第3章-图像边缘提取与分割课件

1第3章-图像边缘提取与分割课件12 第第3章章 图像边缘提取和分割图像边缘提取和分割l3.1引言引言l 图像像最最基基本本的的特特征征是是边缘，边缘是是指指其其周周围像像素素灰灰度度有有阶跃变化化或或屋屋顶状状变化化的的那那些些像像素素的的集集合合，它它存存在在于于目目标与与背背景景、目目标与与目目标、区区域域与与区区域域、基基元元与与基基元元之之间。它它是是图像像分分割割所所依依赖的的最最重重要要的的特特征征，也也是是纹理理特特征征中中的的重重要要信信息息源源和和形形状状特特征征的的基基础。而而图像像的的纹理理形形状特征的提取又常常要依状特征的提取又常常要依赖于于图像分割。像分割。2024/5/17 第3章 图像边缘提取和分割3.1引言2023/23 3.1.1 统计模式识别简介统计模式识别简介 统计模式识别认为图像可能包含一个或多个物体，并统计模式识别认为图像可能包含一个或多个物体，并且每个物体属于若干事先定义的类型、范畴或模式之一。且每个物体属于若干事先定义的类型、范畴或模式之一。虽然模式识别可以用多种方法实现，但是在此只关心用数虽然模式识别可以用多种方法实现，但是在此只关心用数字图像处理技术对它的实现。字图像处理技术对它的实现。在给定一幅含有多个物体的数字图像的条件下，模式识在给定一幅含有多个物体的数字图像的条件下，模式识别过程如图别过程如图3.1所示，由三个主要阶段组成。所示，由三个主要阶段组成。2024/5/17 3.1.1 统计模式识别简介 统计模式识别34 3.1.1 统计模式识别简介统计模式识别简介 图图3.1 模式识别的三个阶段模式识别的三个阶段 2024/5/17 3.1.1 统计模式识别简介2023/8/345l图像分割：检测出各个物体，把它们的图像和其图像分割：检测出各个物体，把它们的图像和其 余景物分离，这一过程也可以称为图像预处理。余景物分离，这一过程也可以称为图像预处理。2024/5/173.1.1 统计模式识别简介统计模式识别简介图像分割：检测出各个物体，把它们的图像和其2023/8/33563.2 图像分割处理图像分割处理l 用计算机进行数字图像处理的目的有两个：用计算机进行数字图像处理的目的有两个：一是产生更适合人类视觉观察和识别的图像；一是产生更适合人类视觉观察和识别的图像；二是希望计算机能够自动进行识别和理解图像。二是希望计算机能够自动进行识别和理解图像。l图像处理的关键问题是对图像进行分解。图像处理的关键问题是对图像进行分解。分解的最终结果是各种特征的最小成分（基元）。分解的最终结果是各种特征的最小成分（基元）。产生基元的过程就是图像分割的过程。产生基元的过程就是图像分割的过程。2024/5/173.2 图像分割处理 用计算机进行数字图像处理的目的有两个67 3.2 图像分割处理图像分割处理l图像分割也可以按照如下的标准分类：图像分割也可以按照如下的标准分类：l1.1.基于区域的分割方法基于区域的分割方法 包括阈值分割法、区域生长和分裂合并法、聚类分包括阈值分割法、区域生长和分裂合并法、聚类分割法等；割法等；l2.2.基于边界的分割方法基于边界的分割方法 包括微分算子法、基于区域和边界技术相结合的包括微分算子法、基于区域和边界技术相结合的分割方法。分割方法。2024/5/17 3.2 图像分割处理图像分割也可以按照如下的标准分类：78 3.2.1 基于区域的分割方法基于区域的分割方法l直方图分割（灰度阈值分割）直方图分割（灰度阈值分割）最简单的方法是建立在灰度直方图分析的基础上。最简单的方法是建立在灰度直方图分析的基础上。