的表示采用顺时针方向来排序.边缘跟踪:一个用来确定轮廓图像(指滤波后的图像）的搜索过程.边缘点的坐标可以是边缘位置象素点的行、列整数标号,也可以在子象素分辨率水平上表示.边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系表示，因为滤波过程可能导致图像坐标平移或缩放.边缘段可以用象素点尺寸大小的小线段定义，或用具有方向属性的一个点定义.请注意，在实际中，边缘点和边缘段都称为边缘。
《滤波和边缘检测》PPT课件
2021/4/25
非极大值抑制原理
15
最后一步，Canny 使用了滞后阈值，滞后阈值需要两个阈 值(高阈值和低阈值): Ⅰ.如果某一像素位置的幅值超过高阈值, 该像素被保留为 边缘像素。 Ⅱ.如果某一像素位置的幅值小于低阈值, 该像素被排除。 Ⅲ.如果某一像素位置的幅值在两个阈值之间,该像素仅仅在 连接到一个高于高阈值的像素时被保留。（把不闭合的边 缘链接成轮廓）
2
噪声对人的影响可以理解为“ 妨碍人们感觉器官对所 接收的信源信息理解的因素”。而图像中各种妨碍人 们对其信息接受的因素即可称为图像噪声 。 常见的图像噪声有：高斯噪声，椒盐噪声，瑞利噪声， 伽马噪声，指数分布噪声和均匀分布噪声等。
2021/4/25
3
所谓高斯噪声是指它的概率密度 函数服从高斯分布（即正态分布） 的一类噪声。一个高斯随机变量z 的PDF可表示为：
2021/4/25
12
Canny边缘检测算法可以分为以下5个步 骤： 1.应用高斯滤波来平滑图像（目的是去 除噪声） 2.找寻图像的强度梯度（由Sobel算子来 获得） 3.应用非最大抑制技术来消除边误检 4.应用双阈值的方法来决定可能的边界 5.利用滞后技术来跟踪边界
2021/4/25
13
下面介绍一下如何计算图像的强度梯度： Sobel算子：
2021/4/25
16
效果还是不错的！！！
2021/4/25
17
谢谢观赏
Make Presentation much more fun
2021/4/25
@WPS官方微博
滤波和边缘检测
课程实验报告2017 - 2018学年一学期课程名称：计算机视觉及应用实验名称：滤波和边缘检测班 级：学生姓名: 学号:实验日期: 2017.12.3地点:指导教师:成绩评定:批改日期:实 验 目 的及要求边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。
图像属性中的显著变化通常反映了属性的重要事件和变化。
这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。
边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
实验仪器设备实验设备为一台装有win10系统的PC，qt+opencv软件。
实验原理大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。
噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。
椒盐噪声是指两种噪声，一种是盐噪声（salt noise），另一种是胡椒噪声（pepper noise）。
盐=白色，椒=黑色。
前者是高灰度噪声，后者属于低灰度噪声。
一般两种噪声同时出现，呈现在图像上就是黑白杂点中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。
方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。
二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l ∈W)} ，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。
在通过canny算子和sobel算子进行边缘检测。
canny算子进行边缘检测的原理(1)图象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。
(2)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。
图像处理中的滤波与边缘检测方法
