图像边缘检测
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)。
❖ 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。
❖ (3)Prewitt对噪声有平滑作用，检测出的边缘比较粗， 定位精度，容易损失角点。
❖ 上述边缘检测算子具有实现简单、运算速度 快等特点，但受噪声的影响很大，不能准确 判定边缘存在及准确定位，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，可能检测出多个边缘；
❖ (2) 算子尺度固定不利于检出不同尺度的边缘；
该算子同样采用高斯函数对图像进行平滑处
理，因此具有较强的噪声抑制能力；同样该
算子也将一些高频边缘平滑掉，造成边缘丢 失。Canny算子之后采用了双阈值算法检测 和连接边缘，它采用的多尺度检测和方向性 搜索较LOG算子要好。
传统基于微分边缘检测的优缺点
❖ 图像边缘：图像亮度发生突变。信号的突变常常运 用微分进行表示。
❖ 在抑制噪声的同时也可能将原有的比较尖锐的边缘 也平滑掉了，造成这些尖锐边缘无法被检测到。
❖ 应用LOG算子时，高斯函数中方差参数σ的选则很 关键，这对图像边缘检测效果有很大的影响。
❖ 高斯滤波器为低通滤波器，σ越大，通频带越窄， 对较高频率噪声的抑制作用越大，避免了虚假边缘 的检出，但同时信号的边缘也被平滑了，造成某些 边缘点的丢失。
❖ 1)Roberts：采用对角线方向相邻两像素之差表示信 号的突变，检测水平和垂直方向边缘的性能好于斜 线方向，定位精度比较高，但对噪声敏感，检测出 的边缘较细。
❖ (2)Sobel边缘检测算子是像素邻域的加权和，模板 中心值较大，不但产生较好的边缘效果，而且对噪 声具有平滑作用。但存在伪边缘，边缘比较粗定位 精度低。
❖ σ越小，通频带越宽，可以检测到图像的更高频率 的细节，但对噪声的抑制能力相对下降，容易出现 虚假边缘。因此，应用LOG算子时，为取得更佳的 效果应该对不同图像选择不同参数；
❖ (3)Canny算子虽然是基于最优化思想推出的 边缘检测算子，但实际效果并不一定最优，
原因在于理论和实际有许多不一致的地方。
❖ (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。
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。
❖ 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 一阶导数的较大峰值；
❖ (4)使用线性内插方法在子像素分辨率水平上 估计边缘的位置。
❖ 该方法：首先图像与高斯滤波器进行卷积，这一步 既平滑了图像又降低了噪声，孤立的噪声点和较小 的结构组织将被滤除。
❖ 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；
❖ 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
❖ 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Fra Baidu bibliotek有必要指出 边缘的精确位置或方向。
❖ 平滑图像：用一维高斯函数 ❖ 计算梯度的幅值和方向 ❖ 对梯度幅值进行非极大值抑制 ❖ 双阈值方法检测和连接边缘
❖ 在没有噪声的情况下，Laplacian算子、LOG算子和 Canny算子都可以得到比较好的检测效果，检测效果 优于经典边缘检测方法，Laplacian算子检测出的边缘 较粗，而且存在大量的伪边缘。
❖ 平滑会导致边缘的延展，因此边缘检测器只考虑那 些具有局部梯度最大值的点为边缘点。这一点可以 用二阶导数的零交叉点来实现。
❖ 拉普拉斯函数用作二维二阶导数的近似，是因为它 是一种无方向算子。
❖ 为了避免检测出非显著边缘，应选择一阶导数大于 某一阈值的零交叉点作为边缘点。
❖ 称之为墨西哥草帽算子。 ❖ (1)求图像与高斯滤波器卷积，再求卷积的拉普拉斯
❖ (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。
❖ (3) 平滑算子过于简单，对噪声都比较敏感。
❖ 4)Laplacian：算子二阶微分算子，对图像中的阶跃 性边缘点定位准确，对噪声非常敏感，丢失一部分 边缘的方向信息，造成一些不连续的检测边缘。
❖ 5）LOG算子：首先用高斯函数进行滤波，然后使 用Laplacian算子检测边缘，克服了Laplacian算子 抗噪声能力比较差的缺点，LOG算子中高斯函数中 方差参数σ的选则很关键，σ越大避免了虚假边缘的 检出，边缘也被平滑造成边缘点的丢失。σ越小， 噪声抑制能力相对下降，容易出现虚假边缘。