如果一个图像是由明亮目标在一个暗的背景上组成如果一个图像是由明亮目标在一个暗的背景上组成的，其灰度直方图将显示两个最大值，一个是由目的，其灰度直方图将显示两个最大值，一个是由目标点产生的峰值，另一个峰值是由背景点产生的。标点产生的峰值，另一个峰值是由背景点产生的。2024/5/17 3.2.1 基于区域的分割方法直方图分割（灰度阈值分割）89图图 31 31 图像图像 的直方图的直方图 图 31 图像 的直方图 910 由直方图可以知道图像由直方图可以知道图像 的大部分的大部分像素灰度值较低，其余像素较均匀地分布在其他像素灰度值较低，其余像素较均匀地分布在其他灰度级上。由此可以推断这幅图像是由有灰度级灰度级上。由此可以推断这幅图像是由有灰度级的物体叠加在一个暗背景上形成的。可以设一个的物体叠加在一个暗背景上形成的。可以设一个阈值阈值 T T，把直方图分成两个部分，如图所示。，把直方图分成两个部分，如图所示。T T 的选择要本着如下原则的选择要本着如下原则:B:B1 1 应尽可能包含与背应尽可能包含与背景相关连的灰度级，而景相关连的灰度级，而B B2 2 则应包含物体的所有灰则应包含物体的所有灰度级。度级。由直方图可以知道图像 的大部分像1011 当扫描这幅图像时，从当扫描这幅图像时，从 到到 之间之间的灰度变化就指示出有边界存在。当然，为了的灰度变化就指示出有边界存在。当然，为了找出水平方向和垂直方向上的边界，要进行两找出水平方向和垂直方向上的边界，要进行两次扫描。也就是说，首先确定一个门限次扫描。也就是说，首先确定一个门限 ，然后执行下列步骤：，然后执行下列步骤：当扫描这幅图像时，从 到 之间的灰1112 第一，对第一，对 的每一行进行检测，产的每一行进行检测，产生的图像的灰度将遵循如下规则生的图像的灰度将遵循如下规则 式中式中 是指定的边缘灰度级，是指定的边缘灰度级，是背景灰度级。是背景灰度级。第一，对 的每一行进行检测，产生的图像1213 第二，对第二，对 的每一列进行检测，产生的每一列进行检测，产生的图像的灰度将遵循下述规则的图像的灰度将遵循下述规则 第二，对 的每一列进行检测，产生的图像1314l在数字图像处理中，样板是为了检测某些不变在数字图像处理中，样板是为了检测某些不变区域特性而设计的阵列。样板可根据检测目的区域特性而设计的阵列。样板可根据检测目的不同而分为点样板、线样板、梯度样板、正交不同而分为点样板、线样板、梯度样板、正交样板等等。样板等等。l点样板的例子如图点样板的例子如图32所示。下面用一幅具有所示。下面用一幅具有恒定强度背景的图像来讨论。恒定强度背景的图像来讨论。l1）、点样板）、点样板3.2.2 基于边界检测方法（样板匹配）基于边界检测方法（样板匹配）在数字图像处理中，样板是为了检测某些不变区域特性而设计的阵列1415用点样板用点样板的检测步的检测步骤如下：骤如下：3-2 点样板检测用点样板3-2 点样板检测1516 样板中心（标号为样板中心（标号为8 8）沿着图像从一个像素移）沿着图像从一个像素移到另一个像素，在每一个位置上，把处在样板内到另一个像素，在每一个位置上，把处在样板内的图像的每一点的值乘以样板的相应方格中指示的图像的每一点的值乘以样板的相应方格中指示的数字，然后把结果相加。如果在样板区域内所的数字，然后把结果相加。如果在样板区域内所有图像的像素有同样的值，则其和为零。否则其有图像的像素有同样的值，则其和为零。否则其和不为零。和不为零。样板中心（标号为8）沿着图像从一个像素移到另一个像素1617 例如，设例如，设 代表代表3333模模板的权，并使板的权，并使 为模板内各为模板内各像素的灰度值。从上述方法来看，应求两个矢像素的灰度值。