图像处理中的滤波与边缘检测方法图像处理技术在现代科学技术中起着非常重要的作用，因为它们能够处理和分析大量的图像数据，为科学研究和实践应用提供了有力的支撑。
图像处理中的滤波和边缘检测方法是其中非常重要的两个方面，它们可以有效地提取图像中有用的信息，并去除无用的干扰。
下面将重点介绍一下图像处理中的滤波与边缘检测方法。
一、滤波方法滤波方法可以说是图像处理中最基本和最常用的方法之一。
滤波的本质是对图像中的噪声进行去除和抑制，从而提高图像的质量和清晰度。
滤波的实现是通过将图像中的每个像素与其周围的像素进行加权平均，从而得到一个新的像素值。
其中加权系数的选择是非常关键的，因为不同的系数取值会影响到滤波效果的好坏。
常用的滤波方法包括均值滤波、中值滤波、高斯滤波等。
1. 均值滤波均值滤波是一种简单而常用的滤波方法，它的原理是将图像中每个像素周围的邻域像素的像素值取平均数，得到一个新的像素值。
均值滤波的优点是简单易用，而且能够保留较多的图像细节，但其缺点是会模糊图像边缘和细节。
2. 中值滤波中值滤波是一种非线性滤波方法，它的原理是将图像中每个像素周围的邻域像素按照像素值大小排序，然后将排序后的像素值中位数作为新的像素值。
中值滤波的优点是能够去除噪声，同时又能够保留图像的边缘和细节。
但缺点是计算量较大，所以对于大尺寸图像不适用。
3. 高斯滤波高斯滤波是一种线性滤波方法，它的原理是通过对图像中每个像素周围的邻域像素进行加权平均，使得离中心像素近的邻域像素具有更高的权值，离中心像素远的邻域像素则具有较低的权值。
这样可以使得图像中噪声的影响降到最小，并能够保留图像的边缘和细节。
高斯滤波的优点是能够有效地去除噪声，而且不会对图像的边缘和细节造成明显的影响。
二、边缘检测方法边缘是图像中的一种重要的特征，它可以表现出图像中物体的轮廓和形状。
边缘检测的目的就是在图像中找到这些边缘，并将它们提取出来。
边缘检测是一种非常重要的图像处理技术，因为它可以为许多应用提供有用的信息和判断依据，例如物体识别、三维重建、图像压缩和医学成像等。
图像处理中的边缘检测算法优化技巧
图像处理中的边缘检测算法优化技巧边缘检测是图像处理中的重要任务之一，它可以帮助我们识别出图像中物体的轮廓，从而实现物体识别、目标跟踪和边缘增强等应用。
然而，传统的边缘检测算法在处理图像时会面临一些挑战，比如对噪声敏感、边缘模糊或断裂等困难。
在本文中，我将介绍几种图像处理中的边缘检测算法优化技巧，帮助我们解决这些问题。
一. 噪声抑制技巧在进行边缘检测之前，我们需要先抑制图像中的噪声，以减少噪声对边缘检测结果的影响。
常用的噪声抑制技巧包括:1. 均值滤波：通过计算像素周围像素的平均值来平滑图像，从而抑制噪声。
然而，均值滤波容易造成图像模糊，特别是对于边缘部分。
2. 中值滤波：奇迹滤波取像素周围像素的中值作为中心像素的值，从而有效地抑制了噪声，同时保持了边缘的清晰度。
3. 双边滤波：双边滤波通过考虑像素之间的距离差和像素值的相似性，同时平滑图像并保留边缘。
它可以更好地保持图像的细节信息。
二. 边缘增强技巧边缘增强可以帮助我们更好地检测和突出图像中的边缘。
以下是几种常用的边缘增强技巧:1. Roberts算子：Roberts算子是一种基于差分的边缘检测算子，通过计算像素周围像素之间的差异来确定边缘。
它简单有效，但对噪声敏感。
2. Sobel算子：Sobel算子使用了较大的卷积模板，通过计算像素周围像素的梯度来检测边缘。
它对噪声相对稳健，并且可以检测到较弱的边缘。
3. Canny算子：Canny算子是一种基于梯度的边缘检测算法，具有高效率和较低的误检率。
它具有多步骤的处理过程，包括高斯滤波、计算梯度幅值和方向、非极大值抑制和双阈值判定等。
三. 边缘连接技巧在完成边缘检测后，我们需要对离散的边缘点进行连接，以得到完整的边缘轮廓。
以下是几种常用的边缘连接技巧:1. 霍夫变换：霍夫变换是一种常用的边缘连接技术，通过在参数空间中查找边缘线的交点，从而实现边缘的连接和检测。
它对于噪声和缺失的边缘有较好的鲁棒性。
2. 投影分析：投影分析将图像中的边缘投影到直方图中，并通过分析直方图中的峰值来连接边缘。
边缘检测基本步骤
边缘检测基本步骤图像的边缘是指图像局部区域亮度变化显著的部分。
