《圖像的銳化處理》課件

第六章圖像的銳化處置景物邊境細節(jié)的加強方法圖像銳化的目的是加強圖像中景物的細節(jié)邊緣和輪廓。銳化的作用是使灰度反差加強。由于邊緣和輪廓都位于灰度突變的地方。所以銳化算法的實現(xiàn)是基于微分作用。圖像銳化的概念圖像的景物細節(jié)特征一階微分銳化方法二階銳化微分方法一階、二階微分銳化方法效果比較Canny算子LOG濾波方法圖像銳化方法圖像細節(jié)的灰度變化特性掃描線灰度漸變孤立點細線灰度躍變圖像細節(jié)的灰度分布特性平坦段圖像細節(jié)的灰度變化微分特性一階微分曲線二階微分曲線圖像細節(jié)的灰度分布特性灰度漸變孤立點細線灰度躍變平坦段實際曲線實踐曲線一階導數(shù)二階導數(shù)兩種常見的邊緣一階導數(shù)和二階導數(shù)表示圖(a)階躍函數(shù)(b)線條〔屋頂〕函數(shù)一階微分銳化

——根本原理一階微分的計算公式非常簡單：離散化之后的差分方程：思索到圖像邊境的拓撲構造性，根據(jù)這個原理派生出許多相關的方法。一階微分銳化一方向一階微分銳化無方向一階微分銳化?Roberts交叉微分銳化?Sobel銳化?Priwitt銳化一方向的一階銳化

——根本原理一方向的一階銳化是指對某個特定方向上的邊緣信息進展加強。由于圖像為程度、垂直兩個方向組成，所以，所謂的一方向銳化實踐上是包括程度方向與垂直方向上的銳化。程度方向的一階銳化

——根本方法程度方向的銳化非常簡單，經(jīng)過一個可以檢測出程度方向上的像素值的變化模板來實現(xiàn)。程度方向的一階銳化

——例題1232121262308761278623269000000-3-13-2000-6-13-130011250000001*1+2*2+1*3-1*3-2*0-1*8=-3問題：計算結果中出現(xiàn)了小于零的像素值垂直方向的一階銳化

——根本方法垂直銳化算法的設計思想與程度銳化算法一樣，經(jīng)過一個可以檢測出垂直方向上的像素值的變化模板來實現(xiàn)。垂直方向的一階銳化

——例題1232121262308761278623269000000-7-17400-16-25500-17-22-30000001*1+2*2+1*3-1*3-2*2-1*8=-7問題：計算結果中出現(xiàn)了小于零的像素值一方向銳化的后處置這種銳化算法需求進展后處置，以處理像素值為負的問題。后處置的方法不同，那么所得到的效果也就不同。一方向銳化的后處置方法1：整體加一個正整數(shù)，以保證一切的像素值均為正。這樣做的結果是：可以獲得類似浮雕的效果。2020202020201770202014772020213225202020202020000000-3-13-2000-6-13-13001125000000一方向銳化的后處置方法2：將一切的像素值取絕對值。這樣做的結果是，可以獲得對邊緣的有方向提取。000000313200061313001125000000000000-3-13-2000-6-13-13001125000000無方向一階銳化

——問題的提出前面的銳化處置結果對于人工設計制造的具有矩形特征物體〔例如：樓房、漢字等〕的邊緣的提取很有效。但是，對于不規(guī)那么外形〔如：人物〕的邊緣提取，那么存在信息的缺損。無方向一階銳化

——設計思想為理處理上面的問題，就希望提出對任何方向上的邊緣信息均敏感的銳化算法。由于這類銳化方法要求對邊緣的方向沒有選擇，一切稱為無方向的銳化算法。無方向一階銳化

——交叉微分交叉微分算法〔Roberts算法〕計算公式如下：特點：算法簡單無方向一階銳化

——Sobel(索貝爾)銳化Sobel銳化的計算公式如下：特點：銳化的邊緣信息較強無方向一階銳化

——Priwitt銳化算法Priwitt銳化算法的計算公式如下：特點：與Sobel相比，有一定的抗干擾性。圖像效果比較干凈。一階銳化

——幾種方法的效果比較Sobel算法與Priwitt算法的思緒一樣，屬于同一類型，因此處置效果根本一樣。Roberts算法的模板為2*2，提取出的信息較弱。一方向銳化經(jīng)過后處置之后，也可以對邊境進展加強。例如二階微分銳化