❖ 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。
❖ 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。
❖ (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
❖ 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）。
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。
❖ (2)最优定位准则：检测到的边缘点的位置距离实际 边缘点的位置最近，或者是由于噪声影响引起检测 出的边缘偏离物体的真实边缘的程度最小；
❖ (3)检测点与边缘点一一对应：算子检测的边缘点与 实际边缘点应该是一一对应的。
❖ 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。
❖ 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；
变换； ❖ (2)求高斯滤波器的拉普拉斯变换，再求与图像的卷
积。 ❖ 滤波、增强、检测这三个边缘检测步骤对使用LOG
边缘检测仍然成立， ❖ 平滑是用高斯滤波器来完成的； ❖ 增强是将边缘转换成零交叉点来实现的； ❖ 边缘检测是通过检测零交叉点来进行的。
❖ 5 ×5大小的LOG算子模板为：
canny
❖ 6）Canny：采用高斯函数对图像进行平滑处理，因 此具有较强的噪声抑制能力；同样该算子也将一些 高频边缘平滑掉，造成边缘丢失，采用了双阈值算 法检测和连接边缘，边缘的连续性较好。
基于微分边缘检测的不足
❖ 边缘是灰度不连续的结果。边缘检测是根据引起图像 灰度变化来描述图像。
❖ 图像灰度不连续性的物理过程可能是几何方面的，光 学方面的。
❖ 1)Laplacian算子是不依赖于边缘方向的二阶微分算子， 对图像中的阶越性边缘点定位准确，该算子对噪声非 常敏感，它使噪声成分得到加强，这两个特性使得该 算子容易丢失一部分边缘的方向信息，造成一些不连 续的检测边缘，同时抗噪声能力比较差；
❖ (2)LOG算子首先用高斯函数对图像作平滑滤波处 理，然后才使用Laplacian算子检测边缘，因此克服 了Laplacian算子抗噪声能力比较差的缺点，
❖ 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。
❖ (3)Prewitt对噪声有平滑作用，检测出的边缘比较粗， 定位精度，容易损失角点。
❖ 上述边缘检测算子具有实现简单、运算速度 快等特点，但受噪声的影响很大，不能准确 判定边缘存在及准确定位，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，可能检测出多个边缘；
❖ (2) 算子尺度固定不利于检出不同尺度的边缘；
该算子同样采用高斯函数对图像进行平滑处
理，因此具有较强的噪声抑制能力；同样该
算子也将一些高频边缘平滑掉，造成边缘丢 失。Canny算子之后采用了双阈值算法检测 和连接边缘，它采用的多尺度检测和方向性 搜索较LOG算子要好。
传统基于微分边缘检测的优缺点
❖ 图像边缘：图像亮度发生突变。信号的突变常常运 用微分进行表示。
❖ 在抑制噪声的同时也可能将原有的比较尖锐的边缘 也平滑掉了，造成这些尖锐边缘无法被检测到。
❖ 应用LOG算子时，高斯函数中方差参数σ的选则很 关键，这对图像边缘检测效果有很大的影响。
❖ 高斯滤波器为低通滤波器，σ越大，通频带越窄， 对较高频率噪声的抑制作用越大，避免了虚假边缘 的检出，但同时信号的边缘也被平滑了，造成某些 边缘点的丢失。
❖ 1)Roberts：采用对角线方向相邻两像素之差表示信 号的突变，检测水平和垂直方向边缘的性能好于斜 线方向，定位精度比较高，但对噪声敏感，检测出 的边缘较细。
❖ (2)Sobel边缘检测算子是像素邻域的加权和，模板 中心值较大，不但产生较好的边缘效果，而且对噪 声具有平滑作用。但存在伪边缘，边缘比较粗定位 精度低。
❖ σ越小，通频带越宽，可以检测到图像的更高频率 的细节，但对噪声的抑制能力相对下降，容易出现 虚假边缘。因此，应用LOG算子时，为取得更佳的 效果应该对不同图像选择不同参数；
❖ (3)Canny算子虽然是基于最优化思想推出的 边缘检测算子，但实际效果并不一定最优，
原因在于理论和实际有许多不一致的地方。
❖ (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。
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。
