图像边缘检测_视觉判断边缘位移变化-CSDN博客

本文链接：https://blog.csdn.net/MacKendy/article/details/107675735

图像的信息是十分丰富的，而边缘信息往往能表征物体的特征，因此边缘提取在图像处理中是十分重要的。
基于直觉，边缘位置的颜色值（或灰度值）是骤变的，因此为了提取边缘，可以联想到提取变化率大的位置，即对图像求导。
但在计算机中，图像是由离散的像素点组成的，在这里使用的是查分的方式，相邻像素点之间差值就是变化率。

提取图像的边缘信息，可以通过 一阶导数（First-order derivative） 或者 二阶导数（Second-order derivative） 实现。
如下图所示，边缘位于一阶导数的极值处，以及二阶导数的过0点处。
在这里插入图片描述
图自https://www.jianshu.com/p/2334bee37de5。

假如：

# 图像灰度值
[5, 5, 4, 3, 2, 1, 0, 0, 0, 6, 0, 0]
# 一阶导
[0, 0, -1, -1, -1, -1, -1, 0, 0, 6, -6, 0, 0]
# 二阶导
[0, 0, -1, 0, 0, 0, 0, 1, 0, 6, -12, 6, 0, 0]

一阶导能产生较粗的边缘（那一块-1），二阶导对精细部位比较敏感（如灰度值6对应的-12），并且能产生双边效应（如-1,0,...,0,-1）。

一阶导(First-order derivative)：

$\frac {\partial f}{\partial x} = f(x+1) - f(x)$

若按照一阶导的查分公式，一阶算子的模板为 $[- 1, 1]$ ，但是偶数大小的模板不利于对离散图像的中心点求值，因此衍生出了Prewitt算子：
$Prewitt\_x= \begin{vmatrix} -1 & 0 & 1 \\ -1 & 0 & 1 \\ -1 & 0 & 1 \end{vmatrix}, \ Prewitt\_y= \begin{vmatrix} -1 & -1 & -1 \\ 0 & 0 & 0 \\ 1 & 1 & 1 \end{vmatrix}$
考虑到同一水平线相邻的像素值与中心点的距离更近，对中心点的影响力也应该更大，故延伸出了Sobel算子：
$Sobel\_x= \begin{vmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{vmatrix}, \ Sobel\_y= \begin{vmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{vmatrix}$
分别计算x、y方向的偏导Gx、Gy，求绝对值， $G (x, y) = G x + G y$ ，最后压缩至 $[0, 255]$ 。

Lena图像初始化与show函数定义：
在这里插入图片描述

Prewitt算子

在这里插入图片描述

Sobel算子

在这里插入图片描述

二阶导(Second-order derivative)：

$\begin{aligned} \frac {\partial^2 f}{\partial x^2} &= f'(x+1) - f'(x) \\ &=f(x+2)-f(x+1)-f(x+1)+f(x) \\ &=f(x+1)+f(x-1)-2f(x) \end{aligned}$

参考图像二阶导的查分公式，可以用Laplacian算子在二维图像进行Sliding Window，算子参考公式：
$\frac {\partial^2 f}{\partial x^2} + \frac {\partial^2 f}{\partial y^2}$

故卷积模板为：
$_{Laplacian}= \begin{vmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{vmatrix}$
若考虑主副对角线的情况：
$_{Laplacian} = \begin{vmatrix} 1 & 1 & 1 \\ 1 & -8 & 1 \\ 1 & 1 & 1 \end{vmatrix}$

Laplacian算子

在这里插入图片描述

Canny算法

Canny算法的步骤如下：

运用高斯滤波进行图像平滑，目的是去除噪声（这点在使用其他算子时也可以参考）；
运用Sobel算子计算梯度强度，记录图像的梯度强度和梯度方向；
运用非极大值抑制（Non-maximum suppression），抑制同梯度方向非最大的像素值（置0），保留最大值；
运用双阈值（Double Thresholding），对图像像素值进行划分。大于上阈值的认为强边界，介于上下阈值的认为弱边界，小于下阈值的肯定不是边界；
利用滞后的边界跟踪，和强边界相连的弱边界认为是边界，其他的边界则抑制。

在这里插入图片描述