数字图像处理 第七章_图像分割
第七章 图像分割_PPT课件
– 鲁棒局部特征,抗变形能力强,适用于匹配
• 7.3 阈值法 —— 全局阈值法
• 思路
– 将分割问题视为面向每一个像素的分类问题,通常使用简单的阈 值不等式判断像素的类别。
• 条件
– 待分割区域与背景区域在像素级特征上存在明显的差异,而两个 区域内部像素在统计上各自具有较强的相似性。从特征直方图上 看,具有明显的双峰分布的图像比较适合使用阈值法进行分割
• 自然图像理解
• 7.2 图像特征概述
•亮度 •直方图 •变换系数 •边缘 •纹理 •关键点
• 7.2 图像特征概述
•亮度
– 空间连续性,稠密性,直观,敏感性
•直方图
– 统计特征,抗线性几何变换
•变换系数
– 频域统计特征,提供一种完全不同的视角
•边缘
– 符合视觉习惯,是形状信息的基础
•纹理
– 局部不连续性和全局相似性的统一
• 7.3 阈值法 —— 全局阈值法
• 如何确定阈值T?
–迭代法 –大津法 (OTSU) –最优阈值法 –最大熵法 –众数法 –矩不变法 ……
• 7.3 阈值法 —— 全局阈值法
• 迭代阈值法
1)选取一个的初始估计值T; 2)用T分割图像。这样便会生成两组像素集合:G1由所有灰度值大 于T的像素组成,而G2由所有灰度值小于或等于T的像素组成。 3)对G1和G2中所有像素计算平均灰度值u1和u2。 4)计算新的阈值:T=1/2(u1 + u2)。 重复步骤(2)到(4),直到T值更新后产生的偏差小于一个事先定 义的参数T0。
• 从优化的角度看,迭代阈值法的目标函数:
• 7.3 阈值法 —— 全局阈值法
• 大津法(OTSU) – 寻找使类间离散度最大化的阈值T – 类间离散度的数学定义
数字图像处理_胡学龙等_第07章_图像分割
(4)变换编码
• 基本原理是
– 利用坐标变换,如果选择的变换坐标与图像特征相匹 配就可以大大压缩二维数据。
• 重要的变换编码方法是
– 离散余弦变换DCT,它有快速算法,二维变换可以转 化为二次一维变换。 – DCT变换后的系数相对集中,还可以进一步进行量化, 从而更大幅度地压缩图像的数据量。
图7.6所示是应用Laplacian算子, 对图7.5(a)进行边缘检测的结果。 实现的MATLAB程序: • I = imread('blood1.tif'); • imshow(I); • BW4 = edge(I,'log'); • figure,imshow(BW4,[]);
图7.6 Laplacian算子边缘检测的结果图
– JPEG2000标准
第七章 图像分割
• • • • •
知识要点: 图像分割的目的、定义和分类 像素间的关系:邻域和连通性 阈值分割技术:全局阈值分割和局部阈值分割 边缘检测:梯度算子、拉普拉斯算子、拉普拉斯高斯算子、方向算子、canning算子、边缘跟踪 • 区域检测法 • 霍夫变换
7.1
时这些特征是不可预知的。
2.直方图法
先做出图像的灰度直方图,若直方图成双峰且有 明显的谷底,则可以将谷底对应的灰度值作为阈 值T,然后根据阈值进行分割,就可以将目标从图 像中分割出来。
适用于目标和背景的灰度差较大,直方图 有明显谷底的情况。
• 3.最小误差的方法
7.3.2局部阈值分割
7.3.3
7.4.1 梯度算子
梯度对应于一阶导数,相应的梯度算子就 对应于一阶导数算子。 对于一个连续函数f (x,y),其在(x,y)处的 梯度:
数字图像处理第七章 图像分割
第七章图像分割1、什么是区域?什么是图像分割?答:在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣。
这些感兴趣的部分常称为目标或图像,它们一般对应图像中的特定的、具有独特性质的区域。
这里的区域是指相互连通的、有一致属性的像素的集合。
图像分割是指把图像分成互不重叠区域并提取感兴趣目标的技术。
2、边缘检测的理论依据是什么,有哪些方法?各有哪些特点?答:边缘是指图像中像素灰度有阶跃变化或屋顶状变化的那些像素的集合。
它存在于目标和背景、目标与目标、区域与区域、基元与基元之间。
他对图像识别和分析十分有用,边缘能够画出目标物体轮廓,使观察者一目了然,包含了丰实的信息,是图像识别中抽取的重要属性。
利用边缘灰度变化的一阶或二阶导数特点,可以将边缘点检测出来。
方法包括:(1)梯度算子;特点是仅计算相邻像素的灰度差,对噪音敏感,无法抑制噪声的影响。
(2)Roberts梯度算子;与梯度算子检测边缘的方法类似,但效果较梯度算子略好。
(3)Prewitt和Sobel算子;该算子不仅能检测边缘点,且能进一步抑制噪声的影响,但检测的边缘较宽。
(4)方向算子;检测能力强,抗噪能力好。
(5)拉普拉斯算子;特点是各向同性、线性和位移不变的;对细线和孤立点检测效果较好。
但边缘方向信息丢失,常产生双像素的边缘,对噪声有双倍加强作用。
(6)马尔算子;马尔算子用到的卷积模板一般较大,不过这些模板可以分解为一维卷积来快速计算。
(7)Canny算子;可以减少小模板检测中的边缘中断,有利于得到较为完整的线段。
3、什么是hough变换?hough变换检测直线时,为什么不采用y=kx+b的表达式?试述采用hough变换检测直线的原理。
答:设在直线坐标系中有一条直线L,在原点到该直线的垂直距离为Ρ,垂线与x周的夹角为θ,则可用Ρ、θ来表示该直线,其直线方程为:Ρ=xcosθ+ysinθ而这条直线用极坐标表示则为一点(Ρ,θ),可见,直角坐标系中的一条直线对应极坐标系中的一点,这种线到点的变换叫做hough变换。
图像分割与特征提取 ppt课件
ppt课件
5
7.1 图像分割的概念
2. 图像分割的依据和方法
◆图像分割的依据是各区域具有不同的特性,这些 特性可以是灰度、颜色、纹理等。而灰度图像分割的 依据是基于相邻像素灰度值的不连续性和相似性。也 即,子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。
◆灰度图像分割是图像分割研究中最主要的内容,其 本质是按照图像中不同区域的特性,将图像划分成不 同的区域。
7.2.1 图像边缘
图像
剖面
一阶导数
二阶导数
上升阶跃边缘 (a)
下降阶跃边缘 (b)
