实验四数字图像滤波及边缘检测-PPT课件
合集下载
《镜头边缘检测》课件
优化算法
通过改进和优化现有算法，可以提升镜头边缘检测 的性能和效率。
镜头边缘检测总结
1 意义重大
镜头边缘检测在计算机视觉和图像处理领域有着重要的应用和研究价值。
2 未来发展趋势
随着科技的发展，镜头边缘检测将逐渐融入更多领域，并取得更高的准确度和效率。
参考文献
• [1] Canny, John F. "A computational approach to edge detection." IEEE Transactions on pattern analysis and machine intelligence (1986): 679-698.
《镜头边缘检测》PPT课件
欢迎来到《镜头边缘检测》PPT课件。本课程将介绍镜头边缘检测的概念、原 理、实现和优化。掌握这一技术，让我们一起探索视觉世界的边界！
镜头边缘检测简介
概念
镜头边缘检测是指通过图像处理算法提取图像中 物体边缘的过程。
应用场景
镜头边缘检测广泛应用于计算机视觉、图像识别、 机器人导航等领域。
OpenCV是一种流行的计算机视觉库，提供了丰富的函数和工具，实现镜头边缘检测变得 简单高效。
2 实时处理
利用OpenCV的实时处理能力，可以在图像采集过程中实时进行镜头边缘检测。
3 开放源代码
OpenCV具有开放源代码的优势，为研究、学习和二次开发提供便利。
镜头边缘检测优化
基于深度学习
利用深度学习的神经网络模型，可以进一步提高镜 头边缘检测的精度和泛化能力。
• [2] Xie, Songtao, Victor Lempitsky, and Chunhua Shen. "Holistically-Nested Edge Detection." Proceedings of IEEE International Conference on Computer Vision (2015): 1395-1403.
图像边缘检测ppt课件
❖ (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
❖ 当加入高斯白噪声后，Laplacian算子、LOG算子检 测效果都不同程度的受到噪声的影响，Laplacian算子 受噪声影响最明显，几乎检测不出边缘；而LOG算子 检测出大量伪边缘和噪声点，并且检测出的边缘不全； 虽然Canny算子在噪声严重的情况下，也受到一定的 影响检测出的边缘有少量残缺，并出现少量的伪边缘， 但Canny算子的检测效果总体上还是比较满意的。
❖ 传统的计算方法是用模板在图像中每个象素的邻域 进行卷积运算，如Roberts,Prewitt,Sobel等算子， 这些算子的主要缺点是对噪声敏感和边定位精度低。
❖ 对边缘检测方法的有效性进行评价，Canny提出了 三个边缘检测准则：
❖ (1)最优检测：漏检真实边缘的概率和误检非边缘的 概率都尽可能小；
❖ 由于合理地设置了参数，因而避免了一些伪边缘的 提取。
❖ 改进的Laplacian算子相对于原来的Laplacian算子 而言，不但检测出来的边缘更清晰，而且也检测出 原来所没有检测出的一些边缘。
.
.
LOG边缘检测
❖ 利用图像强度二阶导数的零交义点来求边缘点的算 法对噪声十分敏感，在边缘增强之前滤除噪声。
❖ (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
❖ 当加入高斯白噪声后，Laplacian算子、LOG算子检 测效果都不同程度的受到噪声的影响，Laplacian算子 受噪声影响最明显，几乎检测不出边缘；而LOG算子 检测出大量伪边缘和噪声点，并且检测出的边缘不全； 虽然Canny算子在噪声严重的情况下，也受到一定的 影响检测出的边缘有少量残缺，并出现少量的伪边缘， 但Canny算子的检测效果总体上还是比较满意的。
❖ 传统的计算方法是用模板在图像中每个象素的邻域 进行卷积运算，如Roberts,Prewitt,Sobel等算子， 这些算子的主要缺点是对噪声敏感和边定位精度低。
❖ 对边缘检测方法的有效性进行评价，Canny提出了 三个边缘检测准则：
❖ (1)最优检测：漏检真实边缘的概率和误检非边缘的 概率都尽可能小；
❖ 由于合理地设置了参数，因而避免了一些伪边缘的 提取。
❖ 改进的Laplacian算子相对于原来的Laplacian算子 而言，不但检测出来的边缘更清晰，而且也检测出 原来所没有检测出的一些边缘。
.
