图像处理算法 | 图像求导

大凝的IC进阶之路

已于 2023-09-20 21:43:52 修改

阅读量373

点赞数 1

分类专栏：图像处理算法及其RTL硬件实现文章标签：算法图像处理 isp 边缘计算

于 2023-09-16 13:36:14 首次发布

本文链接：https://blog.csdn.net/OdellSwan/article/details/132916862

版权

图像处理算法及其RTL硬件实现专栏收录该内容

17 篇文章 19 订阅

订阅专栏

写这篇文章的目的是解释清楚图像求导和一阶二阶算子之间的关系，以及那些花样百出的边缘检测算子是怎么来的，为什么是那个样子，有什么样的检测效果，优点和缺点是什么，该如何使用，不喜欢看推导和原理的同学可以直接跳到下一篇《边缘检测算子与及效果对比》直接看结果。

一、图像求导原理

要理解图像的边缘，要先从图像的导数开始，我们知道连续函数f(x,y)的偏导数定义为：

$f_{x} (x_{0} ,y_{0} )=lim_{\bigtriangleup x\to 0} \frac{f(x_{0}+\bigtriangleup x,y_{0})-f(x_{0} ,y_{0})}{\bigtriangleup x} \\f_{y} (x_{0} ,y_{0} )=lim_{\bigtriangleup y\to 0} \frac{f(x_{0},y_{0}+\bigtriangleup y)-f(x_{0} ,y_{0})}{\bigtriangleup y}$ （1）

以求x的偏导为例，这个公式有三层含义：

1. 首先要有一个方向，x或y方向

2. 其次要在一个足够小的范围内，这个范围小到∆x要接近于0，这是连续函数能定义出的最小范围，一个接近于0的范围

3. 分子是对两个函数值做减法，分母是这个足够小的距离，除一下计算的是一个变化率

合起来就是，在一个指定的方向上，取一个足够小的范围，计算这个范围内的函数值变化了多少。

公式（1）只给出了x和y两个方向，但是我们知道，真实的世界中不可能只有两个方向，所以有了梯度的概念，梯度指的是函数沿任一指定方向的变化率，为了表达“沿任一指定方向”这个概念，梯度中定义了两个余弦来描述它，余弦不是重点，方向才是重点，直接把连续函数求导的定义推导到离散函数上。

对于一个图像来说，描述一个图像就是按照x和y进行的，所以图像求导的方向是现成的，图像的最小距离单位就是1，相当于∆x和∆y都是1，极限可以扔了，图像的函数值就是亮度值，公式（1）就变成了分别沿x方向和y方向对相邻像素做减法，其公式如（2）所示：

$\frac{\partial f}{\partial x} =f(x+1,y)-f(x,y)\\ \frac{\partial f}{\partial y} =f(x,y+1)-f(x,y)$ （2）

图像还有两个对角线方向，所以常用的图像求导方向有4个，水平、垂直和两个对角线。在图像中，梯度的“沿任一指定方向”已经包含在算子里面了，减法的那个方向就是梯度方向。

图像领域通常使用的是梯度的幅值，这就要把多个方向的梯度融合起来，计算梯度幅值的方法一般是计算欧式距离，如公式（3）所示，可以理解为两个方向梯度的混合代表最终的梯度幅值，但是为了降低计算复杂度，很多时候是用绝对值相加的方法，如公式（4）所示：

$A(i,j)=\sqrt{(\frac{\partial f}{\partial x} )^{2} +(\frac{\partial f}{\partial y} )^{2}}$ （3）

$A(i,j)=\left | \frac{\partial f}{\partial x}\right | +\left | \frac{\partial f}{\partial y} \right |$ （4）

还有一种采用无穷范数衡量梯度幅值的方法，可以理解为哪个方向的梯度值大，就采用哪个方向的，如公式（5）所示：

$\left | G(x,y) \right | =max(\left | G_{x} \right |,\left | G_{y} \right | )$ （5）

实际使用的时候看需求，一般是在（4）和（5）之间做选择，接下来是二阶导。

二阶导可以理解为对一阶导再求一次导数，以x方向为例（y方向同理）即：

$\frac{\partial^2 f(x,y)}{\partial x^2}=f_{x}^{'}(x+1,y)+f_{x}^{'}(x,y)\\ =f(x+1,y)-f(x,y)-(f(x,y)-f(x-1,y))\\ =f(x+1,y)-2f(x,y)+f(x-1,y)$ （6）

以x轴方向的求导为例，一阶导定义了一个[1,-1]的算子，二阶导定义了一个[1,-2,1]的算子，用这两个算子对图像做卷积，就可以获得图像求导的结果。

二、图像求导效果测试

用一个简单的黑白图像来做个测试，看一下在图像边缘发生了什么。图1中的（a）是输入的测试图像，宽度300，高度512，（b）中红色标记出了要观察数据位置。

对（b）中的红色位置分别用水平方向一阶导[1,-1]和二阶导[1,-2,1]做卷积，得到的效果如图2所示：

图2 中（a）的横坐标轴显示了取样位置的坐标，纵轴是取样的亮度值，输入图白色的部分亮度接近于1，黑色的部分亮度接近于0，白变黑或黑变白的时候是有一个过渡的，就是（a）中下降和上升部分，此外输入图中还有一点点噪声。从（b）图可以看出，一阶导显示的是亮度变化的速度，无论亮度是增加还是减少，其增减的速度都有一个峰值，速度达到峰值后逐渐减小，亮度不变区域的一阶导接近于0。（c）图是二阶导，二阶导是一阶导的导数，它描述的是亮度变化速度的快慢，也就是亮度变化的加速度，图像的亮度不可能一直沿某个方向增加或者是减少，速度达到最大后必定要转向，二阶导描述的就是这种转向的变化，在速度转向的时候，加速度过零点给速度另一个方向的增量，所以二阶导会产生双边缘效应，它描述了进入边缘和离开边缘的过程。此外（b）和（c）里面还有一些小波动，这是噪声带来的影响。

图3给出了完整的一阶导和二阶导的浮雕效果，就是对卷积结果加了0.5，把负数部分也一起显示在了图像上，偏白的边缘是正数部分，偏黑的边缘是负数部分。