邊緣提取與描述課件

1、第4章 邊緣提取與描述4.1邊緣及檢測原理4.2梯度算子 4.3二階導數(shù)算子 西安理工大學信息科學系第1頁，共36頁。4.1 邊緣及檢測原理1、邊緣與導數(shù) 邊緣是灰度值不連續(xù)的結果，兩個具有不同灰度值的相鄰區(qū)域總存在著邊緣。一般采用一階和二階導數(shù)來檢測邊緣。邊緣檢測是基于圖像邊界分析的重要的一步。 邊緣分類：階躍型、脈沖型、屋頂型。階躍型脈沖型屋頂型西安理工大學信息科學系第2頁，共36頁。4.1 邊緣及檢測原理2、邊緣檢測的描述參數(shù) （1）位置：邊緣最大灰度值不連續(xù)處 （2）朝向：跨越灰度最大不連續(xù)的方向 （3）幅度：灰度不連續(xù)方向上的的灰度差 （4）均值：屬于邊緣兩邊的的像素的灰度均值 （5

2、）斜率：邊緣在其朝向上的傾斜程度西安理工大學信息科學系第3頁，共36頁。4.1 邊緣及檢測原理3、邊緣檢測算法的基本步驟 （1）濾波：在邊緣檢測前，先抑制噪聲 （2）增強：將鄰域(局部)強度值有顯著變化的點檢測出來，一般通過計算梯度幅值來完成 （3）檢測：確定哪些點是邊緣點，如一階導數(shù)局部極大值或二級導數(shù)過零點的位置等西安理工大學信息科學系第4頁，共36頁。4.2 梯度算子1、梯度算子一階差分算子 矢量 幅度方向角西安理工大學信息科學系第5頁，共36頁。4.2 梯度算子梯度幅度的近似計算： （1） （2）西安理工大學信息科學系第6頁，共36頁。4.2 梯度算子2、梯度模板利用模板（與圖象進行）

3、卷積模板比較 邊緣粗細； 方向性西安理工大學信息科學系第7頁，共36頁。4.2 梯度算子（3）Sobel算子S(i, j)=|f(i-1, j-1)+2f(i-1, j)+f(i-1, j+1) -f(i+1, j-1)+2f(i+1, j)+f(i+1, j+1)| +|f(i-1, j-1)+2f(i, j-1)+f(i+1, j-1) -f(i-1, j+1)+2f(i, j+1)+f(i+1, j+1)|西安理工大學信息科學系第8頁，共36頁。4.3 二階導數(shù)算子 1、拉普拉斯算子 二階差分算子西安理工大學信息科學系第9頁，共36頁。4.3 二階導數(shù)算子 1、拉普拉斯算子對圖象中的噪聲

4、相當敏感產(chǎn)生雙象素寬的邊緣不能提供邊緣方向的信息 西安理工大學信息科學系第10頁，共36頁。4.3 二階導數(shù)算子 圖例 簡單邊緣檢測算法對原始圖像檢測的結果比較 西安理工大學信息科學系第11頁，共36頁。4.3 二階導數(shù)算子 圖例 簡單邊緣檢測算法對加噪聲后圖像檢測的結果比較 西安理工大學信息科學系第12頁，共36頁。4.3 二階導數(shù)算子 2、馬爾算子(1)用一個2-D的高斯平滑模板與源圖象卷積(2)計算卷積后圖象的拉普拉斯值(3)檢測拉普拉斯圖象中的過零點作為邊緣點西安理工大學信息科學系第13頁，共36頁。4.3 二階導數(shù)算子 西安理工大學信息科學系第14頁，共36頁。3 Canny 邊緣檢

5、測也許是最常用的邊緣檢測方法一個優(yōu)化的方案噪聲抑制邊緣增強邊緣定位高斯函數(shù)的一階導數(shù) (Derivative of Gaussian) 可以很近似地滿足以下三條邊緣檢測最優(yōu)準則：好的邊緣檢測性能：Good detection對邊緣的響應大于對噪聲的響應好的定位性能：Good localization其最大值應接近邊緣的實際位置單一響應：Single response在邊緣附近只有一個極大值點15第15頁，共36頁。Canny 算法流程計算圖像梯度 梯度非極大值抑制 雙閾值提取邊緣點 梯度幅值梯度方向 NMS：Non-Maxima Suppression Hysteresis threshold

6、ing 16第16頁，共36頁。Canny 算法的主要步驟17第17頁，共36頁。Canny 算法的主要步驟and direction18第18頁，共36頁。（2）使用一階有限差分計算偏導數(shù)的兩個陣列：（1）求圖像與高斯平滑濾波器卷積: -11-1111-1-1相當于與模板進行卷積運算：代表對圖像的平滑程度計算圖像梯度：高斯函數(shù)的一階導數(shù)19第19頁，共36頁。計算圖像梯度：高斯函數(shù)的一階導數(shù)（3）幅值和方位角:Magn 代表梯度幅值的大小，在存在邊緣的圖像位置處，Magn 的值變大，圖像的邊緣特征被“增強”.20第20頁，共36頁。如何檢測邊緣？局部極值周圍存在相近數(shù)值的點，如何處理？21第

7、21頁，共36頁。非極大值抑制 NMS非極大值抑制（ NMS：Non-Maxima Suppression ）主要思想：由梯度幅值圖像Magn(x,y)，僅保留極大值（嚴格地說，保留梯度方向上的極大值點），得到的結果為N(x,y)，具體過程：初始化N(x,y) = Magn(x,y)對于每個點，在梯度方向和反梯度方向各找n個像素點。若Magn(x,y)不是這些點中的最大點，則將N(x,y)置零，否則保持N(x,y)不變。N(x,y) 單像素寬度：問題：有可能存在額外的邊緣點、丟失的邊緣點，如何處理？22第22頁，共36頁。非極大值抑制 NMS在梯度方向的沿線上檢測該點是否為局部極大值. 得到的

8、結果N（x, y）包含邊緣的寬度為1個像素.(i,j)23第23頁，共36頁。Hysteresis thresholding （雙閾值門限） Standard thresholding:- Can only select “strong” edges.- Does not guarantee “continuity”.gradient magnitudelow thresholdhigh threshold24第24頁，共36頁。Hysteresis thresholding （雙閾值門限） Hysteresis thresholding uses two thresholds: For “m

9、aybe” edges, decide on the edge if neighboring pixel is a strong edge.- low threshold tl- high threshold th ( usually, th = 2tl )25第25頁，共36頁。Hysteresis thresholding （雙閾值門限）低閾值邊緣圖像高閾值邊緣圖像Canny輸出邊緣圖像Note: large gaps are still difficult to bridge. (i.e., more sophisticated algorithms are required)26第26頁，共36頁。Canny算子：流程原始圖像原始圖像經(jīng)過Gauss平滑27第27頁，共36頁。Canny算子：流程梯度幅值圖像梯度幅值經(jīng)過非極大值抑制28第28頁，共36頁。Canny算子：流程低閾值邊緣圖像高閾值邊緣圖像Canny輸出邊緣圖像29第29頁，共36頁。使用Canny算子需要注意的問題Canny算子的優(yōu)點：參數(shù)較少計算效率得到的邊緣連續(xù)完整參數(shù)的選擇：G