.
LOG边缘检测
❖ 利用图像强度二阶导数的零交义点来求边缘点的算 法对噪声十分敏感，在边缘增强之前滤除噪声。
数字图像处理图像滤波ppt课件
素位置重合； 读取模板下各对应像素的灰度值； 将这些灰度值从小到大排成一列； 找出这些值的中间值； 将这个值赋给对应模板中心位置的像素。
47
噪声图像
中值滤波3x3
48
平均滤波与中值滤波比较
噪声图像
均值滤波
中值滤波
均值滤波和中值滤波都采用的是2x2 的模板
49
均值，中值和最频值
均值是模板内像素点灰度的平均值，中值是数值排列 后处于中间的值，最频值是出现次数最多的灰度值；
8
常用像素距离公式
欧几里德距离
DE
(
p,
q)
x
s 2
y
t
2
范数距离
D( p, q) x s y t
棋盘距离
D( p, q) max x s , y t
9
像素间的基本运算
算术运算：
加法： p + q
减法： p - q
乘法： p * q
这三者都与直方图有着密切的关系； 直方图的一个峰对应一个区域，如果这个峰是对称的，
那么均值等于中值，等于最频值。
50
中值滤波的代码实现 Matlab中函数medfilt1和medfilt2，第一个是一维
的中值滤波，第二个是二维的中值滤波。 使用help查看函数功能
51
示例
52
代码讲解
0.25
0.10 0.05
0.125 01 2
34
56
7
P r 关系目标曲线 r
原始图像中的Ｐ－r点位置 对应变换后的P-r点位置
24
算法描述 设像素共分为L级(r = 0,1,2,…L1)，变换后对应的
47
噪声图像
中值滤波3x3
48
平均滤波与中值滤波比较
噪声图像
均值滤波
中值滤波
均值滤波和中值滤波都采用的是2x2 的模板
49
均值，中值和最频值
均值是模板内像素点灰度的平均值，中值是数值排列 后处于中间的值，最频值是出现次数最多的灰度值；
8
常用像素距离公式
欧几里德距离
DE
(
p,
q)
x
s 2
y
t
2
范数距离
D( p, q) x s y t
棋盘距离
D( p, q) max x s , y t
9
像素间的基本运算
算术运算：
加法： p + q
减法： p - q
乘法： p * q
这三者都与直方图有着密切的关系； 直方图的一个峰对应一个区域，如果这个峰是对称的，
那么均值等于中值，等于最频值。
50
中值滤波的代码实现 Matlab中函数medfilt1和medfilt2，第一个是一维
的中值滤波，第二个是二维的中值滤波。 使用help查看函数功能
51
示例
52
代码讲解
0.25
0.10 0.05
0.125 01 2
34
56
7
P r 关系目标曲线 r
原始图像中的Ｐ－r点位置 对应变换后的P-r点位置
24
算法描述 设像素共分为L级(r = 0,1,2,…L1)，变换后对应的
边缘检测PPT课件
在实际图像应用中，边缘处四种卷积处理方法并不重要。
31
噪声的影响：一维信号的例子
从图像中取出某行像素值：
边缘在哪里？
32
解决方法之一，首先进行滤波
峰值为边缘的位置
y
2
水平边缘
I(x, y) (I , I) x y
-1 0 1 ×0.5
-1 0 ×0.5 1
图像边界处卷积处理方法
❖1）重复图像边缘的行和列，使卷积在边缘可计算； ❖2）卷绕输入图像，使之成为周期性； ❖3）在图像边缘外侧填充0或其他常数； ❖4）去掉不能计算的行和列，仅对可计算的象素进
行卷积。
的集合。”
6
灰度图像中边缘的类型
阶梯状边缘
屋脊状边缘
线条状边缘
7
为什么要提取边缘？
边缘是最基本的图像特征之一：
❖可以表达物体的特征，边缘集中了图像的大部 分信息
❖边缘特征对于图像的变化不敏感
➢几何变化，灰度变化，光照方向变化