该区域的灰度剖面一般可以看做一个阶跃，即从一个灰度值的很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。
图像的边缘部分集中了了图像的大部分信息，图像边缘的确定与提取对于整个图像场景的识别与理解是非常重要的，同时也是图像分割所依赖的重要特征。
边缘检测主要是图像的灰度变化的度量，检测和定位，自从1959提出边缘检测以来，经过五十多年的发展，已有很多种不同的边缘检测方法。
边缘检测的基本思想是先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置阈值的方法提取边缘点集。
但是由于噪声和图像模糊，检测到的边界可能会有间断的情况放声。
所以边缘检测包含以下两项内容：・用边缘算子提取边缘点集・在边缘点集合众去除某些边缘点，填充一些边缘点，将得到的边缘点集连接成线。
图像边缘检测的基本步骤如图3.2所示。
图3.2 边缘检测算法的基本步骤（1）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。
需要指出的是，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。
边缘检测主要基于导数计算，但受噪声影响。
而滤波器在降低噪声的同时也导致边缘强度的损失。
（2）增强。
增强边缘的基础是确定图像各点邻域强度值有明显变化的点突显出来。
边缘增强一般是通过计算梯度幅值来完成的。
增强算法将邻域中灰度有显著变化的点突出显示。
（3）检测。
在图像中有很多点的梯度幅值比较大，而这些点在特定的应用邻域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。
最简单的边缘检测判据是梯度幅值阈值判据。
但在有些图像中梯度幅值较大的并不是边缘点。
（4）定位。
如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。
详解数字图像的滤波和边缘检测
详解数字图像的滤波和边缘检测⼀、图像滤波图像滤波的主要⽬的就是在尽量保留图像细节特征的条件下对⽬标图像的噪声进⾏抑制。
图像滤波其主要分为线性滤波器和⾮线性滤波器。
1.1 线性滤波器1.1.1 均值滤波原理：在图像上，对待处理的像素给定⼀个模板，该模板包括了其周围的邻近像素。
将模板中的全体像素的均值来替代原来的像素值的⽅法。
以 3×3 的均值滤波器的模板为：w =111111111模板所覆盖的图像的像素为：Image =(i −1,j −1)(i −1,j )(i −1,j +1)(i ,j −1)(i ,j )(i ,j +1)(i +1,j −1)(i +1,j −1)(i +1,j +1)因此，模板中⼼点所对应的像素值可以表⽰为：g (i ,j )=1N N∑i =1Image ⊙w =1N N∑i =11∑m =−11∑n =−1f (i +m ,j +n )在进⾏滤波之前，⼀般会先对原图像进⾏填充，填充的像素⼤⼩为：r =floor (模板宽度/2)，不然的话始终⽆法对图像边缘的像素进⾏滤波。
均值滤波的特点：均值滤波能够降低图像中的尖锐变化，去除图像中的噪声，且滤波窗⼝越⼤，去噪效果越好同时图像也会变得越模糊1.1.1 ⾼斯滤波原理：其实⾼斯滤波和均值滤波的原理差不多，都是⽤⼀个模板（或称卷积、掩模）扫描图像中的每⼀个像素，⽤模板确定的邻域内像素的加权平均灰度值去替代模板中⼼像素点的值。
区别就在于，⾼斯滤波中模板的数值是通过⾼斯函数⽣成的。
还是以 3×3 的模板为例，以模板的左上⾓为坐标原点，模板中⼼的坐标为 (1,1)，则⽣成的⾼斯模板为：w (i ,j )=12πσ2exp −(i −1)2+(j −1)22σ2因此，模板中⼼点所对应的像素值可以表⽰为：g (i ,j )=Image ⊙w (i −1,j −1)w (i −1,j )w (i −1,j +1)w (i ,j −1)w (i ,j )w (i ,j +1)w (i +1,j −1)w (i +1,j )w (i +1,j +1)=1∑m =−11∑n =−1w (i +m ,j +n )f (i +m ,j +n )⾼斯滤波的特点：根据公式可以得到，在计算⾼斯滤波模板时，⾼斯滤波模板的值由中间向四周递减，且标准差越⼩，⼆维⾼斯图像越窄⼩，平滑效果不明显；标准差越⼤，⽽为⾼斯图像越矮宽，滤波效果⽐较明显。
