《數字圖像處理基礎》第6章 圖像的銳化處理 要點歸納

http://blog.csdn.net/jyjmc/article/details/5210095  

銳化主要目的是突出細節，銳化處理強度和圖像在改點的突變程度有關。

圖像微分增強了邊緣和其他突變（噪聲）的信息，削弱了灰度變化緩慢的信息。

 

水平方向微分算子：D={ [1,2,1] , [0,0,0] , [-1,-2,-1] }

垂直方向微分算子：D={ [1,0,-1], [2,0,-2], [1,0,-1] }

 

各向同性的微分算子：

1. Roberts交叉微分算子：

D1={[-1,0] , [0,1]}  D2={[0,-1], [1,0]}  result=| D1 【 f(x,y) 】 | + | D2 【f(x,y) 】 |

模板小，計算量小，但因模板尺寸為偶數，結果會有半個像素錯位。

 

2. Sobel微分算子：

Dx={[-1,-2,-1] , [0,0,0] , [1,2,1]}  ，Dy={[-1,0,1], [-2,0,2] , [-1,0,1] }

result=square{Dx【 f(x,y)】*Dx【 f(x,y)】+Dy【 f(x,y)】*Dy【 f(x,y)】}

 

3. Priwitt微分算子：

Dx={[-1,-1,-1] , [0,0,0] , [1,1,1]}  ，Dy={[-1,0,1], [-1,0,1] , [-1,0,1] }

result=square{Dx【 f(x,y)】*Dx【 f(x,y)】+Dy【 f(x,y)】*Dy【 f(x,y)】}

運算較Sobel簡單，處理效果與Sobel幾乎無法肉眼觀察出差別。

 

4. Laplacian算子：

二階微分算子提取的細節較以上一階的多，對圖像細節的敏感性更強，

L0={ [0，-1，0] , [-1，4，-1] , [0，-1，0] }    90°旋轉意義下的各向同性

L1={ [-1，-1，-1] , [-1，8，-1] , [-1，-1，-1] }   處理效果最強

L2={ [1，-2，1] , [-2，4，-2] , [1，-2，1] }   處理效果較弱

g(x,y)=f(x,y)+L(x,y)將算子運算結果與原始圖像疊加，使得原始圖像的紋理更加清晰

 

5.Wallis微分算子：

結合拉普拉斯算子與對數算子構造的銳化算子，對於弱信息（暗部信息）比Laplacian算子跟敏感

 

對於銳化算子處理後的圖像進行閾值處理（閾值左右分別設為全黑和全白），就可以得到景物的邊界

二階微分算子檢測出的邊界細節信息較多，而一階微分算子檢測出的非細節輪廓更清晰

評價邊緣檢測性能優劣的三指標：

1.好的信噪比，即將非邊緣點判為邊緣點的概率以及將邊緣點判為非邊緣點的概率要低；

2.好的定位性能，即檢測出的邊緣點要盡可能在實際邊緣的中心；

3.對單一邊緣僅有唯一響應，即單個邊緣產生多個響應的概率要低，並且虛假響應邊界應得到最大抑制。

 

希望在提高對景物邊緣的敏感性同時，可以最大程度抑制噪聲。

有一個線性算子——高斯函數的一階導數，可以在抵抗噪聲與邊緣檢測之間獲得一個最佳的折中。

高斯函數與原圖的卷積達到了抵抗噪聲，而求導數是檢測景物邊緣的手段。

 

聲明：

以上內容為自己在學習過程中的歸納總結，大部分內容來自：

《數字信號處理基礎》 朱虹等編著

科學出版社 ISBN：7-03-014835-5