❖可以为物体检测提供有用的信息(图像场景识别 与理解、图像分割等提供重要的特征)
0 1 1
2 0 2
000
G2 2 2 0 ,G3 0 0 0
0 2 2
000
1 1 2
Step4 : F G 5 3 8
6 2 8
20
f (x) h(x) f (x)h(x)
21
f (x) h(x) f (x)h(x)
22
f (x)
f (x)h(x)
23
f (x)
f (x)h(x)
I
2I
2I x2
2I y2
13
在数字图像上计算梯度
一维的情况：
f'(x)dflimf(x x)f(x) f(x)
31
噪声的影响：一维信号的例子
从图像中取出某行像素值：
边缘在哪里？
32
解决方法之一，首先进行滤波
峰值为边缘的位置
y
2
水平边缘
I(x, y) (I , I) x y
-1 0 1 ×0.5
-1 0 ×0.5 1
图像边界处卷积处理方法
❖1）重复图像边缘的行和列，使卷积在边缘可计算； ❖2）卷绕输入图像，使之成为周期性； ❖3）在图像边缘外侧填充0或其他常数； ❖4）去掉不能计算的行和列，仅对可计算的象素进
行卷积。
的集合。”
6
灰度图像中边缘的类型
阶梯状边缘
屋脊状边缘
线条状边缘
7
为什么要提取边缘？
边缘是最基本的图像特征之一：
❖可以表达物体的特征，边缘集中了图像的大部 分信息
❖边缘特征对于图像的变化不敏感
➢几何变化，灰度变化，光照方向变化
❖可以为物体检测提供有用的信息(图像场景识别 与理解、图像分割等提供重要的特征)
0 1 1
2 0 2
000
G2 2 2 0 ,G3 0 0 0
0 2 2
000
1 1 2
Step4 : F G 5 3 8
6 2 8
20
f (x) h(x) f (x)h(x)
21
f (x) h(x) f (x)h(x)
22
f (x)
f (x)h(x)
23
f (x)
f (x)h(x)
I
2I
2I x2
2I y2
13
在数字图像上计算梯度
一维的情况：
f'(x)dflimf(x x)f(x) f(x)
《边缘检测》PPT课件
0 0 0 6 -6 0 0 0
2 2 2 2 2 58888 2 2 2 2 2 58888 2 2 2 2 2 58888 2 2 2 2 2 58888 2 2 2 2 2 58888 2 2 2 2 2 58888
0 0 0 3 0 -3 0 0
基于二阶导数的边缘检测
线性内插 一维线性内插
1）高斯平滑和梯度逼近相结合的算 子在边缘方向上是对称的，在垂直边缘 的方向上是反对称的（该算子对最急剧 变化方向上的边缘特别敏感，但在沿边 缘这一方向上是不敏感的，其作用就象 一个平滑算子）．
2）Canny边缘检测器是高斯函数的一阶导数，是对信噪 比与定位之乘积的最优化逼近算子．
图象的信噪比：等于信号与噪声的功率谱之比，但通常功 率谱难以计算，有一种方法可以近似估计图象信噪比，即 信号与噪声的方差之比。首先计算图象所有象素的局部方 差，将局部方差的最大值认为是信号方差，最小值是噪声 方差，求出它们的比值，再转成dB数。
*幅值：
N i ,j N M [ M i ,j ][ , i ,j ] S ) (
5）取阈值
* 将低于阈值的所有值赋零值，得到图像的边缘阵列． * 阈值τ太低和阴影假边缘; * 阈值τ取得太高部分轮廊丢失. * 选用两个阈值: 更有效的阈值方案．
基本思想： 取高低两个阈值作用在幅值图N[i,j]，t1=2t2, 得到两个边缘图， 高阈值和低阈值边缘图。 连接高阈值边缘图，出现断点时，在低阈值 边缘图中的8邻点域搜寻边缘点。
Canny 边缘检测器
1）求图像与高斯平滑滤波器卷积: S [ i ,j] G [ i ,j ;] I [ i ,j]
2）使用一阶有限差分计算偏导数的两个阵列P与Q：