——問題的提出從圖像的景物細節(jié)的灰度分布特性可知，有些灰度變化特性一階微分的描畫不是很明確，為此，采用二階微分可以更加獲得更豐富的景物細節(jié)。二階微分銳化

——景物細節(jié)對應關系1〕對于突變形的細節(jié)，經(jīng)過一階微分的極大值點，二階微分的過0點均可以檢測出來。二階微分銳化

——景物細節(jié)對應關系2〕對于細線形的細節(jié)，經(jīng)過一階微分的過0點，二階微分的極小值點均可以檢測出來。二階微分銳化

——景物細節(jié)對應關系3〕對于漸變的細節(jié)，普通情況下很難檢測，但二階微分的信息比一階微分的信息略多。二階微分銳化

——算法推導二階微分銳化

——Laplacian算法由前面的推導，寫成模板系數(shù)方式方式即為Laplacian算子：例如二階微分銳化

——Laplacian變形算法為了改善銳化效果，可以脫離微分的計算原理，在原有的算子根底上，對模板系數(shù)進展改動，獲得Laplacian變形算子如下所示。例如二階微分銳化

——Laplacian銳化邊緣提取經(jīng)過Laplacian銳化后，我們來分析幾種變形算子的邊緣提取效果。H1,H2的效果根本一樣，H3的效果最不好，H4最接近原圖。例如二階微分銳化

——Wallis算法思索到人的視覺特性中包含一個對數(shù)環(huán)節(jié)，因此在銳化時，參與對數(shù)處置的方法來改良。例如二階微分銳化

——Wallis算法在前面的算法公式中留意以下幾點：1〕為了防止對0取對數(shù)，計算時實踐上是用log(f(i,j)+1);2〕由于對數(shù)值很小log(256)=5.45,所以計算時用46*log(f(i,j)+1)?！?6=255/log(256)〕二階微分銳化