从上述方法来看，应求两个矢量的积，即：量的积，即：例如，设 代表31718 线检测样板如图线检测样板如图3333所示。其中，样板所示。其中，样板(a)(a)沿一沿一幅图像移动，它将对水平取向的线（一个像素宽度）幅图像移动，它将对水平取向的线（一个像素宽度）有最强的响应。对于恒定背景，当线通过样板中间有最强的响应。对于恒定背景，当线通过样板中间一行时出现最大响应；样板一行时出现最大响应；样板(b)(b)对对4545方向的那些线方向的那些线具有最好响应；样板具有最好响应；样板(c)(c)对垂直线有最大响应；样板对垂直线有最大响应；样板(d)(d)则对则对-45-45方向的那些线有最好的响应。方向的那些线有最好的响应。1）、线样板）、线样板 线检测样板如图33所示。其中，样板(a)沿一幅图像1819图图33 33 线样板线样板 图33 线样板 1920设设 是图是图33中四个样板的权值组成的九维中四个样板的权值组成的九维矢量。与点样板的操作步骤一样，在图像中的任一矢量。与点样板的操作步骤一样，在图像中的任一点上，线样板的各个响应为点上，线样板的各个响应为 ，这，这 里里 i=1、2、3、4。此处。此处 X 是样板面积内九个像素形成的矢量。是样板面积内九个像素形成的矢量。给定一个特定的给定一个特定的 X ，希望能确定在讨论问题的区，希望能确定在讨论问题的区域与四个线样板中的哪一个有最相近的匹配。如果域与四个线样板中的哪一个有最相近的匹配。如果第第 i 个样板响应最大，则可以断定个样板响应最大，则可以断定 X 和第和第 i 个样个样板最相近。板最相近。设 是图33中四个样板的权值2021换言之，如果对所有的换言之，如果对所有的 值，除值，除 外，外，有：有：就就 可可 以以 说说 和和 第第 个个 样样 板板 最最 接近接近 。如果如果 ，=2=2、3 3、4 4，可以断定，可以断定 代表的区域有水平线的性质。代表的区域有水平线的性质。换言之，如果对所有的 值，除 外，有：2122 对于边缘检测来说也同样遵循上述原理。通对于边缘检测来说也同样遵循上述原理。通常采用的方法是执行某种形式的二维导数。类似常采用的方法是执行某种形式的二维导数。类似于离散梯度计算，考虑于离散梯度计算，考虑大小的模板，如图大小的模板，如图3434所示。所示。对于边缘检测来说也同样遵循上述原理。通常采用的方法是2223图图34 3 334 3 3样板样板 考虑考虑的图像区域，的图像区域，及及 分别用下式表示分别用下式表示 图34 3 3样板 考虑的图像区域，及 分2324采用绝对值的一种定义为采用绝对值的一种定义为 在在 点的梯度为点的梯度为 梯度模板如图梯度模板如图3535所示。所示。采用绝对值的一种定义为 在 点的梯度为 梯度模板如图352425图图35 35 梯度样板梯度样板 图35 梯度样板 2526 边缘检测也可以表示成矢量，其形式与线边缘检测也可以表示成矢量，其形式与线样板检测相同。如果样板检测相同。如果 代表所讨论的图像代表所讨论的图像区域，则：区域，则：这里这里 ，是图是图3535中的两个样板矢量。中的两个样板矢量。分别代表它们的转置。分别代表它们的转置。边缘检测也可以表示成矢量，其形式与线样板检测相同。如2627这样，梯度公式如下这种形式：这样，梯度公式如下这种形式：这样，梯度公式如下这种形式：2728 3.2.2 图像分割的一些常用基本方法图像分割的一些常用基本方法 原始图像原始图像 阈值阈值T=91 阈值阈值T=130 阈值阈值T=43 图图3.3 不同阈值对分割结果的影响不同阈值对分割结果的影响 2024/5/17 3.2.2 图像分割的一些常用基本方法2023/8/3 2829l3.Sobel边缘算子边缘算子 对于阶跃状边缘，对于阶跃状边缘，Sobel提出一种检测边缘点的算子。