P [ i ,j ] ( S [ i ,j 1 ] S [ i ,j ] S [ i 1 ,j 1 ] S [ i 1 ,j ] / 2 ) Q [ i ,j ] ( S [ i ,j ] S [ i 1 ,j ] S [ i ,j 1 ] S [ i 1 ,j 1 ] / 2 )
2 2 2 2 2 58888 2 2 2 2 2 58888 2 2 2 2 2 58888 2 2 2 2 2 58888 2 2 2 2 2 58888 2 2 2 2 2 58888
0 0 0 3 0 -3 0 0
基于二阶导数的边缘检测
线性内插 一维线性内插
1）高斯平滑和梯度逼近相结合的算 子在边缘方向上是对称的，在垂直边缘 的方向上是反对称的（该算子对最急剧 变化方向上的边缘特别敏感，但在沿边 缘这一方向上是不敏感的，其作用就象 一个平滑算子）．
2）Canny边缘检测器是高斯函数的一阶导数，是对信噪 比与定位之乘积的最优化逼近算子．
图象的信噪比：等于信号与噪声的功率谱之比，但通常功 率谱难以计算，有一种方法可以近似估计图象信噪比，即 信号与噪声的方差之比。首先计算图象所有象素的局部方 差，将局部方差的最大值认为是信号方差，最小值是噪声 方差，求出它们的比值，再转成dB数。
*幅值：
N i ,j N M [ M i ,j ][ , i ,j ] S ) (
5）取阈值
* 将低于阈值的所有值赋零值，得到图像的边缘阵列． * 阈值τ太低和阴影假边缘; * 阈值τ取得太高部分轮廊丢失. * 选用两个阈值: 更有效的阈值方案．
基本思想： 取高低两个阈值作用在幅值图N[i,j]，t1=2t2, 得到两个边缘图， 高阈值和低阈值边缘图。 连接高阈值边缘图，出现断点时，在低阈值 边缘图中的8邻点域搜寻边缘点。
Canny 边缘检测器
1）求图像与高斯平滑滤波器卷积: S [ i ,j] G [ i ,j ;] I [ i ,j]
2）使用一阶有限差分计算偏导数的两个阵列P与Q：
P [ i ,j ] ( S [ i ,j 1 ] S [ i ,j ] S [ i 1 ,j 1 ] S [ i 1 ,j ] / 2 ) Q [ i ,j ] ( S [ i ,j ] S [ i 1 ,j ] S [ i ,j 1 ] S [ i 1 ,j 1 ] / 2 )
毕业答辩-数字图像边缘检测的研究与实现ppt
未来发展趋势
边缘计算与边缘检测的结合
随着边缘计算技术的发展，未来数字图像边缘检测技术将更多地与边缘计算相结合，实现更高效、实时的图像处理和 分析。
人工智能与机器学习的融合
人工智能和机器学习技术在数字图像处理领域的应用将越来越广泛，数字图像边缘检测技术将进一步与人工智能和机 器学习技术融合，提高检测性能和智能化水平。
基于二阶导数的边缘检测算法， 对边缘定位准确，但可能会产生 双边效应。
算法优缺点分析
Sobel算法
优点是简单易实现，对噪声有一定的抑制作用；缺点是可能会检测 到伪边缘，对细线检测效果不佳。
Canny算法
优点是准确性高，能够很好地抑制噪声；缺点是计算复杂度较高， 需要更多的处理时间。
Laplacian算法
优点是边缘定位准确；缺点是可能会产生双边效应，对噪声敏感。
数字图像边缘检测算
03
法实现
算法设计思路
01
边缘检测是数字图像处理中的重要技术，用于识别 图像中物体的边缘。
02
设计思路基于经典的边缘检测算法，如Sobel、 Canny等，结合实际需求进行改进。
03
考虑图像的噪声、光照不均等因素，确保算法对各 种情况具有较好的适应性。
多模态信息融合
随着多模态信息融合技术的发展，数字图像边缘检测技术将与其他模态的信息进行融合，如音频、视频、 文本等，实现更全面、准确的信息处理和分析。
THANKS.
