图像边缘检测ppt
合集下载
相关主题
- 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)。
-
❖ Laplacian算子提取边缘的形式，即二阶偏导 数的和，它是一个标量，属于各向同性的运 算，对灰度突变敏感。在数字图像中，可用 差分来近似微分运算，其离散计算形式为：
-
改进的Laplacian算法
❖ 原来的方向外，又增加了8个方向，共有16个方向 上进行检测的模板，
❖ 根据Laplacian算子的可靠性设定了适当的权向量。 根据该估算模板，可以提高边缘检测的精度，
❖ 将高斯滤波和拉普拉斯边缘检测结合在一起，称 LOG边缘检测算子。
❖ 为抑制噪声，可先作平滑滤波然后再作二次微分， 通常采用高斯函数作平滑滤波，故有 LOG(Laplacian of Gaussian)算子。
❖ 在实现时一般用两个不同参数的高斯函数的差DOG （Difference of Gaussians）对图像作卷积来近似， 这样检测出来的边缘点称为f (x ,y)的过零点（Zerocrossing）。
-
线性边缘检测
❖ The basic idea is to detect the difference of intensity.
symmetric difference has less space resolution than forward difference.
-
-
-
-
-
❖ 在图像没有噪声的情况下，Roberts算子、Sobel算 子、Prewitt算子，都能够比较准确的检测出图像的 边缘。
❖ (3)Prewitt边缘检测算子是一种类似Sobel边缘检测 算子的边缘模板算子，它同样对噪声有平滑作用。
❖ 与Sobel边缘检测算子一样，它检测出的边缘比较 粗，定位精度比较低，容易损失如角点这样的边缘 信息。
-
❖ 由于各种原因，图像总是受到随机噪声的干扰，可 以说噪声无处不在。
❖ 经典的边缘检测方法由于引入了各种形式的微分运 算，从而必然引起对噪声的极度敏感，边缘检测的 结果常常是把噪声当作边缘点检测出来，而真正的 边缘也由于受到噪声干扰而没有检测出来。
❖ 对于有噪声图像来说，一种好的边缘检测方法应该 具有良好的噪声抑制能力，同时又有完备的边缘保 持特性。
-
❖ 经典的边缘检测算子具有实现简单、运算速度快等 特点，但其检测受噪声的影响很大，检测结果不可 靠，不能准确判定边缘的存在及边缘的准确位置， 造成这种情况的原因：
❖ (1)实际边缘灰度与理想边缘灰度值间存在差异，这 类算子可能检测出多个边缘；
识别就会方便得多，精确度也会得到提高。
-
❖ 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。
❖ 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。
❖ 增强：增强边缘的基础是确定图像各点邻域强度的 变化值。增强算法可以将邻域(或局部)强度值有显 著变化的点突显出来。边缘增强一般是通过计算梯 度幅值来完成的。
❖ 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。
-
-
Leabharlann Baidu
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。
❖ (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
-
❖ (2)Sobel边缘检测算子是综合图像每个象素点的上、 下、左、右邻点灰度的加权和，接近模板中心的权 值较大，不但可以产生较好的边缘效果，而且对噪 声具有平滑作用，减小了对噪声的敏感性。
❖ Sobel边缘检测算子也检测出了一些伪边缘，使得 边缘比较粗，降低了检测定位精度。在检测定位精 度要求不是很高的情况下，Sobel算子是比较常用 的边缘检测算子。
-
❖ 边缘存在于目标与背景、目标与目标、区域与区域 之间，是图像最基本的特征之一为人们描述或识别 目标以及解释图像提供了一个重要的特征参数。
❖ 它蕴含了图像丰富的内在信息（如方向、阶越性质 与形状等）；
❖ 纹理特征的重要信息源和形状特征的基础； ❖ 图像分割、图像分类、图像配准和模式识别所依赖
的重要特征。 ❖ 如果能成功地检测出图像的边缘，图像分析、图像
❖ 加入高斯白噪声后，三种边缘检测算子的边缘检测 效果都多少受到噪声的干扰，
❖ 随着噪声的增加，噪声的影响加重，检测出大量的 噪声点和伪边缘，甚至无法检测出边缘。
❖ Roberts算子受噪声的影响最大，Sobel算子、 Prewitt算子受噪声影响比Roberts算子小的原因：
❖ (1)Roberts边缘检测算子采用对角线方向相邻两像 素之差进行梯度幅度检测，其检测水平和垂直方向 边缘的性能好于斜线方向，并且检测定位精度比较 高，但对噪声敏感。
-
❖ 检测：在图像中有许多点的梯度幅值比较大，而这 些点在特定的应用领域中并不都是边缘，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。
❖ 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。
❖ 在边缘检测算法中，前三个步骤用得十分普遍。这 是因为大多数场合下，仅仅需要边缘检测器指出边 缘出现在图像某一像素点的附近，而没有必要指出 边缘的精确位置或方向。
-
❖ 基本特征是： ❖ (1)平滑滤波器是高斯滤波器； ❖ (2)增强步骤采用二阶导数(二维拉普拉斯函
数)； ❖ (3)边缘检测判据是二阶导数零交叉点并对应
❖ Laplacian算子提取边缘的形式，即二阶偏导 数的和，它是一个标量，属于各向同性的运 算，对灰度突变敏感。在数字图像中，可用 差分来近似微分运算，其离散计算形式为：
-
改进的Laplacian算法
❖ 原来的方向外，又增加了8个方向，共有16个方向 上进行检测的模板，
❖ 根据Laplacian算子的可靠性设定了适当的权向量。 根据该估算模板，可以提高边缘检测的精度，
❖ 将高斯滤波和拉普拉斯边缘检测结合在一起，称 LOG边缘检测算子。
❖ 为抑制噪声，可先作平滑滤波然后再作二次微分， 通常采用高斯函数作平滑滤波，故有 LOG(Laplacian of Gaussian)算子。
❖ 在实现时一般用两个不同参数的高斯函数的差DOG （Difference of Gaussians）对图像作卷积来近似， 这样检测出来的边缘点称为f (x ,y)的过零点（Zerocrossing）。
-
线性边缘检测
❖ The basic idea is to detect the difference of intensity.