对提出一种检测边缘点的算子。对数值图像的每个像素考察它上、下、左、右邻点灰度的加权差，数值图像的每个像素考察它上、下、左、右邻点灰度的加权差，与之接近的邻点权大。据此，定义与之接近的邻点权大。据此，定义Sobel算子算子 2024/5/173.2.2 边缘检测边缘检测3.Sobel边缘算子2023/8/33.2.2 边缘检测2930l4.Laplacian算子算子 对于阶跃状边缘，二阶导数在边缘点出现零交叉，即边缘对于阶跃状边缘，二阶导数在边缘点出现零交叉，即边缘点两旁二阶导数取异号，据此，对数字图像的每个像素，取它点两旁二阶导数取异号，据此，对数字图像的每个像素，取它关于轴方向和轴方向的二阶差分之和。关于轴方向和轴方向的二阶差分之和。2024/5/173.2.2 边缘检测边缘检测4.Laplacian算子2023/8/33.2.2 边缘3031l 对于屋顶状边缘，在边缘点的二阶导数取极小值。对对于屋顶状边缘，在边缘点的二阶导数取极小值。对数字图像的每个像素取它的关于方向和方向的二阶差分之数字图像的每个像素取它的关于方向和方向的二阶差分之和的相反数，即和的相反数，即Laplacian算子的相反数。算子的相反数。2024/5/173.2.2 边缘检测边缘检测 对于屋顶状边缘，在边缘点的二阶导数取极小值。对数3132l5 Kirsch边缘算子边缘算子l 图图3.7所示的所示的8个卷积核组成了个卷积核组成了Kirsch边缘算子。图像中边缘算子。图像中的每个点都用的每个点都用8个掩模进行卷积，每个掩模对某个特定边缘个掩模进行卷积，每个掩模对某个特定边缘方向做出最大响应。所有方向做出最大响应。所有8个方向中的最大值作为边缘幅度个方向中的最大值作为边缘幅度图像的输出。最大响应掩模的序号构成了对边缘方向的编码。图像的输出。最大响应掩模的序号构成了对边缘方向的编码。2024/5/173.2.2 边缘检测边缘检测5 Kirsch边缘算子2023/8/33.2.2 边缘3233l 00 450 900 1350 2024/5/173.2.2 边缘检测边缘检测 2023/8/33.2.2 边缘检测3334 1800 2250 2700 3150 图图3.7 Kirsch边缘算子边缘算子2024/5/173.2.2 边缘检测边缘检测2023/8/33.2.2 边缘检测3435l6.Marr-Hildreth 边缘检测算子边缘检测算子l Marr-Hildreth边缘检测算子是将高斯算子和拉普拉斯算边缘检测算子是将高斯算子和拉普拉斯算子结合在一起而形成的一种新的边缘检测算子，先用高斯算子结合在一起而形成的一种新的边缘检测算子，先用高斯算子对图像进行平滑处理，然后采用拉普拉斯算子根据二阶微子对图像进行平滑处理，然后采用拉普拉斯算子根据二阶微分过零点来检测图像边缘，因此该算子也可称为分过零点来检测图像边缘，因此该算子也可称为LOG（Laplacian of Gaussian）算子。）算子。2024/5/173.2.2 边缘检测边缘检测6.Marr-Hildreth 边缘检测算子2023/8/33536l 在数字图像中实现图像与模块卷积运算时，运算速度与在数字图像中实现图像与模块卷积运算时，运算速度与选取的模块大小有直接关系，模块越大，检测效果越明显，选取的模块大小有直接关系，模块越大，检测效果越明显，速度越慢，反之则效果差一点，但速度提高很多。因此在不速度越慢，反之则效果差一点，但速度提高很多。因此在不同的条件下应选取不同大小的模块。在实际计算过程中，还同的条件下应选取不同大小的模块。