毕业答辩-数字图像边缘 检测的研究与实现
目录
• 研究背景与意义 • 数字图像边缘检测算法研究 • 数字图像边缘检测算法实现 • 创新点与贡献 • 未来工作展望
研究背景与意义
01
数字图像边缘检测的背景
图像增强及边缘检测代码ppt课件
2.中值滤波
中值滤波可以保留目标边缘，这是中值滤波器相对于均值滤波器 的最大优势。中值滤波具有去噪的性能，可以消除孤立的噪声点， 可以用来减弱随机干扰和脉冲干扰，但是边缘不模糊。
完整版课件
14
用Laplacian算子对图像进行锐化处理
3.锐化滤波 图像锐化处理的目的是使模糊图像变得清晰，锐化滤波器减弱或
完整版课件
1
假期任务
1.预处理的学习至少学会图像增强和图像边缘检测的了解，做一份 word总结 2.任选至少10幅图片做一些基本的图像预处理（任选所要用的方法 如:增强、分割、二值化等）每幅至少有三种处理效果开学来交成果 和程序过程 3.看文献做一份word总结
完整版课件
2
图像增强
图像增强方法
完整版课件
12
空间域滤波增强
1.利用阈值对图像进行平滑处理 局部平滑 添加椒盐噪声 超限像素平滑 2.利用中值滤波去噪 添加椒盐噪声 添加高斯噪声 添加乘性噪声
完整版课件
13
1.线性滤波（邻域平均）
线性低通滤波器最常用的是线性平滑滤波器，这种滤波器的所有 系数都是正的，也称邻域平均。邻域平均减弱或消除了傅立叶变 换的高频分量，对噪声的消除有所增强，但是由于平均而使图像 变得更为模糊，细节的锐化程度逐渐减弱。
完整版课件
3
.基于灰度变换的图像增强
1.灰度线性变换：表示输入图像灰度做线性扩张或压缩，表达式 为
g(x,y)=af(x,y)+b
b=0时，且
a>1 对比度扩张
a<1 对比度压缩a=1 相当于复制
若b≠0,灰度偏置
完整版课件
4
利用灰度调整函数变换图像
完整版课件
中值滤波可以保留目标边缘，这是中值滤波器相对于均值滤波器 的最大优势。中值滤波具有去噪的性能，可以消除孤立的噪声点， 可以用来减弱随机干扰和脉冲干扰，但是边缘不模糊。
完整版课件
14
用Laplacian算子对图像进行锐化处理
3.锐化滤波 图像锐化处理的目的是使模糊图像变得清晰，锐化滤波器减弱或
完整版课件
1
假期任务
1.预处理的学习至少学会图像增强和图像边缘检测的了解，做一份 word总结 2.任选至少10幅图片做一些基本的图像预处理（任选所要用的方法 如:增强、分割、二值化等）每幅至少有三种处理效果开学来交成果 和程序过程 3.看文献做一份word总结
完整版课件
2
图像增强
图像增强方法
完整版课件
12
空间域滤波增强
1.利用阈值对图像进行平滑处理 局部平滑 添加椒盐噪声 超限像素平滑 2.利用中值滤波去噪 添加椒盐噪声 添加高斯噪声 添加乘性噪声
完整版课件
13
1.线性滤波（邻域平均）
线性低通滤波器最常用的是线性平滑滤波器，这种滤波器的所有 系数都是正的，也称邻域平均。邻域平均减弱或消除了傅立叶变 换的高频分量，对噪声的消除有所增强，但是由于平均而使图像 变得更为模糊，细节的锐化程度逐渐减弱。
完整版课件
3
.基于灰度变换的图像增强
1.灰度线性变换：表示输入图像灰度做线性扩张或压缩，表达式 为
g(x,y)=af(x,y)+b
b=0时，且
a>1 对比度扩张
a<1 对比度压缩a=1 相当于复制
若b≠0,灰度偏置
完整版课件
4
利用灰度调整函数变换图像
完整版课件
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。
《滤波和边缘检测》PPT课件
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。
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
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
- 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)。
subimage(i);
j=imnoise(i,'salt & pepper',0.04);
subplot(2,2,2);
c=medfilt2(j,[2 2]);
subimage(j);
subplot(2,2,3);
d=medfilt2 (j ,[5 5]); subplot(2,2,4);
subimage(c);
subimage(d);
2、边缘检测
在对图像的研究和应用中，人们往往仅对各幅图像中
的某些部分感兴趣，需要将这些有关区域分离提取出
来，在此基础上对相关目标作进一步的处理。
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。