脉冲状边缘 (c)
屋顶边缘 (d)
图7.1 图像边缘及其导数曲线规律示例
ppt课件
11
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
综上所述,图像中的边缘可以通过对它们求导数 来确定,而导数可利用微分算子来计算。对于数字图 像来说,通常是利用差分来近似微分。
方向:
f (x, y) = arctan(Gx / Gy )
(7.5)
ppt课件
14
7.2.2 梯度边缘检测
(1) Roberts算子
是一个交叉算子,其在点(i,j)的梯度幅值表示为:
G(i, j) = f (i, j) f (i 1, j 1) f (i 1, j) f (i, j 1) (7.6)
ppt课件
2
7.1 图像分割的概念
◆目标或前景 ◆背景 ◆目标一般对应于图像中特定的、具有独特性质的 区域。
ppt课件
3
7.1 图像分割的概念
1. 图像分割
图像分割就是依据图像的灰度、颜色、纹理、边 缘等特征,把图像分成各自满足某种相似性准则或具 有某种同质特征的连通区域的集合的过程。
(完整版)图像分割-数字图像处理
典型的图像分析和理解的系统: 系统分为图像输入、预处理、图像分割(image segment)、图像识别、结构句法分析。
图7.1 图像分析系统
分割结果中同一个子区域内的像素应当是连通的
同一个子区域内的任两个像素在该子区域内互相连通。 图像分割
不连续性检测
相似性检测
边界分割 边缘检测 边缘跟踪 Hough变换
BW = [1 1 1 0 0 0 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 1 1 0; 1 1 1 0 0 0 0 0];
L4 = bwlabel(BW,4) L8 = bwlabel(BW,8)
区域分割 阈值分割
区域分裂与合并
自适应
图7.2 图像分割算法
7.2 像素的邻域和连通性
1. 4邻域
对一个坐标为 (x, 的y)像素p,它可以有两个水平和两个垂
直的近邻像素。它们的坐标分别是
(x 1, y),(x 1, y),(x, y 1),(x, y 1)
这四个像素称为p 的4邻域。
互为4邻域的像素又称为4连通的。
%给定的二值图像矩阵 %根据4连通准则判定目标 %根据8连通准则判定目标
➢根据4连通准则,得到的目标 是3个: L4 = 1 1 1 0 0 0 0 0 11102200 11102200 11100030 11100030 11100030 11100330 11100000
➢ 根据8连通准则,得到目标 是2个: L8 =1 1 1 0 0 0 0 0 11102200 11102200 11100020 11100020 11100020 11100220 11100000
数字图像处理课程第七章_图像分割
特点:仅计算相邻像素的灰度差,对噪声比较 敏感,无法抑止噪声的影响。
Roberts算子
• 公式:
fx f (x 1, y 1) f (x 1, y 1) f y f (x 1, y 1) f (x 1, y 1)
• 模板: -1
1
• 特点:
fx’
1
fy’ -1
– 与梯度算子检测边缘的方法类似,对噪声敏感,但效果较梯度算 子略好
2
c 1 3 f (x, y) f (x 1, y) f (x, y 1)
4
按梯度的定义,由平面p(x,y)=ax+by+c的偏导数很容易
求得梯度。
a为两行像元平均值的差分,b为两列像元平均值的差分
。
这种运算可简化为模板求卷积进行,计算a和b对应的模板如下: Nhomakorabea1
1/
2
1
1
1
1 1/ 21
1 1
如果取最大值的绝对值为边缘强度,并用考虑 最大值符号的方法来确定相应的边缘方向,则考 虑到各模板的对称性,只要有前四个模板就可以 了。
Nevitia算子
拉普拉斯算子
• 定义:
– 二维函数f(x,y)的拉普拉斯是一个二阶的微分定义为: 2f = [2f / x2 , 2f / y2]
• 离散形式: 2 f (x, y) f (x 1, y) f (x 1, y) f (x, y 1) f (x, y 1) 4 f (x, y)
预处理 图像分割 特征提取 对象识别
7.1 概述
• 图像分割的概念
– 把图像分成互不重叠的区域并提取感兴趣目标的技术
图像分割的定义:
令集合R代表整个图像区域,对R的分割可看作将R分成N
数字图像处理第7章
1 0 1
1
Wh 2
2
2
1
0 0
2
1
1
Wv
1 2
2
0 1
2 1
0 0
2
1
▓图7.2.5给出了上述五种梯度算子的边缘点检测实例。
Digital Image Processing
7.2 边缘点检测
(a)原图像
(b)梯度算子检测
(c) Roberts检测
(d) Prewitt检测
(e) Sobel检测
感。形成的方向梯度模板集就称为方向匹配检测模板,或方向梯
度响应数组。用其中的每一个方向的模板分别与图像卷积,其最
大模值就是边缘点的强度,最大模值对应的模板方向就是边缘点
的方向,这种检测边缘点并确定其方向的方法就称为方向梯度法
或方向匹配模板法。边缘梯度的定义式为:
N 1
G(m,
n)
MAX i0
{
Gi
(m,
Digital Image Processing
7.2 边缘点检测
(2) Sobel算子法(加权平均差分法) ▓Sobel算子就是对当前行或列对应的值加权后,再进行平
均和差分,也称为加权平均差分。水平和垂直梯度模板分别为:
1 0 1
Wh
1 4
2
0
2
1 0 1
1 2 1
Wv
1 4
0
0
0
1 2 1
(f)各向同性Sobel检测
图7.2-5 五种梯度算子的边缘点检测实例
Digital Image Processing
7.2 边缘点检测
◘方向梯度法(方向匹配模板法)
▓若事先并不知道哪个方向有边缘,但需要检测边缘,并确定 边缘的方向时。我们可设计一系列对应不同方向边缘的方向梯度
数字图像处理:图像分割
数字图像处理:图像分割数字图像处理:图像分割前⾔:这个实验分成两部分代码,分别对应1和21. 膨胀:将与⽬标区域的背景点合并到该⽬标物中,使⽬标物边界向外部扩张的处理,把⼆值图像各1像素连接成分的边界扩⼤⼀层。