在实际计算过程中，还可以通过分解的方法提高运算速度，即把二维滤波器分解为可以通过分解的方法提高运算速度，即把二维滤波器分解为独立的行、列滤波器。常用的独立的行、列滤波器。常用的55 模块的模块的Marr-Hildreth算子算子如图如图3.8所示。所示。2024/5/173.2.2 边缘检测边缘检测 在数字图像中实现图像与模块卷积运算时，运算速度与3637 图图3.8 LOG算子的算子的55模板模板 2024/5/173.2.2 边缘检测边缘检测2023/8/33.2.2 边缘检测3738 3.2.2 边缘检测边缘检测l7Canny 边缘检测算子边缘检测算子l Canny边缘检测算子是近年来在数字图像处理中广边缘检测算子是近年来在数字图像处理中广泛应用的边缘算子，它是应用变分原理推导出的一种用泛应用的边缘算子，它是应用变分原理推导出的一种用高斯模块导数逼近的最优算子。通过高斯模块导数逼近的最优算子。通过Canny算子的应用，算子的应用，可以计算出数字图像的边缘强度和边缘梯度方向，为后可以计算出数字图像的边缘强度和边缘梯度方向，为后续边缘点的判断提供依据。续边缘点的判断提供依据。2024/5/17 3.2.2 边缘检测7Canny 边缘检测算子2023839l Canny算子用范函求导方法推导出高斯函数的一阶导数，算子用范函求导方法推导出高斯函数的一阶导数，即为最优边缘检测算子的最佳近似。由于卷积运算可交换，即为最优边缘检测算子的最佳近似。由于卷积运算可交换，可结合，故可结合，故Canny算法首先采用二维高斯函数对图像进行算法首先采用二维高斯函数对图像进行平滑，二维高斯函数表示为平滑，二维高斯函数表示为l其中，为高斯滤波器参数，它控制着平滑的程度，较小的其中，为高斯滤波器参数，它控制着平滑的程度，较小的滤波器定位精度高，但信噪比低；较大的滤波器情况正好滤波器定位精度高，但信噪比低；较大的滤波器情况正好相反，因此，要根据需要选取高斯滤波器参数。相反，因此，要根据需要选取高斯滤波器参数。2024/5/173.2.2 边缘检测边缘检测 Canny算子用范函求导方法推导出高斯函数的一阶3940l 传统传统Canny算法利用一阶微分算子来计算平滑后图像各算法利用一阶微分算子来计算平滑后图像各点处的梯度幅值和梯度方向，获得相应的梯度幅值图像和梯点处的梯度幅值和梯度方向，获得相应的梯度幅值图像和梯度方向图像，其中，点处两个方向的偏导数度方向图像，其中，点处两个方向的偏导数 和分别为和分别为l则此时点处的梯度幅值和梯度方向分别表示为则此时点处的梯度幅值和梯度方向分别表示为2024/5/173.2.2 边缘检测边缘检测 传统Canny算法利用一阶微分算子来计算平滑后图4041l 为了精确定位边缘，必须细化梯度幅值图像中的屋脊带，为了精确定位边缘，必须细化梯度幅值图像中的屋脊带，只保留幅值的局部极大值，即非极大值抑制只保留幅值的局部极大值，即非极大值抑制(NMS)。Canny算法在梯度幅值图像中以点为中心的邻域内沿梯度方向进行算法在梯度幅值图像中以点为中心的邻域内沿梯度方向进行插值，若点处的梯度幅值大于方向上与其相邻的两个插值，插值，若点处的梯度幅值大于方向上与其相邻的两个插值，则将点标记为候选边缘点，反之则标记为非边缘点。这样，则将点标记为候选边缘点，反之则标记为非边缘点。这样，就得到了候选的边缘图像。就得到了候选的边缘图像。2024/5/173.2.2 边缘检测边缘检测 为了精确定位边缘，必须细化梯度幅值图像中的屋脊带4142l 传统传统Canny算法采用双阈值法从候选边缘点中检测和连算法采用双阈值法从候选边缘点中检测和连接出最终的边缘。双阈值法首先选取高阈值和低阈值，然后接出最终的边缘。