symmetric difference has less space resolution than forward difference.
-
-
-
-
-
❖ 在图像没有噪声的情况下，Roberts算子、Sobel算 子、Prewitt算子，都能够比较准确的检测出图像的 边缘。
❖ (3)Prewitt边缘检测算子是一种类似Sobel边缘检测 算子的边缘模板算子，它同样对噪声有平滑作用。
❖ 与Sobel边缘检测算子一样，它检测出的边缘比较 粗，定位精度比较低，容易损失如角点这样的边缘 信息。
-
❖ 由于各种原因，图像总是受到随机噪声的干扰，可 以说噪声无处不在。
❖ 经典的边缘检测方法由于引入了各种形式的微分运 算，从而必然引起对噪声的极度敏感，边缘检测的 结果常常是把噪声当作边缘点检测出来，而真正的 边缘也由于受到噪声干扰而没有检测出来。
❖ 对于有噪声图像来说，一种好的边缘检测方法应该 具有良好的噪声抑制能力，同时又有完备的边缘保 持特性。
-
❖ 经典的边缘检测算子具有实现简单、运算速度快等 特点，但其检测受噪声的影响很大，检测结果不可 靠，不能准确判定边缘的存在及边缘的准确位置， 造成这种情况的原因：
❖ (1)实际边缘灰度与理想边缘灰度值间存在差异，这 类算子可能检测出多个边缘；
识别就会方便得多，精确度也会得到提高。
-
❖ 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。
❖ 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。
❖ 增强：增强边缘的基础是确定图像各点邻域强度的 变化值。增强算法可以将邻域(或局部)强度值有显 著变化的点突显出来。边缘增强一般是通过计算梯 度幅值来完成的。
❖ 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。
-
-
Leabharlann Baidu
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。
❖ (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
-
❖ (2)Sobel边缘检测算子是综合图像每个象素点的上、 下、左、右邻点灰度的加权和，接近模板中心的权 值较大，不但可以产生较好的边缘效果，而且对噪 声具有平滑作用，减小了对噪声的敏感性。
❖ Sobel边缘检测算子也检测出了一些伪边缘，使得 边缘比较粗，降低了检测定位精度。在检测定位精 度要求不是很高的情况下，Sobel算子是比较常用 的边缘检测算子。
-
❖ 边缘存在于目标与背景、目标与目标、区域与区域 之间，是图像最基本的特征之一为人们描述或识别 目标以及解释图像提供了一个重要的特征参数。
❖ 它蕴含了图像丰富的内在信息（如方向、阶越性质 与形状等）；
❖ 纹理特征的重要信息源和形状特征的基础； ❖ 图像分割、图像分类、图像配准和模式识别所依赖
的重要特征。 ❖ 如果能成功地检测出图像的边缘，图像分析、图像
❖ 加入高斯白噪声后，三种边缘检测算子的边缘检测 效果都多少受到噪声的干扰，
❖ 随着噪声的增加，噪声的影响加重，检测出大量的 噪声点和伪边缘，甚至无法检测出边缘。
❖ Roberts算子受噪声的影响最大，Sobel算子、 Prewitt算子受噪声影响比Roberts算子小的原因：
❖ (1)Roberts边缘检测算子采用对角线方向相邻两像 素之差进行梯度幅度检测，其检测水平和垂直方向 边缘的性能好于斜线方向，并且检测定位精度比较 高，但对噪声敏感。
-
❖ 检测：在图像中有许多点的梯度幅值比较大，而这 些点在特定的应用领域中并不都是边缘，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。
❖ 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。
❖ 在边缘检测算法中，前三个步骤用得十分普遍。这 是因为大多数场合下，仅仅需要边缘检测器指出边 缘出现在图像某一像素点的附近，而没有必要指出 边缘的精确位置或方向。
-
❖ 基本特征是： ❖ (1)平滑滤波器是高斯滤波器； ❖ (2)增强步骤采用二阶导数(二维拉普拉斯函
数)； ❖ (3)边缘检测判据是二阶导数零交叉点并对应