边缘检测的名词解释
边缘检测的名词解释边缘检测是计算机视觉领域中一项重要的图像处理技术，其目的是识别和提取图像中各个物体或场景的边缘信息。
边缘是指图像中颜色或亮度发生明显变化的地方，它标志着物体之间的分界线或者物体与背景之间的过渡区域。
边缘检测能够帮助我们理解图像中的结构，更好地分析图像内容并进行后续的图像处理和分析。
在计算机视觉应用中，边缘检测有着广泛的应用。
例如在目标识别中，边缘检测可以帮助我们找到物体的轮廓，从而进行物体的识别和分类。
在图像分割方面，边缘检测可以用来分割图像中的不同区域，提取感兴趣的物体。
此外，边缘检测还可以用于图像增强、图像压缩等领域。
常用的边缘检测算法包括Sobel算子、Laplacian算子、Canny算子等。
这些算法基于图像的灰度值和亮度变化来检测边缘。
Sobel算子通过计算图像中每个像素点的梯度幅值来确定边缘的位置和方向。
Laplacian算子则通过计算像素值的二阶导数来检测边缘。
而Canny算子则是一种综合性的边缘检测算法，它综合了Sobel 算子和Laplacian算子的优点，在性能上更加稳定和准确。
边缘检测并不是一项简单的任务，它受到噪声、光照变化、图像分辨率等因素的影响。
因此，在进行边缘检测前，通常需要进行预处理，比如图像平滑、灰度化等步骤，以减少这些干扰因素对边缘检测结果的影响。
边缘检测并非完美，它仍然存在一些问题和挑战。
例如，边缘检测往往会产生一些不连续和不完整的边缘，这需要通过进一步的处理和分析来解决。
此外，在图像中存在复杂的背景和纹理时，边缘检测的准确性也会受到影响。
因此，为了获得更好的边缘检测效果，我们需要结合其他的图像处理和分析技术，如图像分割、特征提取等。
总结起来，边缘检测是计算机视觉中一项重要的图像处理技术，其通过识别和提取图像中的边缘信息来帮助我们理解图像结构、进行目标识别和图像分割等应用。
虽然边缘检测还存在一些问题和挑战，但随着技术的不断进步和研究的不断深入，相信边缘检测在图像处理领域将发挥更大的作用。
边缘检测
CSDN亲密携手阿里云重磅推出云邮箱服务HTML5群组诚募管理员，“活跃之星”活动火热进行中Canny边缘检测算法原理及其VC实现详解(一)2011-10-20 21:39560人阅读评论(0)收藏举报图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。
图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位，自从1959提出边缘检测以来，经过五十多年的发展，已有许多中不同的边缘检测方法。
根据作者的理解和实践，本文对边缘检测的原理进行了描述，在此基础上着重对Canny检测算法的实现进行详述。
本文所述内容均由编程验证而来，在实现过程中，有任何错误或者不足之处大家共同讨论（本文不讲述枯燥的理论证明和数学推导，仅仅从算法的实现以及改进上进行原理性和工程化的描述）。
1、边缘检测原理及步骤在之前的博文中，作者从一维函数的跃变检测开始，循序渐进的对二维图像边缘检测的基本原理进行了通俗化的描述。
结论是：实现图像的边缘检测，就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置，然后在图像中将这些位置的点连起来就构成了所谓的图像边缘（图像边缘在这里是一个统称，包括了二维图像上的边缘、角点、纹理等基元图）。
在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，同时大多数的传感器件具有低频滤波特性，这样会使得阶跃边缘变为斜坡性边缘，看起来其中的强度变化不是瞬间的，而是跨越了一定的距离。
这就使得在边缘检测中首先要进行的工作是滤波。
1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声有关的边缘检测器的性能。
实验四数字图像滤波及边缘检测
对一幅灰度图像用区域生长法进行分割
首先指定几个种子点，其次把图像中灰度值等 于种子点的像素点作为种子点，然后以种子点 为中心，各像素点与种子点的灰度值的差不超 过某个值。则认为该像素点和种子点具有相似 性。
MATLAB参考程序
a=imread('dog1.jpg');
I=rgb2gray(a);