双阈值法首先选取高阈值和低阈值，然后开始扫描图像。对候选边缘图像中标记为候选边缘点的任一开始扫描图像。对候选边缘图像中标记为候选边缘点的任一像素点进行检测，若点梯度幅值高于高阈值，则认为该点一像素点进行检测，若点梯度幅值高于高阈值，则认为该点一定是边缘点，若点梯度幅值低于低阈值，则认为该点一定不定是边缘点，若点梯度幅值低于低阈值，则认为该点一定不是边缘点。而对于梯度幅值处于两个阈值之间的像素点，则是边缘点。而对于梯度幅值处于两个阈值之间的像素点，则将其看作疑似边缘点，再进一步依据边缘的连通性对其进行将其看作疑似边缘点，再进一步依据边缘的连通性对其进行判断，若该像素点的邻接像素中有边缘点，则认为该点也为判断，若该像素点的邻接像素中有边缘点，则认为该点也为边缘点，否则，认为该点为非边缘点。边缘点，否则，认为该点为非边缘点。2024/5/173.2.2 边缘检测边缘检测 传统Canny算法采用双阈值法从候选边缘点中检测4243lCanny边缘检测算子的最优性与以下的三个标准有关：边缘检测算子的最优性与以下的三个标准有关：l（1）检测标准：不丢失重要的边缘，不应有虚假的边缘；）检测标准：不丢失重要的边缘，不应有虚假的边缘；l（2）定位标准：实际边缘与检测到的边缘位置之间的偏差）定位标准：实际边缘与检测到的边缘位置之间的偏差 最小；最小；l（3）单响应标准：将多个响应降低为单个边缘响应。）单响应标准：将多个响应降低为单个边缘响应。2024/5/173.2.2 边缘检测边缘检测Canny边缘检测算子的最优性与以下的三个标准有关：202343443.2.2 边缘检测边缘检测lCanny边缘检测算子基于如下几个概念：边缘检测算子基于如下几个概念：（1）边缘检测算子是针对一维信号表达的，对检测标准和）边缘检测算子是针对一维信号表达的，对检测标准和 定位标准最优；定位标准最优；（2）如果考虑第三个标准（多个响应），需要通过数值优）如果考虑第三个标准（多个响应），需要通过数值优 化的办法得到最优解。该最优滤波器可以有效地近似化的办法得到最优解。该最优滤波器可以有效地近似 为标准差为的高斯平滑滤波器的一阶微分，为了便于为标准差为的高斯平滑滤波器的一阶微分，为了便于 实现检测误差小于实现检测误差小于20%，与，与LOG边缘检测算子很相似；边缘检测算子很相似；（3）将边缘检测算子推广到二维情况。阶跃状边缘由位置、）将边缘检测算子推广到二维情况。阶跃状边缘由位置、方向和可能的幅度来确定。方向和可能的幅度来确定。2024/5/173.2.2 边缘检测Canny边缘检测算子基于如下几个概念：44453.2.2 边缘检测边缘检测l8Prewitt算子算子lPrewitt提出了类似的计算偏微分估计值的方法，梯度计算提出了类似的计算偏微分估计值的方法，梯度计算表示为表示为2024/5/173.2.2 边缘检测2023/8/34546 1方向方向 2方向方向 3方向方向 4方向方向 5方向方向 6方向方向 7方向方向 8方向方向 图图3.9 Prewitt1-8方向边缘检测算子模板方向边缘检测算子模板2024/5/17 3.2.2 边缘检测边缘检测2023/8/3 4647 3.2.2 边缘检测边缘检测 图图 3.10 8个算子样板对应的边缘方向个算子样板对应的边缘方向2024/5/17 3.2.2 边缘检测2023/8/34748 3.2.4 边缘检测算子的对比边缘检测算子的对比l 在数字图像处理中，对边缘检测主要要求就是运算速在数字图像处理中，对边缘检测主要要求就是运算速度快，边缘定位准确，噪声抑制能力强，因此就这几方度快，边缘定位准确，噪声抑制能力强，因此就这几方面对以上介绍的几个算子进行分析比较。