【杂碎笔记】【计算机与机器视觉 by E.R.Davies】Chapter5

边缘识别

5.1 介绍

边缘识别一直作为图像分割的一个可供选择的方式，因为其在额外数据空间和计算量的优势（典型的可以节约100倍）。
两种主要的方式：
1.template matching（TM），模板匹配。
2.differential gradient（DG），梯度差分。
两种方式都是寻找足够大的梯度幅值g，以作为边缘的象征。
两种方式区别在于评价局部梯度g的方式不同，以及判断边缘方向的方式不同。

5.2 边缘识别的基本理论

计算g：
TM：对12个评估不同方向梯度的模板卷积，取最大值。
$g=max(g_i:i=1\ to\ n)$
DG：仅需两个模板，分别评价x方向梯度 $g_x$ 和y方向梯度 $g_y$ ，使用非线性变换。
$g=(g_x^2+g_y^2)^{1/2}$
为了节省计算量，通常被简化为 $g=|{g_x}|+|g_y|$ 或 $g=max(|{g_x}|,|g_y|$ )
计算方向：
TM：使用g取最大值的i对应的方向。
DG： $\theta=arctan\frac{g_y}{g_x}$
比较：
DG需要更多计算量，尽管更加精确。由于很多时候不需要方向数据，或者图像对比度范围较大，取得精确的g值意义不大，所以TM被较为广泛的使用。两者都涉及局部梯度的评估，TM和DG的卷积蒙版经常完全相同。
DG算子：


Roberts 2*2	$R_x$ = $[0 - 1 10]$ $\begin{bmatrix} 0 & 1\\ -1 & 0\\ \end{bmatrix}$	$R_y$ = $[10 0 - 1]$ $\begin{bmatrix} 1 & 0\\ 0 & -1\\ \end{bmatrix}$
Sobel 3*3	$S_x$ = $⎡ ⎣ ⎢ - 1 - 2 - 1 000121 ⎤ ⎦ ⎥$ $\begin{bmatrix} -1 & 0 & 1\\ -2 & 0 & 2\\ -1 & 0 & 1\\ \end{bmatrix}$	$S_y$ = $⎡ ⎣ ⎢ 10 - 1 20 - 2 10 - 1 ⎤ ⎦ ⎥$ $\begin{bmatrix} 1 & 2 & 1\\ 0 & 0 & 0\\ -1 & -2 & -1\\ \end{bmatrix}$
Prewitt 3*3	$P_x$ = $⎡ ⎣ ⎢ - 1 - 1 - 1 000111 ⎤ ⎦ ⎥$ $\begin{bmatrix} -1 & 0 & 1\\ -1 & 0 & 1\\ -1 & 0 & 1\\ \end{bmatrix}$	$P_y$ = $⎡ ⎣ ⎢ 10 - 1 10 - 1 10 - 1 ⎤ ⎦ ⎥$ $\begin{bmatrix} 1 & 1 & 1\\ 0 & 0 & 0\\ -1 & -1 & -1\\ \end{bmatrix}$

5.3 TM

另外6个角度可以通过外圈系数的旋转或者对称变换得到

	$0^\circ$	$45^\circ$
Prewitt	$⎡ ⎣ ⎢ - 1 - 1 - 1 1 - 2 1 111 ⎤ ⎦ ⎥$ $\begin{bmatrix} -1 & 1 & 1\\ -1 & -2 & 1\\ -1 & 1 & 1\\ \end{bmatrix}$	$⎡ ⎣ ⎢ 1 - 1 - 1 1 - 2 - 1 111 ⎤ ⎦ ⎥$ $\begin{bmatrix} 1 & 1 & 1\\ -1 & -2 & 1\\ -1 & -1 & 1\\ \end{bmatrix}$
Kirsch	$⎡ ⎣ ⎢ - 3 - 3 - 3 - 3 0 - 3 555 ⎤ ⎦ ⎥$ $\begin{bmatrix} -3 & -3 & 5\\ -3 & 0 & 5\\ -3 & -3 & 5\\ \end{bmatrix}$	$⎡ ⎣ ⎢ - 3 - 3 - 3 50 - 3 55 - 3 ⎤ ⎦ ⎥$ $\begin{bmatrix} -3 & 5 & 5\\ -3 & 0 & 5\\ -3 & -3 & -3\\ \end{bmatrix}$
Robinson 3-Level	$⎡ ⎣ ⎢ - 1 - 1 - 1 000111 ⎤ ⎦ ⎥$ $\begin{bmatrix} -1 & 0 & 1\\ -1 & 0 & 1\\ -1 & 0 & 1\\ \end{bmatrix}$	$⎡ ⎣ ⎢ 0 - 1 - 1 10 - 1 111 ⎤ ⎦ ⎥$ $\begin{bmatrix} 0 & 1 & 1\\ -1 & 0 & 1\\ -1 & -1 & 1\\ \end{bmatrix}$
Robinson 5-Level	$⎡ ⎣ ⎢ - 1 - 2 - 1 000121 ⎤ ⎦ ⎥$ $\begin{bmatrix} -1 & 0 & 1\\ -2 & 0 & 2\\ -1 & 0 & 1\\ \end{bmatrix}$	$⎡ ⎣ ⎢ 0 - 1 - 2 101210 ⎤ ⎦ ⎥$ $\begin{bmatrix} 0 & 1 & 2\\ -1 & 0 & 1\\ -2 & 1 & 0\\ \end{bmatrix}$

5.4 3*3模板算子的理论

由于另外6个方向的蒙版和 $0^\circ$ 和 $45^\circ$ 的只有符号之间的区别，仅用这两者表示。

⎡ ⎣ ⎢ - A - B - A 000 A B A ⎤ ⎦ ⎥

$\begin{bmatrix} -A & 0 & A\\ -B & 0 & B\\ -A & 0 & A\\ \end{bmatrix}$

⎡ ⎣ ⎢ 0 - C - D C 0 - C D C 0 ⎤ ⎦ ⎥

$\begin{bmatrix} 0 & C & D\\ -C & 0 & C\\ -D & -C & 0\\ \end{bmatrix}$

由于 $g_{45}=\frac{g_0+g_{90}}{\sqrt{2}}$
解得
$C=\frac{B}{\sqrt{2}}$
$D=A\sqrt{2}$
进一步根据 $22.5^\circ$ 处的梯度，得到
$\frac{B}{A}=\sqrt{2}\frac{9t^2-(14-4\sqrt{2})t+1}{t^2-(10-4\sqrt{2})t+1}$
其中 $t=tan22.5^\circ$
$\frac{B}{A}=\frac{13\sqrt{2}-4}{7}=2.055$