分割算法 借助灰度图像中像素灰度值的两个性质：不连续性和 相似性。区域内部的像素一般具有灰度相似性，而在 区域之间的边界上一般具有灰度不连续性。 利用区域间灰度不连续性的基于边界的算法； 利用区域内灰度相似性的基于区域的算法。
根据分割过程中处理策略的不同
并行算法
所有判断和决定都可独立和同时地做出。
foI-I(seedy(i),seedx(i)))<=thresh(i);
maskim=maskim | g;
end
[g,nr]=bwlabel(imreconstruct(markerim,maskim),8);
g=mat2gray(g);
x=imread(‘dog.jpg','jpg'); i=rgb2gray(x); subplot(2,2,1); subimage(i); j1=imnoise(i,'gaussian',0,0.04); subplot(2,2,2); subimage(j1); j2=imnoise(i,'salt & pepper',0.04); subplot(2,2,3); subimage(j2); j3=imnoise(i,'speckle',0.08); subplot(2,2,4); subimage(j3);
多媒体实验图像滤波二与边缘检测
多媒体实验报告——图像滤波二与边缘检测一、实验目的通过本章的课程设计，加深对数字图像滤波知识和边缘检测的理解，并获得如何处理图像的实际经验，达到以下目的1、熟练使用matlab进行图像的读取和显示；2、了解各种图像滤波的方法，了解边缘检测的方法；3、掌握图像滤波和边缘检测的编程方法。
二、实验内容1、完成实验指导书5.2.9节的内容，掌握图像滤波的方法；2、完成实验指导书5.3节的内容，掌握边缘检测的方法；3、在以上基础上完成下列程序的编写：练习1：完成5.2.9中p131页程序。
（注：lena图像在本版本matlab中没有，本实验的索引图像可采用'trees.tif'）观察程序结果，对结果进行说明。
程序如下：[X,map]=imread('trees.tif');I=ind2gray(X,map);hsize=3;h1=fspecial('gaussian');I1=imfilter(I,h1);h2=fspecial('gaussian',hsize,1.5);I2=imfilter(I,h2);h3=fspecial('gaussian',hsize,2.5);I3=imfilter(I,h3);subplot(221);subimage(I);title('原始灰度图像','FontSize',14,'Fontname','隶书','color','b')subplot(222);subimage(I1);title('sigma=0.5的高斯低通滤波','FontSize',14,'Fontname','隶书','color','b');subplot(223);subimage(I2);title('sigma=1.5的高斯低通滤波','FontSize',14,'Fontname','隶书','color','b');subplot(224);subimage(I3);title('sigma=2.5的高斯低通滤波','FontSize',14,'Fontname','隶书','color','b');Matlab图像处理结果如下：练习2：改写练习1的程序，本次处理的图像为彩色图像。
5-图像滤波、边缘检测、分割
实验中可以通过查看程序输出数据验证OpenCV边 界处理方式。
边界复制
除了直接复
制边界以外， 还可以通过 填充0来扩 充图像边界。
窗口排序求极值
膨胀：核B于图像上滑动，计算核B覆盖区域 的像素点最大值，并把这个最大值赋值给锚点 所在像素。
dilate ( x, y) max src( x x' , y y' )
高斯滤波器
高斯滤波实质上是一种信号的滤波器，其用途是信号的 平滑处理，我们知道数字图像用于后期应用，其噪声是 最大的问题，Gauss滤波器在图像处理中经常被用于得到 信噪比SNR较高的图像（反应真实信号）。 高斯滤波不是计算最快的滤波器，但是最有用。
⑤CV_BILATERAL：双边滤波
将3x3尺寸的矩形窗口以中心为参考点沿源图像逐 像素对齐滑动，该窗口每点权值由空域信息和颜 色域信息动态决定，对应新图像的每个图像点设 为该窗口与图像对应窗口像素乘积的和。 双边滤波本质上也是一种加权均值运算。