首先，在运算面对以上介绍的几个算子进行分析比较。首先，在运算速度方面，对于一个图像，其计算量如表速度方面，对于一个图像，其计算量如表3-1所示。所示。2024/5/17 3.2.4 边缘检测算子的对比 在数字图像处理中48492024/5/172023/8/34950l根据实际测试结果，简单介绍各个算子的特点。根据实际测试结果，简单介绍各个算子的特点。l1.Roberts算子算子l Roberts算子利用局部差分算子寻找边缘，边缘定位精度算子利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘信息，同时由于没经过图像平较高，但容易丢失一部分边缘信息，同时由于没经过图像平滑计算，因此不能抑制噪声。该算子对具有陡峭的低噪声图滑计算，因此不能抑制噪声。该算子对具有陡峭的低噪声图像响应最好。像响应最好。2024/5/173.2.4 边缘检测算子的对比边缘检测算子的对比根据实际测试结果，简单介绍各个算子的特点。2023/8/335051l2.Sobel算子和算子和Prewitt算子算子l Sobel算子和算子和Prewitt算子都是对图像进行差分和滤波运算子都是对图像进行差分和滤波运算，差别只是平滑部分的权值有些差异，因此对噪声具有一算，差别只是平滑部分的权值有些差异，因此对噪声具有一定的抑制能力，但不能完全排除检测结果中出现伪边缘。同定的抑制能力，但不能完全排除检测结果中出现伪边缘。同时这时这2个算子边缘定位比较准确和完整。该类算子对灰度渐个算子边缘定位比较准确和完整。该类算子对灰度渐变和具有噪声的图像处理结果较好。变和具有噪声的图像处理结果较好。l3.Krisch算子算子l 该算子对八个方向边缘信息进行检测，因此具有较好的该算子对八个方向边缘信息进行检测，因此具有较好的边缘定位能力，并且对噪声有一定的抑制作用，就边缘定位边缘定位能力，并且对噪声有一定的抑制作用，就边缘定位能力和抗噪声能力来说，该算子的处理效果比较理想。能力和抗噪声能力来说，该算子的处理效果比较理想。2024/5/173.2.4 边缘检测算子的对比边缘检测算子的对比2.Sobel算子和Prewitt算子2023/8/33.25152l4.Laplacian算子算子l 拉普拉斯算子为二阶微分算子，对图像中的阶跃状边缘拉普拉斯算子为二阶微分算子，对图像中的阶跃状边缘点定位准确且具有旋转不变性，即无方向性，但是该算子容点定位准确且具有旋转不变性，即无方向性，但是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，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。拉普拉斯算子比较适用于屋顶型边同时抗噪声能力比较差。拉普拉斯算子比较适用于屋顶型边缘的检测。缘的检测。2024/5/173.2.4 边缘检测算子的对比边缘检测算子的对比4.Laplacian算子2023/8/33.2.4 边缘检5253l5.Marr-Hildreth算子算子l Marr-Hildreth算子首先通过高斯函数对图像作平滑处理，算子首先通过高斯函数对图像作平滑处理，因此对噪声的抑制作用比较明显，但同时也可能将原有的边因此对噪声的抑制作用比较明显，但同时也可能将原有的边缘也平滑了，造成某些边缘无法检测到。此外高斯函数中方缘也平滑了，造成某些边缘无法检测到。此外高斯函数中方差差 参数的选择，对图像边缘检测效果有很大的影响。参数的选择，对图像边缘检测效果有很大的影响。