——Wallis算法算法特點：Wallis算法思索了人眼視覺特性，因此，與Laplacian等其他算法相比，可以對暗區(qū)的細節(jié)進展比較好的銳化。例如一階與二階微分的邊緣提取效果比較以Sobel及Laplacian算法為例進展比較。Sobel算子獲得的邊境是比較粗略的邊境，反映的邊境信息較少，但是所反映的邊境比較明晰；Laplacian算子獲得的邊境是比較細致的邊境。反映的邊境信息包括了許多的細節(jié)信息，但是所反映的邊境不是太明晰。謝謝大家作業(yè)1.P124第3題2.P124第4題程度浮雕效果垂直浮雕效果程度邊緣的提取效果垂直邊緣的提取效果交叉銳化效果圖例1交叉銳化效果圖例2交叉銳化與程度銳化的比較交叉銳化程度銳化Sobel銳化效果例如1交叉銳化Sobel銳化Sobel銳化效果例如2Sobel銳化交叉銳化Priwitt銳化效果圖例Priwitt銳化Sobel銳化一階銳化方法的效果比較(a)原圖(b)Sobel算法(c)Priwitt算法(d)Roberts算法(e)程度銳化(f)垂直銳化Laplacian銳化效果圖例Laplacian變形算子銳化效果h1h2h3h4Laplacian算子邊緣提取效果Wallis算法效果例如Wallis算法與Laplacian算法的比較Wallis算法Laplacian算法Sobel與Laplacian邊緣提取效果Sobel銳化Laplacian銳化非矩形目的物的一方向銳化6.5Canny算子經(jīng)典圖像邊緣檢測(綜合法思想)——Canny算子JohnCanny于1986年提出Canny算子，它與Marr〔LoG〕邊緣檢測方法類似，也屬于是先平滑后求導數(shù)的方法。JohnCanny研討了最優(yōu)邊緣檢測方法所需的特性，給出了評價邊緣檢測性能優(yōu)劣的三個目的：1好的信噪比，即將非邊緣點斷定為邊緣點的概率要低，將邊緣點判為非邊緣點的概率要低；2高的定位性能，即檢測出的邊緣點要盡能夠在實踐邊緣的中心；3對單一邊緣僅有獨一呼應，即單個邊緣產(chǎn)生多個呼應的概率要低，并且虛偽呼應邊緣應該得到最大抑制。用一句話說，就是希望在提高對景物邊緣的敏感性的同時，可以抑制噪聲的方法才是好的邊緣提取方法。Canny算子Canny邊緣檢測法利用高斯函數(shù)的一階微分，它能在噪聲抑制和邊緣檢測之間獲得較好的平衡。詳細步驟如下：(1)用高斯濾波器來對圖像濾波，可以去除圖像中的噪聲。(2)用高斯算子的一階微分對圖像進展濾波，得到每個像素梯度的大小和方向。其中為濾波后的圖像。(3)對梯度進展“非極大抑制〞。梯度的方向可以定義為屬于4個區(qū)之一，各個區(qū)用不同的臨近像素來進展比較，以決議部分極大值。這4個區(qū)及其相應的比較方向如以下圖所示。4321x1234例如，假設中心像素的梯度方向?qū)儆诘?區(qū)，那么把的梯度值與它左上和右下相鄰像素的梯度值比較，看的梯度值能否是部分極大值。假設不是，就把像素的灰度設為0，這個過程稱為“非極大抑制〞。(4)對梯度取兩次閾值并且對圖像邊緣進展銜接。Canny算子提取的邊緣非常完好，而且邊緣的延續(xù)性很好，效果優(yōu)于其它算子。圖像經(jīng)小波變換后取兩次閾值，Th1和Th2，兩者關系為Th1=0.4Th2。我們把小于Th1的像素的灰度值設為0，得到圖像1。把小于Th2的像素的灰度值設為0，得到圖像2。我們以圖像2為根底，以圖像1為補充來鏈接圖像的邊緣。鏈接邊緣的詳細步驟如下：1對圖像2進展掃描，當遇到一個非零灰度的像素P時，跟蹤以P為開場點的輪廓線，直到輪廓的終點Q。2調(diào)查圖像1中與圖像2中Q點位置對應的點Q’的8臨近區(qū)域。假設Q’點的8臨近區(qū)域中有非零像素R’存在，那么將其包括到圖像2中，作為R點。3從R開場，反復第一步，直到我們在圖像1和圖像2中無法繼續(xù)為止。當完成包含P的輪廓線的鏈接之后，將這條輪廓線標志已訪問。回到第一步，尋覓下一條輪廓線，反復第一步、第二步、第三步，直到圖像2中找不到新輪廓線為止。圖１原始圖像圖2大閾值邊緣圖像圖３小閾值邊緣圖像圖４文中算法得到的邊緣圖像6.6LOG濾波方法三、高斯－拉普拉斯算子正如上面所提到的，利用圖像強度二階導數(shù)的零交叉點來求邊緣點的算法對噪聲非常敏感，所以，希望在邊緣加強前濾除噪聲。馬爾〔Marr〕和希爾得勒斯〔Hildreth〕根據(jù)人類視覺特性，提出一種邊緣檢測方法，將高斯濾波和拉普拉斯算子結合在一同進展邊緣檢測，故稱為LOG〔LaplacianofGaussian〕算法，也稱之為拉普拉斯高斯算法。一維LOG邊緣檢測LOG濾波方法

該算法的主要思緒和步驟是：〔1〕濾波：首先對圖像進展平滑濾波將與圖像進展卷積，可以得到一個平滑的圖像，即:〔6.28〕LOG濾波方法圖7－8二維高斯函數(shù)〔〕〕LOG濾波方法

〔2〕加強：對平滑圖像進展拉普拉斯運算，即:〔3〕檢測：邊緣檢測判據(jù)是二階導數(shù)零交叉點并對應一階導數(shù)的較大峰值。(6.29)LOG濾波方法

由于對平滑圖像進展拉普拉斯運算可等效為的拉普拉斯運算與的卷積，故式〔6.29〕變?yōu)?式中