void cvSmooth (const CvArr* src,
src, dst——输入图像与输出图像 smoothtype——平滑操作类型 param1~param4——平滑参数。在简单/非尺度变换的高斯模糊的情况，如 果 param2 的值为零，则表示其被设定为 param1。其它含义见说明。 对图像 src 进行由 smoothtype 指定的平滑类型操作
( x ', y ')B
腐蚀：核B于图像上滑动，计算核B覆盖区域 的像素点最小值，并把这个最小值赋值给锚点 所在像素。
erode( x, y) min src( x x' , y y' );
第二章边缘检测
平滑滤波器h(x)应满足以下条件： 当|x|→∞，h(x) →0, h(x)为偶函数
h x dx 1
h(x)一阶及二阶可微 常用的平滑滤波器：高斯函数（一维）
h x 1 e 2
x2 2 2
为高斯函数的方 其中， 差， 越大，平滑效果越 强，但 太大，噪声虽然 被平滑了，但信号的突变 部分（即边缘点处的信号） 也被平滑了。这点是边缘 检测的困难
一阶/二阶差分滤波器：对高斯平滑滤波器求差分
Robert算子
1 0 0 1 h1 , h2 0 1 1 0
Robert算子对图像滤波，可计算沿两个450方向的
一阶差分，该滤波器直接计算原图像差分，不包
含平滑，故不能抑制噪声。
Sobel算子
将fh(x)在x=x0处用泰勒级数展开：
f(x)为理想阶跃信号，有: f h ( x0 ) f ( x)* h ''( x) |x x 0 ' ' ' 代入，得到： g ( x0 ) f h' ( x0 )( x0 x0 ) h ( x0 )0
0
' ' ' f h ( x0 ) f h ( x0 ) f h' ( x0 )( x0 x0 ) ( x0 )
问题：检测到的边缘会发生偏移 边缘偏移的原因
相邻的边缘点会互相影响
存在噪声 设图示信号为：
A, x x0 f ( x) 为理想信号： f ( x) 0, x x 0
理想边缘，零交叉始 终在x=x0处
( x)是均值 其中， 为0、方差为 2 的 白噪声
第二讲-边缘检测
微分滤波器
要求：
hx 1
x 0, hx
h(x)一阶及二阶可微。 高斯滤波器
n
f nhm n
离散函数的离散卷积与差分运算也可以交换
g m
n
f n h1 m n
差分滤波器
高斯差分滤波器
hn ce
窗口算子
n2 2 2
离散化后的有限窗口算子
Roberts算子
梯度幅值计算近似方法
梯度交叉算子
各种算法的比较
按照滤波、增强和检测这三个步骤比较各种方法: (定位暂不讨论)
原始图像
7×7高斯滤波后的图像
未滤波的边缘检测效果
滤波后的边缘检测效果
a) Roberts b) Sobel c) Prewitt
二阶微分算子
图像强度的二阶导数的零交叉点就是找到边缘点．
用阈值进行边缘检测和用二阶导数的零交点进行边缘检测示意图
LoG算子的输出是通过卷积运算得到的，
h( x, y) 2 [ g( x, y) f ( x, y)]
根据卷积求导法有 其中：
h( x, y) [ 2 g( x, y)] f ( x, y)
x 2 g( x, y)
2பைடு நூலகம்
y
2 e 4
2 2
x2 y2 2 2
h x 1 2 1
x
2 2
e
2
h x
x2
x 2
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大，而在特定的应用中，这些点并不是我们要找的边缘点，所以应 该采用某种方法来对这些点进行取舍。实际工程中，常用的方法是 通过阈值化方法来检测。
Canny边缘检测算法可以分为以下5个 步骤： 1.应用高斯滤波来平滑图像（目的是去 除噪声） 2.找寻图像的强度梯度（由Sobel算子 来获得） 3.应用非最大抑制技术来消除边误检 4.应用双阈值的方法来决定可能的边界 5.利用滞后技术来跟踪边界
常见的去噪方法有：方框滤波， 均值滤波，高斯滤波，中值滤波 和双边滤波。 我们主要介绍一下高斯滤波和中 值滤波，并分别用这两种方法对 含有高斯噪声和椒盐噪声的图像 进行处理。
原图
高斯噪声
高斯滤波
