一阶微分边缘算子也称为梯度边缘算子,它是利用图像在边缘处的阶跃性,即图像梯度在边缘取得极大值的特性进行边缘检测。梯度是一个矢量,具有方向和模值,模值提供了边缘的强度信息,方向提供了边缘的趋势信息。
Δ
I
=
(
∂
I
∂
x
∂
I
∂
y
)
Δ
I
∣
=
(
∂
I
∂
x
)
2
+
(
∂
I
∂
y
)
2
=
I
x
2
+
I
y
2
θ
=
arctan
(
I
y
/
I
x
)
\begin{array}{l} {\Delta I=\left(\begin{array}{c} {\frac{\partial I}{\partial x}} \\ {\frac{\partial I}{\partial y}} \end{array}\right)} \\ {\Delta I |=\sqrt{\left(\frac{\partial I}{\partial x}\right)^{2}+\left(\frac{\partial I}{\partial y}\right)^{2}}=\sqrt{I_{x}^{2}+I_{y}^{2}}} \\ {\theta=\arctan \left(I_{y} / I_{x}\right)} \end{array}
ΔI=(∂x∂I∂y∂I)ΔI∣=(∂x∂I)2+(∂y∂I)2=Ix2+Iy2θ=arctan(Iy/Ix)
单尺度形态学梯度定义为下式,式中,
f
f
f为原始图像,
g
g
g为结构元素。
f
⊕
g
f \oplus g
f⊕g表示利用结构元素对输入图像
g
g
g进行膨胀,
f
Θ
g
f \Theta g
fΘg表示利用结构元素
g
g
g对输入图像
f
f
f进行腐蚀。
Grad
[
f
(
x
)
]
=
(
f
⊕
g
)
−
(
f
Θ
g
)
\operatorname{Grad}[f(x)]=(f \oplus g)-(f \Theta g)
Grad[f(x)]=(f⊕g)−(fΘg)
多尺度梯度
M
G
(
f
)
=
1
n
×
∑
i
=
0
n
[
(
(
f
⊕
B
i
)
−
(
f
Θ
B
i
)
)
Θ
B
i
−
1
]
\mathrm{MG}(f)=\frac{1}{n} \times \sum_{i=0}^{n}\left[\left(\left(f \oplus B_{i}\right)-\left(f \Theta B_{i}\right)\right) \Theta B_{i-1}\right]
MG(f)=n1×i=0∑n[((f⊕Bi)−(fΘBi))ΘBi−1]