具体操作为:图像中关⼼的像素(结构元素B中值为1的部分)有1,则结果赋值为1,没有1,则赋值0。
腐蚀:消除连通域的边界点,使边界向内收缩的处理。
贴标签是对不同连通域区分和标记的基本算法,把⼆值图像各1像素连接成分的边界点去掉从⽽缩⼩⼀层。
2. 开操作:先腐蚀再膨胀,可以去掉⽬标外的孤⽴点闭操作:先膨胀再腐蚀,可以去掉⽬标内的孔。
注:别忘了图⽚的路径改成⾃⼰的⼀、实验⽬的理解和掌握图像分割的基本理论和算法,练习使⽤形态学、区域、边界和阈值的⽅法结合图像增强复原的相关知识对图像进⾏分割处理。
⼆、实验内容1.读⼊⼀幅图像,对图像进⾏如下操作:(1) ⽤膨胀腐蚀等形态学⽅法对图像进⾏去噪、增强处理。
改变结构元素,观察处理后的图像是否有明显的差别。
(2) ⽤开操作和闭操作等形态学⽅法去除指纹图像中的细⼩颗粒,连接断裂的指纹。
(3) 在上⼀步⽤形态学⽅法处理后的指纹图像基础上,运⽤全局阈值实现图像的⼆值化。
2.读⼊⼀幅图像,利⽤边缘检测和分⽔岭⽅法(watershed)对图像进⾏前景分割。
在调⽤watershed函数前,利⽤prewitt算⼦或者全局阈值等⽅法增强图像边缘。
实验结果图如下:1. 第⼀部分实验结果(两种图⽚来观察结果,此外我在作腐蚀时改变了两种结构元素来进⾏观察)2. 第⼆部分实验结果(两种图⽚来观察结果):代码如下:###### 第⼀部分代码%⼿动实现膨胀和腐蚀%img=imread('finger_noise.tif');img=im2bw(imread('test.png'));figure('name','实验结果');number=5;% 定义number⾏图⽚subplot(number,3,1);imshow(img);title('原图');subplot(number,3,4);imshow(img);title('原图');subplot(number,3,7);imshow(img);title('原图');B=[0 1 01 1 10 1 0]; %结构元素[row,col]=size(img);%获得图像的⾼和宽%对img进⾏膨胀imgdilate=img;for i=2:row-1for j=2:col-1pitch=img(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))>0imgdilate(i,j)=1;%⾮零则赋值1elseimgdilate(i,j)=0;%零则仍赋值0endendendsubplot(number,3,2);imshow(imgdilate);title('膨胀后结果');%对img进⾏腐蚀imgerode=img;C=sum(B(:)); %结构元素B中关⼼的元素个数for i=2:row-1for j=2:col-1pitch=img(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))<Cimgerode(i,j)=0;elseimgerode(i,j)=1;endendendsubplot(number,3,3);imshow(imgerode);title('腐蚀后结果');B= [1 1 1;1 1 1;1 1 1]%更改结构元素[1 1 1;1 1 1;1 1 1],[1 0 1;0 1 0;1 0 1] %开操作(对腐蚀后的图像再进⾏⼀次膨胀)imgopen=imgerode;for i=2:row-1for j=2:col-1pitch=imgerode(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))>0 %⾮零则赋值1imgopen(i,j)=1;elseimgopen(i,j)=0;%零则仍赋值0endendendsubplot(number,3,5);imshow(imgopen);title('开操作后结果,结构元素为[1 1 1;1 1 1;1 1 1]');%闭操作(对膨胀后的图像再进⾏⼀次腐蚀)imgclose=imgdilate;C=sum(B(:)); %结构元素B中关⼼的元素个数for i=2:row-1for j=2:col-1pitch=imgdilate(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))<Cimgclose(i,j)=0;elseimgclose(i,j)=1;endendendsubplot(number,3,6);imshow(imgclose);title('闭操作后结果,结构元素为[1 1 1;1 1 1;1 1 1]');B= [1 0 1;0 1 0;1 0 1]%更改结构元素[1 1 1;1 1 1;1 1 1],[1 0 1;0 1 0;1 0 1] %开操作(对腐蚀后的图像再进⾏⼀次膨胀)imgopen=imgerode;for i=2:row-1for j=2:col-1pitch=imgerode(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))>0 %⾮零则赋值1imgopen(i,j)=1;elseimgopen(i,j)=0;%零则仍赋值0endendendsubplot(number,3,8);imshow(imgopen);title('开操作后结果,结构元素为[1 0 1;0 1 0;1 0 1]');%闭操作(对膨胀后的图像再进⾏⼀次腐蚀)imgclose=imgdilate;C=sum(B(:)); %结构元素B中关⼼的元素个数for i=2:row-1for j=2:col-1pitch=imgdilate(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))<Cimgclose(i,j)=0;elseimgclose(i,j)=1;endendendsubplot(number,3,9);imshow(imgclose);title('闭操作后结果,结构元素为[1 0 1;0 1 0;1 0 