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用 于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进 行加权平均的过程，每一个像素点的值，都由其本身和邻域内的 其他像素值经过加权平均后得到。
Gx
注：可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导。 对于数字图像，可以利用差分方程对X和Y方向上的二阶偏导数进行近似。
在Canny算法中，非极大值抑制是进行边缘检测的重要步骤， 通俗意义上是指寻找像素点局部最大值，将非极大值点所对 应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。
滤波和边缘检测
精品jing
学习动机
照片中有大量的噪点
想深入了解图像处理，源 于一天晚上，用手机拍到 了一张含有大量噪点的电 视塔照片。想通过学习并 运用图像处理相关知识， 将图片中的噪点去除。
噪声对人的影响可以理解为“ 妨碍人们感觉器官对所 接收的信源信息理解的因素”。而图像中各种妨碍人 们对其信息接受的因素即可称为图像噪声 。 常见的图像噪声有：高斯噪声，椒盐噪声，瑞利噪声， 伽马噪声，指数分布噪声和均匀分布噪声等。
下面介绍一下如何计算图像的强度梯度： Sobel算子：
上式三个矩阵分别为该算子的x向卷积模板、y向卷积模板以及待处理点的邻域点标 记矩阵，据此可用数学公式表达其每个点的梯度幅值为：
Gx Sx K (a2 2a3 a4 ) (a0 2a7 a6 ) Gy S y K (a0 2a1 a2 ) (a6 2a5 a4 ) G Gx2 Gy2 arctan(Gy )
完成非极大值抑制后，会得到 一个二值图像，这样一个检测 结果还是包含了很多由噪声及 其他原因造成的假边缘。因此 还需要进一步的处理。
非极大值抑制原理
最后一步，Canny 使用了滞后阈值，滞后阈值需要两个阈 值(高阈值和低阈值): Ⅰ.如果某一像素位置的幅值超过高阈值, 该像素被保留为 边缘像素。 Ⅱ.如果某一像素位置的幅值小于低阈值, 该像素被排除。 Ⅲ.如果某一像素位置的幅值在两个阈值之间,该像素仅仅在 连接到一个高于高阈值的像素时被保留。（把不闭合的边 缘链接成轮廓）
中值滤波（Median filter）是一种典型的非线性滤波技术，基本 思想是用像素点邻域灰度值的中值来代替该像素点的灰度值，该 方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细节。
椒盐噪声
中值滤波
对照片进行高斯滤波和中值滤波后发现，效果都不是太 理想，可能是没有弄清楚噪点的噪声类型，没有使用正 确的处理方法来进行图像处理。
边缘检测的一般步骤包括： 1）滤波：边缘检测的算法主要是基于图像强度的一阶和二阶导
数，但导数通常对噪声很敏感，因此必须采用滤波器来改善与噪声 有关的边缘检测器的性能。
2）增强：增强边缘的基础是确定图像各点邻域强度的变化值。
增强算法可以将图像灰度点邻域强度值有显著变化的点凸显出来。 在具体编程实现时，可通过计算梯度幅值来确定。
效果还是不错的！！！
THANKS
所谓高斯噪声是指它的概率密度 函数服从高斯分布（即正态分布） 的一类噪声。一个高斯随机变量z 的PDF可表示为：
P(z)
1
2
exp[
(z u)2
2 2
]
其中z代表 灰度，u是z的均值，σ 是z的标准差。高斯噪声的灰度值 多集中在均值附近。
椒盐噪声是指两种噪声，一种是盐噪声（salt noise）， 另一种是胡椒噪声（pepper noise）。盐=白色，椒= 黑色。前者是高灰度噪声，后者属于低灰度噪声。一般 两种噪声同时出现，呈现在图像上就是黑白杂点。
图象的边缘是指图象局部区域亮度变化显著的部分，该区域 的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很 小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。 边缘检测常用的方法有：Canny算子,Sobel算子,Laplace算 子以及Scharr滤波器等。这里主要介绍一下Canny算子。
Canny边缘检测算子是John F.Canny于 1986推崇为当今最优的边缘检测的算法。