❖ 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 一阶导数的较大峰值；
❖ (4)使用线性内插方法在子像素分辨率水平上 估计边缘的位置。
❖ 该方法：首先图像与高斯滤波器进行卷积，这一步 既平滑了图像又降低了噪声，孤立的噪声点和较小 的结构组织将被滤除。
❖ 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；
❖ 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
❖ 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Fra Baidu bibliotek有必要指出 边缘的精确位置或方向。
❖ 平滑图像：用一维高斯函数 ❖ 计算梯度的幅值和方向 ❖ 对梯度幅值进行非极大值抑制 ❖ 双阈值方法检测和连接边缘
❖ 在没有噪声的情况下，Laplacian算子、LOG算子和 Canny算子都可以得到比较好的检测效果，检测效果 优于经典边缘检测方法，Laplacian算子检测出的边缘 较粗，而且存在大量的伪边缘。
❖ 平滑会导致边缘的延展，因此边缘检测器只考虑那 些具有局部梯度最大值的点为边缘点。这一点可以 用二阶导数的零交叉点来实现。
❖ 拉普拉斯函数用作二维二阶导数的近似，是因为它 是一种无方向算子。
❖ 为了避免检测出非显著边缘，应选择一阶导数大于 某一阈值的零交叉点作为边缘点。
❖ 称之为墨西哥草帽算子。 ❖ (1)求图像与高斯滤波器卷积，再求卷积的拉普拉斯
❖ (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。
❖ (3) 平滑算子过于简单，对噪声都比较敏感。
❖ 4)Laplacian：算子二阶微分算子，对图像中的阶跃 性边缘点定位准确，对噪声非常敏感，丢失一部分 边缘的方向信息，造成一些不连续的检测边缘。
❖ 5）LOG算子：首先用高斯函数进行滤波，然后使 用Laplacian算子检测边缘，克服了Laplacian算子 抗噪声能力比较差的缺点，LOG算子中高斯函数中 方差参数σ的选则很关键，σ越大避免了虚假边缘的 检出，边缘也被平滑造成边缘点的丢失。σ越小， 噪声抑制能力相对下降，容易出现虚假边缘。
❖ 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。
❖ 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。
❖ (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
❖ 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）。
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。
❖ (2)最优定位准则：检测到的边缘点的位置距离实际 边缘点的位置最近，或者是由于噪声影响引起检测 出的边缘偏离物体的真实边缘的程度最小；
❖ (3)检测点与边缘点一一对应：算子检测的边缘点与 实际边缘点应该是一一对应的。
❖ 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。
❖ 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；
变换； ❖ (2)求高斯滤波器的拉普拉斯变换，再求与图像的卷
积。 ❖ 滤波、增强、检测这三个边缘检测步骤对使用LOG
边缘检测仍然成立， ❖ 平滑是用高斯滤波器来完成的； ❖ 增强是将边缘转换成零交叉点来实现的； ❖ 边缘检测是通过检测零交叉点来进行的。
❖ 5 ×5大小的LOG算子模板为：
canny
❖ 6）Canny：采用高斯函数对图像进行平滑处理，因 此具有较强的噪声抑制能力；同样该算子也将一些 高频边缘平滑掉，造成边缘丢失，采用了双阈值算 法检测和连接边缘，边缘的连续性较好。
基于微分边缘检测的不足
❖ 边缘是灰度不连续的结果。边缘检测是根据引起图像 灰度变化来描述图像。
❖ 图像灰度不连续性的物理过程可能是几何方面的，光 学方面的。
❖ 1)Laplacian算子是不依赖于边缘方向的二阶微分算子， 对图像中的阶越性边缘点定位准确，该算子对噪声非 常敏感，它使噪声成分得到加强，这两个特性使得该 算子容易丢失一部分边缘的方向信息，造成一些不连 续的检测边缘，同时抗噪声能力比较差；
❖ (2)LOG算子首先用高斯函数对图像作平滑滤波处 理，然后才使用Laplacian算子检测边缘，因此克服 了Laplacian算子抗噪声能力比较差的缺点，