1]');subplot(number,3,10);imshow(imgdilate);title('原图');%确定全局阈值TT=0.5*(double(min(imgdilate(:)))+double(max(imgdilate(:))));%设置初始阈值为最⼤灰度和最⼩灰度值和的⼀半done=false;while ~doneg=imgdilate>=T;%分成两组像素,灰度值⼤于或者等于T的和灰度值⼩于T的Tnext=0.5*(mean(imgdilate(g))+mean(imgdilate(~g)));%新阈值两个范围内像素平均值和的⼀半done=abs(T-Tnext)<0.5; %0.5是⾃⼰指定的参数T=Tnext;endimout2=im2bw(imgdilate,T);subplot(number,3,11);imshow(imout2);title('膨胀后全局⼆值化');%确定全局阈值TT=0.5*(double(min(imgerode(:)))+double(max(imgerode(:))));%设置初始阈值为最⼤灰度和最⼩灰度值和的⼀半done=false;while ~doneg=imgerode>=T;%分成两组像素,灰度值⼤于或者等于T的和灰度值⼩于T的Tnext=0.5*(mean(imgerode(g))+mean(imgerode(~g)));%新阈值两个范围内像素平均值和的⼀半done=abs(T-Tnext)<0.5; %0.5是⾃⼰指定的参数T=Tnext;endimout3=im2bw(imgerode,T);subplot(number,3,12);imshow(imout3);title('腐蚀后全局⼆值化');第⼆部分代码%pic =imread('finger.tif')pic =imread('rice.tif')number=2subplot(number,3,1);imshow(pic);title('原图');% 使⽤prewitt算⼦增强G=imfilter(pic,fspecial('prewitt'));%⽣成’prewitt’模板,并对输⼊图像做边缘增强,再加上原图像subplot(number,3,2);imshow(G);title('prewitt算⼦增强后图像');L=watershed(G); %分⽔岭算法wr=L==0; %取出边缘subplot(number,3,3);imshow(wr);title('分⽔岭');pic(wr)=255;subplot(number,3,5);imshow(uint8(pic));title('前景分割结果');。
数字图像处理之图像分割PPT课件
第13页/共69页
直方图阈值法matlab实现
• 函数:im2bw,全局阈值函数 • BW=im2bw(I ,level); • BW=im2bw(I ,map ,level); • BW=im2bw(RGB ,level); • 分别将灰度图像、索引图像、彩色图像转化为二值图像, • level,为归一化阈值
型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多梯度算子roberts算子prewitt算子kirsch算子原始图像型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多laplacian算子曲面拟合法型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多梯度算子roberts算子prewitt算子sobel算子kirsch算子原始图像型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多laplacian算子marr算子曲面拟合法型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多a原图h结果c正值为白负值为黑d过零点例3
图像灰度直方图
暗 Z1
Zi
Zt Zj Zk 亮
背景
目标
双峰法选取阈值的缺点:会受到噪音的干扰,最小值不是预期的阈值, 而偏离期望的值。 改进办法:1)取两个峰值之间某个固定位置,如中间位置上。由于峰 值代表的是区域内外的典型值,一般情况下,比选谷底更可靠,可排除 噪音的干扰;2)加强对噪音的处理。对直方图进行平滑处理,如最小 二乘法等补点插值。
数字图像处理(七-图像分割)
– 低级处理:图像获取、预处理,不需要智能 – 中级处理:图像分割、表示与描述,需要智能 – 高级处理:图像识别、解释,缺少理论,为降 低难度,设计得更专用。
3.4.2 图像分析系统组的成
• 图像分析技术分类的三种基本范畴
分割 预处理
问题 图像获取 低级处理
表示与描述
编程举例:用LoG算子检测边缘。
3.2.2 图像分割:边界分割法
• 边缘检测
%Filename:e21.m(LoG算子检测边缘) f=imread('rice.tif'); subplot(121),imshow(f); title('原图像'); BW=edge(f,'log'); %用LoG算子检测边缘 subplot(122),imshow(BW); title('LoG算子分割结果');
3.2.2 图像分割:边界分割法
• 边缘检测(Edge detection)
– 边界(Boundary)的定义:一段边是两个具有 相对不同灰度值特性的区域的边界线。 – 适用于:假定问题中的区域是非常类似的, 两个区域之间的过渡仅根据灰度的不连续性 便可确定 – 不适用于:当假定不成立时,阈值分割技术 一般来说比边缘检测更加实用
z1 z2 z3
• 边缘检测
– 梯度算子(Gradient
operator)
z4 z5 z6 z7 z8 z9
函数f(x,y)在(x,y)处的梯度为一个向量: ∇f = [∂f/∂x,∂f/∂y] 计算这个向量的大小(magnitude)为: ∇f = mag(∇f)=[(∂f/∂x)2+(∂f/∂y)2]1/2 近似为: ∇f ≈|∂f/∂x|+|∂f/∂y|
数字图像处理---图像分割
