图像边缘检测-文档资料

1、12v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。v它蕴含了图像丰富的内在信息（如方向、阶越性质与形状等）；v纹理特征的重要信息源和形状特征的基础；v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。v如果能成功地检测出图像的边缘，图像分析、图像识别就会方便得多，精确度也会得到提高。3v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。v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

2、折中。v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。4v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。v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。v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，而没有必要指出边缘的精确位置或方向。5线性边缘检测

3、vThe basic idea is to detect the difference of intensity. symmetric difference has less space resolution than forward difference.678910v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。v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，v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。vRoberts算子受噪声的影响最大，Sobel算子、Pre

4、witt算子受噪声影响比Roberts算子小的原因：v (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。11v(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。vSobel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。v(3)Prewitt边缘检测算子是一种

5、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。v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。12v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。v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。v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。13v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

6、，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：v(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；v(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；v(3)对噪声都比较敏感。v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14v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

7、行二阶微分运算15vLaplacian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：16改进的Laplacian算法v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，v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，v由于合理地设置了参数，因而避免了一些伪边缘的提取。v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。1718LOG边缘检测v利用图像强度

8、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。v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。v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。v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（Zero-crossing）。19v基本特征是：v(1)平滑滤波器是高斯滤波器；v(2)增强步骤采用二阶导数(二维拉普拉斯函数)；v(3)边缘检测判据是二阶导

9、数零交叉点并对应一阶导数的较大峰值；v(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。20v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。v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。v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。v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。2122v称之为墨西哥草帽算子。v(1)求图像与高斯滤波器卷积，再求卷积的拉普拉斯变换；v(2)求高斯滤波器的拉普拉斯变换，再求与图

10、像的卷积。v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，v平滑是用高斯滤波器来完成的；v增强是将边缘转换成零交叉点来实现的；v边缘检测是通过检测零交叉点来进行的。23v5 5大小的LOG算子模板为：24cannyv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。v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：v(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；v(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

11、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；v(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。25vCanny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。v平滑图像：用一维高斯函数v计算梯度的幅值和方向v对梯度幅值进行非极大值抑制v双阈值方法检测和连接边缘2627v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。v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

12、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。v1)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；28v (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Laplaci

13、an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，v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。v应用LOG算子时，高斯函数中方差参数的选则很关键，这对图像边缘检测效果有很大的影响。v高斯滤波器为低通滤波器，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。v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；29v(3)Canny算子虽然是基于最优

14、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。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。30传统基于微分边缘检测的优缺点v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。v1)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。v(2)Sobel边缘检测算子是像素邻域的加权

15、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。v(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。31v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：v(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；v(2) 算子尺度固定不利于检出不同尺度的边缘；v(3) 平滑算子过于简单，对噪声都比较敏感。32v4)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

16、成一些不连续的检测边缘。v5）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的选则很关键，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。越小，噪声抑制能力相对下降，容易出现虚假边缘。v6）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。33基于微分边缘检测的不足v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。v图像灰度不连续性的物理过

17、程可能是几何方面的，光学方面的。v几何方面：深度的不连续性、表面取向、颜色和纹理的不同。v光学方面：表面反射、非目标物体产生的阴影以及内部倒影等。v在实际场合中，图像数据往往被噪声污染。边缘检测方法要求既能检测到边缘的精确位置，又可以抑制无关细节和噪声。34目标轮廓提取图像的轮廓：即图像的边界，它是指在图像平面内，像素点从一个物体或者一个表面到另外一个物体或表面的变化。35图像的边缘：是指图像像素点的灰度值发生突变的区域。361.基于方向能量的图像边缘特征提取372.基于色度的边缘特征提取383.基于纹理的边缘特征提取39因为LAB颜色空间最能够反映自然光照下物体的特性，而且与人类的感知相一致，因此在运用方向能量、色度和纹理提取图像边缘特征之前，首先将图像从RGB转换到LAB。v从图像处理的角度看，对彩色的描述应该与人对彩色的感知越近越好。从视觉感知均匀的角度，人所感知到的两个颜色之间的距离应该与这两个颜色在表达它们的颜色空间中距离越成比例越好。如果在一个颜色空间中，所观察到的两种彩色的区别程度与该彩色空间中两点间的欧式距离对应，则称该空间为均匀彩色空间。均匀彩色空间模型本质上是面向视觉感知的彩色模型。本文选用基于对立色理论和参考白点模型均匀彩色空间模型，对彩色图像进行分析。40在分析图像在能量和色度方面的特征时，采用基于梯度的方法，此方法能够在一定程度上克服噪声