‘salt & pepper’ 点. (缺省为0.05) 椒盐噪声参数设置: D:在图像I中加入强度为D的“椒盐”黑白像素
J=imnoise(I,’ salt & pepper’,D)
‘speckle’ 乘法噪声参数设置: J=imnoise(I,’ speckle’,V),使用公式 J=I+n*I,向图像I中加入乘法噪声,其中n是均值为0,
实验四ห้องสมุดไป่ตู้
数字图像滤波及边缘检测
一、实验目的
了解图像复原的基本方法。 了解图像边缘检测。
利用MATLAB提供的函数实现对图像处理。
二、实验原理
图像恢复和图像增强一样，都是为了改善图像
的视觉效果，以便后续处理。只是图像增强方
法更偏重于主观判断，而图像恢复则是根据图 像畸变或退化原因，进行模型处理。
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。
串行算法
前期处理的结果可被其后的处理过程所利用。
两种算法的对比
串行算法所用时间要长与并行算法，但其抗噪声能力 则强于并行算法。
分割算法分类表
分类
边界（不连续 性）
PB
区域（相似性）
并行处理
PR
串行处理
SB
SR
注意：现在尚无一种适合于所有图像的通用分割算法，
type:
‘gaussian’ Gauss白噪声
‘salt & pepper’
‘speckle’
椒盐噪声
乘法噪声
‘gaussian’ Gauss白噪声参数设置: M、V：在图像中加入均值为M、方差为V的高斯 白噪声。(缺省M=0,V=0.01)
J=imnoise(I,’gaussian’,M,V)
利用Matlab实现数字图像中值滤波
应用Matlab 软件中图像处理工具箱的函数。 二维中值滤波器的函数格式如下:
B = Medfilt2(A,[m n])； B = Medfilt2(A)。(缺省窗口大小为[3 3])
图像中添加噪声
函数：imnoise() 格式： J=imnoise(I,type,……)
BW2 = edge(I,'canny');
中值滤波的基本原理
中值滤波的基本原理是把数字图像或数字序列中一点
的值用该点邻域中各点值的中值替代。
例如：有一个序列为(2 ,3 ,4 ,5 ,6) ,这个序列的中
值为4。
中值滤波器用于图像处理中是这样进行的:设置一个滤
波窗口，将其移遍图像(序列)上的点，且用窗口内各 原始值的中值代替窗口中心点的值。
operation取值：'bridge';'clean';'close'; 'fill';
‘majority’; ‘remove’; ‘shrink’;‘skel’等。
BW1 = imread('circles.png'); subplot(2,2,1); subimage(BW1); BW2 = bwmorph(BW1,'remove');
subplot(2,2,2);
subimage(BW2)
检测灰度图像的边缘
格式：
BW = edge(I,method)
I = imread('rice.png'); imshow(I);
BW1 = edge(I,'prewitt');
figure; imshow(BW1);
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);
图像分割是图像检索、识别和图像理解的基本
前提。
1、图像中值滤波
中值滤波是基于排序统计理论的一种能有效抑制噪声
的非线性信号处理技术。中值滤波的优点是运算简单
且速度较快，在某些条件下，中值滤波方法可以去除 噪声，保护图像边缘，使图像较好地复原。它非常适 用于一些线性滤波器无法胜任的数字图像处理的应用 场合。
subimage(j2);
j3=imnoise(i,'speckle',0.08); subplot(2,2,4);
subimage(j3);
对加噪的图像进行二维中值滤波
a=imread('dog.jpg','jpg'); i=rgb2gray(x); subplot(2,2,1);
现在提出的分割算法大都是针对具体问题的。
边缘检测
采用并行边界技术。 两个具有不同灰度值的相邻区域之间总存在边缘。边
缘是灰度值不连续的结果，这种不连续常可利用求导 的方法检测到。一般常用一阶和二阶导数来检测边缘。
微分算子
边缘检测可借助空域微分算子通过卷积完成。 梯度算子； 拉普拉斯算子； 综合正交算子。
边界闭合
利用各种算子得到的边缘像素常常是孤立或分小段连
续的。为组成区域的封闭边界将不同的区域分开，需 要将边缘像素连接起来。
哈夫变换
是利用图像全局特性而将边缘像素连接起来组成区域
封闭边界的方法。
MATLAB实例
提取二进制图像的轮廓。 语法：
BW2 = bwmorph(BW1,operation)