数字图像处理---图像分割图像分割概述图像分析概念:对图像中感兴趣的⽬标进⾏检测和测量,以获得它们的客观信息,从⽽建⽴对图像的描述步骤:1. 图像分割2. 特征识别3. 对象分类4. 建⽴联系概述图像分割概念:将图像划分为互不重叠的区域并提取感兴趣⽬标的技术基本策略:基于灰度值的两个基本特性:不连续性和相似性通过检测不连续性先找边,后确定区域通过检测相似性,在⼀定阈值下找到灰度值相似区域,区域外轮廓即为对象边界⽅法基于边缘的分割⽅法:先提取区域边界,再确定边界限定区域区域分割:确定每个像素归属区域,从⽽形成区域图区域⽣长:将属性接近的连通像素聚集成区域分裂-合并分割:即存在图像划分,也存在图像合并边缘检测算⼦---边缘分割法边缘定义:图像中像素灰度有阶跃变化或屋顶变化的像素的集合分类:阶跃状屋顶状特点:属于⾼频信号区域往往为闭合连线边缘检测流程滤波⇒增强⇒检测⇒定位边缘检测算⼦基本思想:计算局部微分算⼦⼀阶微分:⽤梯度算⼦进⾏运算特点:对于阶跃状变化会出现极⼤值(两侧都是正值,中间最⼤)对于屋顶状变化会过零点(两侧符号相反)不变部分为0⽤途:检测图像中边的存在注意事项:由于结果图中存在负值,因此需要处理后使⽤处理⽅法:取绝对值加最⼩值阈值法⼆阶微分:通过拉普拉斯算⼦计算特点:对于阶跃状变化会过零点(两侧符号相反)对于屋顶状变化会出现负极⼤值(两侧都是正值,中间最⼩)不变部分为0⽤途:检测图像中边的存在常⽤边缘检测算⼦Roberts 算⼦Prewitt 算⼦Sobel 算⼦Kirsch 算⼦Laplacian 算⼦Marr 算⼦交叉⽅向⼀阶锐化问题:锐化处理结果对具有矩形特征的物体的边缘提取较为有效,但是对于不规则形状的边缘提取,则存在信息上的缺损解决思想:利⽤⽆⽅向的锐化算法交叉微分算⼦交叉Roberts 算⼦公式:f ′x =|f (x +1,y +1)−f (x ,y )|f ′y =|f (x +1,y )−f (x ,y +1)|模板:f ′x =−1001,f ′y =01−1特点:算法简单,对噪声敏感,效果较梯度算⼦较好交叉Prewitt 算⼦模板:d ′x =011−101−1−10,d ′y =−1−10−101011特点:与Sobel 相⽐有⼀定抗⼲扰性,图像效果较⼲净交叉Sobel 算⼦模板:d ′x =012−101−2−10,d ′y =−2−10−101012特点:锐化的边缘信息较强kirsch 算⼦(⽅向算⼦)模板:特点在计算边缘强度的同时可以得到边缘⽅向各⽅向间的夹⾓为45°分析取其中最⼤的值作为边缘强度,与之对应的⽅向作为边缘⽅向若取最⼤值绝对值,则仅需要前四个模板即可Nevitia 算⼦[][][][][][]特点:各⽅向间的夹⾓为30°Laplacian算⼦同图像增强中的Laplacian算⼦优点:各向同性、线性和位移不变对细线和孤⽴点检测效果较好缺点对噪声敏感,有双倍加强作⽤不能检测出边缘⽅向常产⽣双像素边缘使⽤之前需要对图像进⾏平滑Marr算⼦在Laplacian算⼦基础上发展⽽来平滑函数采⽤⾼斯正态分布函数h(x,y)=e−x2+y2 2σ2σ为⽅差⽤h(x,y)对图像f(x,y)平滑克表⽰为g(x,y)=h(x,y)∗f(x,y) *代表卷积令r表⽰从原点出发的径向距离,即r2=x2+y2利⽤⾼斯-拉普拉斯滤波器(LOG滤波器)▽2h=(r2−2σ2σ4)e−r22σ2即可利⽤⼆阶导数算⼦过零点的性质,确定图像中阶跃边缘的位置在该算⼦中σ越⼩边缘位置精度越⾼,边缘细节变化越多;σ越⼤平滑作⽤越⼤,但是细节损失越⼤,边缘点定位精度越低过程1. 通过⼆维⾼斯函数对图像进⾏卷积降噪2. ⽤⼆阶导数差分算⼦计算图像强度的⼆阶导数3. 利⽤⼆阶导数算⼦过零点的性质,确定图像中阶跃边缘的位置优点:能快速得到⼀个闭合的轮廓缺点:对噪声敏感Canny边缘检测算⼦最优边缘检测算⼦应有的指标低误判率⾼定位精度抑制虚假边缘过程:1. 计算图像梯度2. 梯度⾮极⼤值抑制3. 双阈值提取边缘点计算图像梯度⾼斯函数的⼀阶导数模板:−11−11,−1−111⾮极⼤值抑制 NMS思想:梯度幅值图像M(x,y),仅保留梯度⽅向上的极⼤值点过程初始化N(x,y)=M(x,y)对每⼀点在梯度⽅向和反梯度⽅向各找n 个点,若M(x,y)⾮最⼤值,则置零,否则保持不变对NMS 结果⼆值化(双阈值提取边缘点)使⽤两个阈值T 1,T 2:T 2>>T 1由T 1得到E 1(x ,y ),低阈值边缘图:更⼤的误检率由T 2得到E 2(x ,y ),⾼阈值边缘图:更可靠边缘连接初始化E (x ,y )=E 2(x ,y )对E (x ,y )中的每个点在E 1(x ,y )中寻找延长部分进⾏连接输出E (x ,y )Canny 边缘检测算⼦步骤1. ⾼斯滤波器平滑2. ⼀阶偏导计算梯度幅值与⽅向3. 对梯度幅值进⾏⾮极⼤值抑制4. 双阈值算法检测连接边缘Canny 边缘检测算⼦优点参数较⼩计算效率⾼得到边缘连续完整双阈值选择T Low =T HIGH ∗0.4曲⾯拟合法出发点:基于差分检测图像边缘的算⼦往往对噪声敏感四点拟合灰度表⾯法⽤⼀平⾯p (x ,y )=ax +by +c 来拟合四邻域像素灰度值定义均⽅差为ε=∑[p (x ,y )−f (x ,y )]2模板a =12−1−111,b =12−11−11特点:先平均后求差分,对噪声由抑制作⽤边缘跟踪出发点:噪声边检测需要归整边缘像素概念:将检测的边缘点连接成线过程:边缘提取连接成线⽅法光栅扫描跟踪法全向跟踪法光栅扫描跟踪法概念:采⽤电视光栅⾏扫描顺序,结合门限检测,对遇到的像素进⾏分析并确定其是否是边缘的跟踪⽅法具体步骤:[][][][]确定检测阈值d(较⾼)超过d的点作为对象点确定跟踪阈值t(较低)确定跟踪邻域扫描下⼀⾏,跟踪邻域内灰度差⼩于t的,接受为对象点若没有对象点,则该曲线跟踪结束重新从下⼀⾏开始利⽤d寻找对象点并进⾏跟踪扫描结束后跟踪结束特征可以不是灰度级跟踪准则根据具体问题灵活运⽤最好再进⾏⼀次其他⽅向的跟踪全向跟踪Hough变化检测法问题:如何连接边界点集基本思想利⽤xoy直⾓坐标系直线y=ax+b,待求极坐标系内点(ρ,θ),已知求点到线的变化ρ=xcosθ+ysinθ原理:过每个点的直线系分别对应极坐标系上的⼀条正弦曲线,如正弦曲线存在共同交点(ρ′,θ′),则必