图像边缘检测详解PPT课件

-，1，第四章图像分割和边缘检测，5.1图像分割，5.2边缘检测，5.3轮廓跟踪和提取，2，1，图像分割，图像分割是将图像分成几个彼此不相交的小区域的过程。所谓的小区域是在某种意义上具有共同属性的相连像素集合。从集合的角度来看，它应该是一个具有以下性质的点集，集合r代表整个区域，而对r的分割可以看作是把r分成n个非空集合R1，R2，rn:3，图像分割。在图像的分割结果中，所有子区域的和(并)应该包括原始图像中的所有像素，或者图像中的每个像素应该被分成一些子区域。也就是说，分割结果中的每个子区域彼此不重叠，或者分割结果中的一个像素不能同时属于两个区域。也就是说，对于所有的I和j，ij，分割结果中的每个子区域具有唯一的特征，或者属于相同区域的像素应该具有一些相同的特征。也就是说，对于i=1，2，图像分割，在分割结果中，不同的子区域具有不同的特征，没有共同的元素，或者属于不同区域的像素应该具有一些不同的特征。也就是说，对于ij，分割结果中的相同子区域中的像素应该是连接的，也就是说，相同子区域中的任意两个像素在子区域中彼此连接，或者被分割的区域是连接的分量。也就是说，对于I=1，2，R1是一个连通区域。图像分割有三种不同的方法：第一，基于像素灰度值的分割方法：阈值法；第二，基于区域的分割方法：边界法，通过直接确定区域之间的边界来实现分割；第三，基于边缘的分割技术：首先检测边缘像素，然后连接边缘像素形成边界形成分割。在图像分割技术中，最常见的是化学处理图像分割。常用的图像分割方法是将图像的灰度划分为不同的等级，然后通过设置灰度阈值(阈值T)将原始图像中的像素划分为从目标和背景。图像二值化过程是常用的阈值分割，即选择阈值T将图像转换成黑白二值图像。图像阈值化的变换函数表达式为-7。当分割图像阈值时，选择不同的阈值，并且处理结果非常不同。如果阈值太大，剩余部分将被提取。但是，如果阈值太小，所需的部分将丢失(当前背景是黑色的，当对象是白色时，情况正好相反)。因此，阈值的选择非常重要。阈值的选择可以基于灰度图像的直方图。判别分析确定最佳阈值判别分析通过最大化阈值化后分离的像素类别之间的方差来确定最佳阈值。判别分析只需要计算直方图的0阶矩和1阶矩，这是图像阈值处理中常用的自动阈值确定方法。将图像的总像素数设为N，共分为L类，灰度值为1的像素数为1，则灰度分布对灰度的0阶矩和1阶矩分别定义为0阶矩：9，1阶矩：当K=L-1时，(L-1)=1； (L-1)=T，T称为图像的平均灰度。有M-1阈值：0 k1 k2 km-1 l-1。将图像分为CJ类(CJ KJ-11，千焦)的灰度值；j=1，2，M；K0=0，kM=L)，则各种Cj的出现概率j和平均值j为，其中(0)=0，(0)=0。-，10，从中可以获得类之间的方差为，并且阈值组(k1，k2，km-1)最大化上述公式的2值作为m值的最佳阈值组。如果m是2，即分为2类，则可以通过上述方法获得二值化阈值。-11，2。确定阈值的P-Tail方法p-Tail方法仅适用于预先知道目标占据整个图像的百分比的情况。如果图像由亮背景和黑目标组成，并且已知目标占据图像面积的(100-p)%，则至少(100-p)%的像素被阈值化并与高像素匹配区域增长的想法是从一些种子点开始，直到整个图像被填满。在具体实施中，有必要确定：种子点的选择原则，即“检测标准”，一般是监督选择，每个目标区域至少有一个点。生长方法，即“跟踪标准”，将满足一致性标准(例如灰度级小于阈值)的点添加到该区域。