《图像的边缘》PPT课件.ppt

第十章 图像的边缘和轮廓,1. 图 像 分 割,1）先通过看图理解图像分割的概念 将图像分解成构成它的部件和对象 有选择地定位感兴趣对象在图像中的位置和范围,图像分割的基本思路： 从简到难，逐级分割 控制背景环境，降低分割难度 把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上,2） 概述 数字信号处理按其技术特征可以分为三层结构: 图像处理; 图像分析; 图像理解与识别;,知识库,2 图像分割的概念 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，这些部分一般称为目标或前景。 为了辨识和分析目标，需要将有关区域分离提取出来，在此基础上对目标进一步利用，如进行特征提取和测量。 图像分割就是指把图像分成各具特性的区域，并提取出感兴趣目标的技术和过程。,图像分割是进行图像分析的关键步骤，也是进一步理解图像的基础； 不同种类的图像，不同的应用要求所需要提取的特征不相同，特征提取方法也就不同； 不存在一种所谓普遍适用的最优方法。,3 图像分割的基本策略 特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域 图像分割的基本策略，基于灰度值的两个基本特性： 1) 不连续性不连续性是基于特性（如灰度）的不连续变化分割图像，如边缘检测 2) 相似性根据制定的准则将图像分割为相似的区域，如阈值处理、区域生长,10.1 边缘检测,边缘检测是目前图像分析领域中的基础技术，常常是图像分析和理解的第一步。利用边缘检测，计算机可以将图像转化为利于识别的边缘灰度图。,（1） 边缘的定义（P365） 图像中灰度发生突变或不连续的微小区域（一组相连的像素集合）,即是两个具有相对不同灰度值特性的区域的边界线。,（2 ）邻域像素编码（P365）,（3 ）灰度差分（P365）,（4 ）综合灰度差分（P365）,2、常规边缘检测 （1）常规边缘检测原理 边缘检测的算法通常通过对邻域内的像素灰度求一阶导数、二阶导数及梯度来实现，这些计算经过化简的结果称为算子。 在使用算子进行边缘检测时，定义边缘为像素集合： x | F(x) I ，其中，x为像素编号，F(x)为算子计算结果，I为临界值。 从定义中可以看出，边缘检测的过程可以分解为对图像的每个像素分别计算判断的过程。 P366最后一段,（2） 边缘检测的基本思想 计算局部微分算子。,二阶微分：通过拉普拉斯来计算 特点：二阶微分在亮的一边是正的，在暗的一边是负的。常数部分为零。,（3） 梯度算子和 Roberts （罗伯特）算子 梯度算子和 Roberts 算子都是针对图像2*2邻域的处理，梯度算子通过对邻域内像素灰度求水平和垂直方向差分得到， Roberts 算子则是求对角线像素灰度的差分，因此Roberts算子也叫交叉差分算子。 设G(x)、R(x)分别为梯度算子和Roberts算子的计算结果，下面给出两种算子的计算公式： G(A0)=scale( |A0 - A1| + |A0 - A2| ) R(A0)=scale( |A0 A3| + |A1 - A2| ),梯度算子和Roberts算子求差分方向,Robert算子边缘检测结果,在边缘检测时，设原图像的像素信息按线性存储在字节数组image0中，w、h分别为图像的宽和高。由于每个像素需要占用4字节的空间，则位于原图像中 (x,y)位置的像素相对image0的偏移位置n=(y*w+x)*4，像素各分量的值分别为image0n、 image0n+1、 image0n+2。对于2*2邻域，若已知A0像素的偏移位置为n，那么容易得到邻域的其他像素A1、A2、A3的偏移位置分别为n+4、n+w*4、n+w*4+4.,用字节数组image1来存储边缘检测的结果，设a为利用算子计算出A0处的灰度差分，那么image1中对应位置像素灰度可表示为（以梯度算子为例）：,（4） Sobel(索贝尔)算子 Sobel算子是针对图像3*3邻域的处理，它的原理是先后在水平和垂直方向上对邻域灰度求差分，然后取两个差分的平均值或其中较大者，通常使用的是两个差分的较大者。 设S(x) 为Sobel算子的计算结果，下面给出两种计算公式： S(C)=max | (N0 + N1*2+N2)-(N4+N5*2+N6) |, | (N0 + N7*2+N6)-(N2+N3*2+N4) | 或 S(C)= | (N0 + N1*2+N2)-(N4+N5*2+N6) | + | (N0 + N7*2+N6)-(N2+N3*2+N4) | /2,与2*2邻域相似，在3*3邻域中，若已知C像素的偏移位置为n,那么可以得到邻域中其他像素的偏移位置。对应关系如下图所示:,Sobel算子边缘检测结果,4、边缘检测算法的比较和扩展P371,5、带方向的边缘检测,在一幅图像中，边缘有方向和幅度两个特性。一般认为沿边缘走向的灰度变化较为平缓，而垂直于边缘走向的灰度变化剧烈。即灰度梯度指向边缘的垂直方向。,(1) 边缘法线方向在某点灰度变化最剧烈的方向，与边缘方向垂直； (2) 边缘方向与边缘法线方向垂直，是目标边界的切线方向； (3) 边缘强度沿边缘法线方向图像局部的变化强度的量度。,图像中不同类型的边界 （a） 边界； （b） 线； （c） 折线变化； （d） 缓慢的平滑变化,结合P372第一段,带方向的边缘检测同样需要对邻域内像素灰度求差分，与常规边缘检测不同的是，带方向的边缘检测不仅要考虑邻域像素灰度的跃变，还有考虑跃变的方向，这里使用模板来实现。 常用的带方向的边缘检测模板有3种，分别是Prewitt(普瑞维特)、Robinson和Kirsch(凯西)，如图10-7所示（P372）,Prewitt算子边缘检测结果,6、拉普拉斯算子 （1）拉普拉斯边缘检测 拉普拉斯边缘检测算子是针对图像中3*3邻域的检测，它分为正相拉普拉斯算法和反相拉普拉斯算法，它们分别对应两种不同的边缘。 用L(x)和NL(x)表示正相和反相拉普拉斯算子的计算结果，有如下公式： L(C)=(N0+N1+N2+N3+N4+N5+N6+N7)-8*C NL(C)= 8*C- (N0+N1+N2+N3+N4+N5+N6+N7) 拉普拉斯边缘检测也可以借助模板来进行，如图10-12所示P377,（2）拉普拉斯素描P379,7、高斯拉普拉斯算子 在这一节前面部分的边缘检测算法中，一直使用的是3*3邻域的检测模板，这样的模板覆盖像素较少，运算量也就相对较小，不足之处是检测低，得到的边缘线条不规整。,噪声点对边缘检测有较大的影响， 效果更好的边缘检测器是高斯-拉普拉斯(LOG)算子。它把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来，先平滑掉噪声，再进行边缘检测，所以效果更好。,高斯