定在平⾯上共线实现:使⽤交点累积器或直⽅图,寻找相交线段最多的参数空间的点,再寻找对应的直线线段特点:对ρ、θ量化过粗会导致直线参数不精确,过细会导致计算量增加获得直线抗噪能⼒强可以⽤来检测直线阈值分割法基本思想:通过阈值T⽣成⼆值图,在四邻域中有背景的像素就是边界像素特点:适⽤于物体与背景有强对⽐的情况下,且物体或背景的灰度较单⼀可以先求背景再求物体可以得到封闭且连通区域的边界通过交互获得阈值通过直⽅图得到阈值基本思想:边界上的点灰度值出现次数较少⽅法:选取直⽅图⾕底的最⼩灰度值作为阈值缺点:会受到噪声⼲扰改进:取两个峰值之间的某个固定位置降噪简单图像的阈值分割判断分析法最佳熵⾃动阈值法复杂图像的阈值分割步骤⾃动平滑直⽅图确定区域类数⾃动搜索多个阈值特征空间聚类k均值聚类步骤任意选取K个初始聚类中⼼值使⽤最⼩距离判别,将新读⼊的像素分⾄K类重新计算中⼼值,等于⼀类元素的平均值重新聚类直⾄新旧差异不⼤区域增长通过像素集合的区域增长实现:根据应⽤选取种⼦选择描述符种⼦根据描述符扩张直⾄没有新的节点加⼊集合简单区域扩张法以未划分点与起点灰度差⼩于阈值T作为描述符优缺点:1. 不好确定阈值2. ⽆法分割缓慢变化边界质⼼区域增长法以未划分点与区域平均灰度值差⼩于阈值T作为描述符分裂合并法实现:1. 对于灰度级不同的区域划分为四个⼦区域2. 若相邻⼦区域所有像素灰度级相同,则合并3. 反复进⾏直⾄不再进⾏新的分裂合并操作Processing math: 100%。
数字图像处理PPT——第七章 图像分割
p-参数法
针对已知目标物在画面中所占比例的情况。 基本设计思想 选择一个值Th,使前景目标物所占的比例 为p,背景所占比例为1-p。 基本方法 先试探性地给出一个阈值,统计目标物的 像素点数在整幅图中所占的比例是否满足 要求,是则阈值合适;否则,阈值则偏大 或者偏小,再进行调整,直到满足要求。
p-参数法算法步骤
⎧ σ b2 ⎫ η | Th* = max ⎨ 2 ⎬ ⎩σ in ⎭
局部阈值方法
提出的原因 阈值方法对于较为简单的图像(目标 与背景差别大,容易区分的图像)简 单有效,对于较为复杂的图像,分割 效果不稳定。 方法 把图像分成子块,在每个子块上再采 样前述阈值分割方法
灰度-局部灰度均值散布图法
σ 12 =
f ( x , y )∈C 1
∑
( f ( x, y ) − μ1 )2
2 σ2 =
f ( x , y )∈C 22 )2
1 μ1 = N C1
f ( x , y )∈C 1
∑
f ( x, y )
1 μ2 = NC 2
f ( x , y )∈C 2
∑
f ( x, y )
参数空间的一条直线对应xy空间的一 个点
Hough变换提取直线原理
Xy空间一条直线上的n个点,对应kb 空间经过一个公共点的n条直线 Kb空间一条直线上的n点对应于xy空 间中过一公共点的n条直线
Hough变换提取直线算法
假设原图像为二值图像,扫描图中的每一 个像素点: 背景点,不作任何处理 目标点,确定直线: b = − xk + y 参数空间上的对应直线上所有的值累加1 循环扫描所有点 参数空间上累计值为最大的点(k*,b*)为所求 直线参数 按照该参数与原图像同等大小的空白图像 上绘制直线
数字图像处理-SJTUMediaLab-上海交通大学
第七章 图像分割-3
Digital Image Processing
引言
人们观察景物时,所看到的是一个个物体。
数字图像处理设法把图像分成像素集合,每个集合代表一 个物体。
上海交通大学 图像通信与网络工程研究所 第七章 图像分割-4
Digital Image Processing
引言
图像分割的目的:
数字图像处理
Digital Image Processing
主讲:张重阳
上海交通大学图像通信与网络工程研究所
Email :sunny_zhang@ 上海交通大学图像通信研究所
Digital Image Processing
上海交通大学 图像通信与网络工程研究所
第七章 图像分割-2
把图像分解成构成它的部件和对象;
有选择性地定位感兴趣对象在图像中的位置和范围。
上海交通大学 图像通信与网络工程研究所
第七章 图像分割-5
Digital Image Processing
本章概述
相关章节的关系:
增强/复原:输出的是“质量有提高”的数字图象,目的在于看得
“更清楚”;
压缩/变换:为了更有效地传输、存储; 分割/描述:输出的是目标的特性,是对图象的描述。
原来仅用一个特征:“灰度值”,在一维特征空间里分类。 若再加一个“特征”,根据二个特征共同来判别更好,因为二维特征空间分类,类别 可分离性↑
问题:另一维是什么特征?它和空间信息有关
上海交通大学 图像通信与网络工程研究所 第七章 图像分割-11
(2)可变门限
(3)利用空间信息进行门限选择
Digital Image Processing
灰度门限
图像分割-数字图像处理
图像分割
3.最优阈值法
由于目标与背景的灰度值往往有部分相同,因而用一个
全局阈值并不能准确地把它们绝对分开,总会出现分割误差。
一部分目标像素被错分为背景,一部分背景像素被错分为目
标。最优阈值法的基本思想就是选择一个阈值,使得总的分
类误差概率最小。
图像分割
假定图像中仅包含两类主要的灰度区域(目标和背景),z
图像分割
图7-2 直方图具有双峰性质的阈值分割
图像分割
1.极小点阈值法
如果将直方图的包络线看作一条曲线,则通过求取曲线
极小值的方法可以找到直方图的谷底点,作为分割阈值。设
p(z)代表直方图,则极小点应满足:
在求极小值点之前,若对直方图进行平滑处理,则效果会
更好。
图像分割
2.迭代阈值法
迭代阈值算法如下:
则(一般用灰度均值和方差来度量),则将其继续分裂成若干个
子区域,否则该子区域不再分裂。如果相邻的两个子区域满
足某个相似性准则,则合并为一个区域。直到没有可以分裂
和合并的子区域为止。通常基于如图7-8所示的四叉树来表
示区域分裂与合并,每次将不满足一致性准则的区域分裂为4
个大小相等且互不重叠的子区域。
图像分割
目标与背景的对比度很小。图7-6(b)为用 Otsu法全局阈值化
的结果,可见左上角的圆形目标未被检测出来。图7-6(c)为所