越越大，检测到的图像细节越丰富，但对噪声抑制能力相对下降，大，检测到的图像细节越丰富，但对噪声抑制能力相对下降，易出现伪边缘；反之，则抗噪声性能提高，但边缘定位准确易出现伪边缘；反之，则抗噪声性能提高，但边缘定位准确性下降，易丢失许多真边缘，因此，对于不同的图像应该选性下降，易丢失许多真边缘，因此，对于不同的图像应该选择不同的参数。择不同的参数。2024/5/173.2.4 边缘检测算子的对比边缘检测算子的对比5.Marr-Hildreth算子2023/8/33.2.45354l6.Canny算子算子l Canny算子同样采用高斯函数对图像作平滑处理，因此算子同样采用高斯函数对图像作平滑处理，因此具有较强的去噪能力，但同样存在容易平滑掉一些边缘信息。具有较强的去噪能力，但同样存在容易平滑掉一些边缘信息。同时其后所采用的一阶微分算子的方向性较同时其后所采用的一阶微分算子的方向性较M-H算子要好，算子要好，因此边缘定位准确性较高。通过实验结果可以看出，该算子因此边缘定位准确性较高。通过实验结果可以看出，该算子是传统边缘检测算子中效果较好的算子之一。是传统边缘检测算子中效果较好的算子之一。2024/5/173.2.4 边缘检测算子的对比边缘检测算子的对比6.Canny算子2023/8/33.2.4 边缘检测算子的54553.3 图像二值化图像二值化l 假设一幅图像由亮的对象和暗的背景组成，那么从背假设一幅图像由亮的对象和暗的背景组成，那么从背景中提取对象的方法是选择一个门限值通常被称为阈值。景中提取对象的方法是选择一个门限值通常被称为阈值。所有的像素值为所有的像素值为255的属于对象或称为目标，像素值为的属于对象或称为目标，像素值为0的的则属于背景。归一化以后变为则属于背景。归一化以后变为1和和0。这是在。这是在3.2中叙述过中叙述过的具有双峰直方图的图像的分割方法。经过门限处理后的的具有双峰直方图的图像的分割方法。经过门限处理后的图像定义为图像定义为2024/5/173.3 图像二值化 假设一幅图像由亮的对象和暗的背5556l因此，标记为因此，标记为1的像素对应于对象，而标记为的像素对应于对象，而标记为0的像素对应于的像素对应于背景。当处理仅取决于一个灰度级值时，门限就称为全局的。背景。当处理仅取决于一个灰度级值时，门限就称为全局的。否则，就称为局部的。另外，如果取决于空间坐标和灰度值，否则，就称为局部的。另外，如果取决于空间坐标和灰度值，门限就是动态的或自适应的。按公式方法分割得到的图像就门限就是动态的或自适应的。按公式方法分割得到的图像就是二值图像。是二值图像。2024/5/173.3 图像二值化图像二值化2023/8/33.3 图像二值化5657精品课件精品课件！精品课件！5758精品课件精品课件！精品课件！5859l本章小结：本章小结：l 图像最重要的特征之一是边缘，它也是图像分割的主要图像最重要的特征之一是边缘，它也是图像分割的主要依据，因此本章讲述了图像分割的基本概念和方法，重点讲依据，因此本章讲述了图像分割的基本概念和方法，重点讲述了边缘的基本特征，经典边缘检测算子及其模板。如：述了边缘的基本特征，经典边缘检测算子及其模板。如：Roberts算子、算子、Sobel算子、算子、Prewitt算子、算子、Krisch算子、算子、Laplacian算子等微分算子，它们对于阶跃状边缘和屋顶状算子等微分算子，它们对于阶跃状边缘和屋顶状边缘的检出效果是不同的。同时，作为图像分割的一个重要边缘的检出效果是不同的。同时，作为图像分割的一个重要部分讲述了二值图像的概念及其算法。部分讲述了二值图像的概念及其算法。2024/5/17第第3章章 图像边缘提取和分割图像边缘提取和分割本章小结：2023/8/3第3章 图像边缘提取和分割59