在扫描图像以找到满足“检测标准”的点之后，任何满足“跟踪标准”的相邻点被合并以生成小块区域。然后检查该区域中的所有相邻点，并且每个相邻点被用作新的种子点，以将满足“跟踪标准”的新的相邻点合并到该区域中。重复上述步骤，直到没有相邻点满足“跟踪标准”，然后完成该块区域的生长。然后使用“检测标准”继续搜索，当找到满足“检测标准”的图像点时，开始第二区域的生长。在，直到所有区域都满足区域增长终止标准，-13，区域增长需要确定三件事：确定初始增长的种子区域，确定增长原则，确定增长终止原则，-14，1，边缘检测和差分运算边缘点是信号“剧烈变化”的地方，但这样说并不准确，需要定义精确的边缘数学模型。以一维信号为例。图5-8(a)是一个阶跃信号。当然，我们认为A点是边缘点。在实际情况下，物理信号不能有理想的突变，而是逐渐增加，如图5-8(b)所示。对于图5-8(b)所示的三个点a、b和c，点b通常称为边缘点。在图5-8(c)和5-8 (d)中，如果步长相对较窄，点b可以被认为是边缘点，并且信号也可以被认为具有两个边缘点a和c-，15，边缘检测的三个共同标准。1986年，约翰康尼发表了一篇关于张文边缘检测标准的文章。他提出了边缘检测的三个共同标准：良好的检测结果，或者尽可能低的边缘误检率，不应该在图像边缘出现的检测结果中缺失；另一方面，不要出现虚假的边缘；边缘的位置应该准确，也就是说，我们标记的边缘位置应该完全靠近图像上真实边缘的中心位置。对同一边缘的响应时间应该尽可能低，也就是说，检测响应最好是单个像素。-，16，图5-9的图像中不同类型的边界(a)边界；(b)线路；(c)折线变化；(d)缓慢而平稳的变化。几种常用的边缘检测算子主要包括罗勃兹边缘检测算子、索贝尔算子、普威特算子、克里施边缘算子和高斯-拉普拉斯算子。1.罗伯茨算子，-，18，图5-8不同的边缘信号，-，19，索贝尔算子，图像中的每个点都与这两个模板卷积。一个窗口对正常水平边缘的影响最大，而另一个窗口对垂直边缘的影响最大。两个卷积的最大绝对值作为该点的输出值。-，20，Prewitt运算符，对于图像中的任何点，-，21，拉普拉斯运算符，-，22，5。高斯-拉普拉斯算子噪声点对边缘检测影响较大，高斯-拉普拉斯算子是较好的边缘检测器。结合高斯平滑滤波器和拉普拉斯锐化滤波器，先平滑噪声，再进行边缘检测，效果更好。在常用的LOG运算符是55:-、23的模板，以及LOG运算符中心点的距离和位置加权系数之间的关系。如果上面的图像围绕Y轴旋转一周，LOG操作符非常像墨西哥草帽，所以LOG也被称为墨西哥草帽过滤器。轮廓跟踪在识别图像中的目标时，通常需要跟踪目标的边缘，这也称为轮廓跟踪。顾名思义，轮廓跟踪通过顺序寻找边缘点来跟踪边界。如果图像是二值图像或者图像中的不同区域具有不同的像素值，但是每个区域中的像素值是相同的，则下面的算法可以基于4-连接或8-连接区域来完成轮廓跟踪。轮廓跟踪的基本方法是首先根据“检测标准”在目标对象的轮廓上找到第一个像素，然后根据这些像素的某些特征使用某种“跟踪标准”在目标对象上找到其他像素。-，25，遍历跟踪方法从B开始，并在相邻点中按照右、右上、上、左上、左、左下、右下和右下的顺序找到边界点C。如果点C是A，那么轮廓已经完全搜索出来了。否则，为了从点C继续该算法，它需要判断每个边界像素周围的八个点，这需要大量的计算。角度跟踪是一种快速轮廓跟踪算法：它使用边界上相邻像素之间的角度进行搜索。首先，在左下角找到边界点：从左到右和从上到下搜索的第一个黑点。可以假设所有边界点都在围绕整个图像的顺时针圆中找到，并且边界是