用的分区网格,它把原始图像均匀地分解为16幅子图像。对
每幅子图像单独使用 Otsu阈值法进行分割,分割结果如图76(d)所示。由图可见,左上角目标被清晰地从背景中分离出来。
图像分割
洼赋予不同的标记;落在未标记点上的雨水将流向更低的邻
数字图像处理-图像分割-讲义PPT
图像分割
图像分割概论
图像分割的目的是理解图像的内容,提取出我们感兴趣的对象。 图像分割按照具体应用的要求和具体图像的内容将图像分割成一块块区域。 图像分割是模式识别和图像分析的预处理阶段。 通常图像分割采用聚类方法,假设图像中组成我们所感兴趣对象的像素具有一些相 似的特征,如相同的灰度值、相同的颜色等。 传统的图像分割技术: 基于像素灰度值的分割技术 基于区域的分割技术 基于边界的分割技术 图像的描述,包括边界和区域的描述
在标注一个像素点的纹理特征时很可能是多维数据,如距离、方向、灰度变化等等。
纹理分析的自相关函数方法
自相关函数的定义 若有一幅图像f(i, j), i, j=0, 1, …, N-1, 它的自相关函数为:
f (i, j ) f (i x, j y ) i 0 j 0 f 2 (i, j ) i 0 j 0
对图像区域的操作―数学形态学
灰度阈值分割法
灰度阈值分割法是最古老的分割技术 只能应用于图像中组成感兴趣对象的灰度值是均匀的,并且和背景的灰度值不一样。 事先决定一个阈值,当一个像素的灰度值超过这个阈值,我们就说这个像素属于我们 所感兴趣的对象;反之则属于背景部分。 这种方法的关键是怎样选择阈值,一种简便的方法是检查图像的直方图,然后选择一 个合适的阈值。 如果图像适合这种分割法,那么图像的直方图在表示对象和背景的小范围灰度值附近 出现一个高峰值。适合这种分割法的图像的直方图应是双极模式,我们可以在两个峰 值之间的低谷处找到一个合适的阈值。 单一阈值方法也不适合于由许多不同纹理组成一块块区域的图像。
灰度共生矩阵表示空间灰度值依赖性的概率,这个灰度共生矩阵是对称的; 不仅仅和两个像素之间的距离有关,还跟两个像素之间的空间角度有关。
- 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)。
r
数字图像处理
电子信息与自动化学院
7
7.1 概述
图像分析步骤 把图像分割成不同的区域或把不同的对象分开; 找出分开的各区域的特征; 识别图像中要找的对象或对图像分类;
对不同区域进行描述或寻找出不同区域的相互联
系,进而找出相似结构或将相关区域连成一个有
意义的结构。
数字图像处理 电子信息与自动化学院
29
7.2
几种常用的边缘检测算子
拉普拉斯算子(Laplacian算子) 对于阶跃状边缘,其二阶导数在边缘点出现零交 叉,即边缘点两旁二阶导数取异号。据此,对数 字图像的每个像素计算关于x轴和y轴的二阶偏导 数之和。
▽2f(x,y)= f(x+1,y)+ f(x-1,y)+ f(x,y+1)+ f(x,y-1)- 4f(x,y)
24
7.2
几种常用的边缘检测算子
Prewitt和Sobel算子 思路: 加大边缘检测算子模板出发减少噪声的影响
-1 -1 -1 1 -1 -1 -1 1 1 1 1 1
Prewitt算子
-1 -2 -1
1 -1 2 1 2 1 -1 -2 1
Sobel算子
Prewitt算子:不仅能检测边缘点,且能抑制噪声的影响 ; Sobel算子:能进一步抑制噪声影响。
屋顶状边缘
一阶导数为过零点
二阶导数为极值点 (一般)
两种边缘和边缘点近旁灰度方向导数变化规律
数字图像处理 电子信息与自动化学院
18
7.2
几种常用的边缘检测算子
数字图像处理
电子信息与自动化学院
19
7.2
几种常用的边缘检测算子
梯度算子
Roberts梯度算子
Prewitt和Sobel算子
数字图像处理 电子信息与自动化学院
25
7.2
几种常用的边缘检测算子
用Prewitt算子进行边缘检测的结果
数字图像处理 电子信息与自动化学院
26
7.2
几种常用的边缘检测算子
方向算子 方向算子利用一组模板分别计算在不同方向上 的差分值,取其中最大的值作为边缘强度,而 将与之对应的方向作为边缘方向。
方向算子
Laplacian算子 马尔算子 Canny边缘检测 沈俊边缘检测
数字图像处理 电子信息与自动化学院
20
7.2
几种常用的边缘检测算子
梯度算子 对阶跃边缘,在边缘点处一阶导数有极值, 因此可计算每个像元处的梯度来检测边缘点。 梯度的大小代表边缘的强度,梯度方向与边 缘走向垂直。
32
7.2
几种常用的边缘检测算子
马尔算子
马尔(Marr-Hildreth)算子是在拉普拉斯算子的基础上 实现的, 它得益于对人的视觉机理的研究,有一定的 生物学和生理学意义。 由于Laplacian算子对噪声比较敏感,为了减少噪声影 响,可先对图像进行平滑,然后再用Laplacian算子检 测边缘。 平滑函数应能反映不同远近的周围点对给定像素具有 不同的平滑作用,因此,平滑函数采用正态分布的高 斯函数,即:
-5 3 3 -5 0 3 -5 3 3 3 3 -5 3 0 -5 3 3 -5
数字图像处理
3 3 3 -5 0 3 -5 -5 3 3 -5 -5 3 0 -5 3 3 3
3 3 3 3 0 3 -5 -5 -5
3 3 3 3 0 -5 3 -5 -5 -5 -5 3 -5 0 3 3 3 3
27
数字图像处理 电子信息与自动化学院
11
7.1 概述 图像分割的基本策略 分割算法基于灰度值的两个基本特性:
• 不连续性 • 相似性
检测图像像素灰度级的不连续性,找到点、 线(宽度为1)、边(不定宽度)。先找边, 后确定区域。
数字图像处理
电子信息与自动化学院
12
7.1 概述
图像分割的基本策略 检测图像像素的灰度值的相似性,通过选择 阈值,找到灰度值相似的区域,区域的外轮 廓就是对象的边
第七章 图像分割
7.1 概述 7.2 边缘检测算子
7.3 边缘跟踪
7.4 Hough变换线检测法 7.5 区域分割 7.6 区域增长 7.7 分裂合并法
数字图像处理
电子信息与自动化学院
1
7.1 概述
什么是图像分割? 图像分割的作用是什么? 图像分割的常用方法有哪些? 如何进行边缘检测? 如何得到较完整的边缘?
优点:
• 各向同性、线性和位移不变的;
• 对细线和孤立点检测效果较好。
缺点:
• 对噪音的敏感,对噪声有双倍加强作用; • 不能检测出边的方向; • 常产生双像素的边缘。 由于梯度算子和Laplacian算子都对噪声敏感,因此一般 在用它们检测边缘前要先对图像进行平滑。
数字图像处理 电子信息与动化学院
13
7.1 概述 图像分割的方法 基于边缘的分割方法
• 先提取区域边界,再确定边界限定的区域。
区域分割
• 确定每个像素的归属区域,从而形成一个区域图。
区域生长
• 将属性接近的连通像素聚集成区域
分裂-合并分割
• 综合利用前两种方法,既存在图像的划分,又有图像的合 并。
2 h * f ( x, y)
▽2h称为高斯-拉普拉斯滤波算子,或马尔算子,它是 一个轴对称函数,各向同性,也称为“墨西哥草帽”
▽2h的剖面和对应的转移函数
数字图像处理 电子信息与自动化学院
34
7.2
几种常用的边缘检测算子
下面是σ=10时,Marr算子的模板:
数字图像处理
电子信息与自动化学院
数字图像处理
电子信息与自动化学院
16
7.2
几种常用的边缘检测算子
边缘的分类 阶跃状:位于两边的像素灰度值有明显不同; 屋顶状:位于灰度值从增加到减少的转折处。
阶跃状
数字图像处理
屋顶状
17
电子信息与自动化学院
7.2
几种常用的边缘检测算子
阶跃状边缘 一阶导数为极值点 二阶导数为过零点
-1
数字图像处理
1
1
22
电子信息与自动化学院
7.2
几种常用的边缘检测算子
基于梯度的边缘检测 选取适当的阈值T,对梯度图像进行二值化
1 Grad(x,y) T g ( x, y) 其它 0
边缘二值图像
缺点:梯度算子仅用最近邻像素的灰度计算, 对噪声敏感,无法抑制噪声的影响。
8
7.1 概述 什么是图像分割? 图像分割是指把图像分成互不重叠的区域并提 取出感兴趣目标的技术和过程。
数字图像处理
电子信息与自动化学院
9
7.1 概述 图像分割 ——由图像处理进到图像分析的关健步骤。
一方面,它是目标表达的基础,对特征测量有重要的 影响。 另一方面,因为图像分割及其基于分割的目标表达、
特征提取和参数测量等将原始图像转化为更抽象更紧
凑的形式,使得更高层的图像分析和理解成为可能。
数字图像处理
电子信息与自动化学院
10
7.1 概述
图像分割的定义
令集合R代表整个图像区域,对R的分割可看做将R分成N 个满足以下5个条件的非空子集(子区域) R1,R2,…,RN ①
N
R
i 1
i
R ;
数字图像处理 电子信息与自动化学院
28
7.2
几种常用的边缘检测算子
不同边缘检测算子检测结果比较
(a)是原始的摄影师图像;(b)、(c)、(d)、(e)和(f)分别是采用梯度算子、 Roberts和3×3的Prewitt、Sobel、Kirsch检测出的边缘二值化图像。
数字图像处理 电子信息与自动化学院
数字图像处理
电子信息与自动化学院
30
7.2
几种常用的边缘检测算子
拉普拉斯算子 定义数字形式的拉普拉斯的基本要求是,作用 于中心像素的系数是一个负数,而且其周围像 素的系数为正数,系数之和必为0。
0
1 0
1
-4 1
0
1 0
数字图像处理
电子信息与自动化学院
31
7.2
几种常用的边缘检测算子
拉普拉斯算子的分析
②对所有的i和j,i≠j,有 Ri R j ; ③对i=1,2,…,N,有P(Ri)=TRUE;
④对i≠j,有P(Ri∪Rj)=FALSE;
⑤对i=1,2,…,N,Ri是连通的区域。 其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,φ 代表空集,连通是指集合中任意两个点之间都存在着完全 属于该集合的连通路径。
数字图像处理
电子信息与自动化学院
14
7.1 概述
研究方向 提取有效的属性; 寻求更好的分割途径和分割质量评价体系; 分割自动化。
数字图像处理
电子信息与自动化学院
15
7.2
几种常用的边缘检测算子
边缘的概念 边缘是指图像中像元灰度有阶跃变化或屋顶 状变化的那些像元的集合。 存在于目标与背景、目标与目标、区域与区 域、基元与基元之间。 包含方向、阶跃性质 、形状等信息。 是图像识别中抽取的重要属性 ,对图像识 别和分析十分有用。
35
7.2
几种常用的边缘检测算子
马尔算子总结 证明这个算子定义域内的平均值为零,因此将它与图像 卷积并不会改变图像的整体动态范围。 由于它相当光滑,因此将它与图像卷积会模糊图像,并 且其模糊程度是正比于σ的。正因为▽2h的平滑性质能减 少噪声的影响,所以当边缘模糊或噪声较大时,利用 ▽2h检测过零点能提供较可靠的边缘位置。 在该算子中, 的选择很重要, 小时位置精度高但 边缘细节变化多。 马尔算子用于噪声较大的区域会产生高密度的过零点。