空间域图像增强:二阶导数图像边缘检测算子-Laplacian算子
0.综述
前面介绍了Sobel
等几种一阶导数图像边缘检测算子,图像通过与这些算子的卷积计算可以提取出图像边缘信息。但是在利用一阶导数的边缘检测算子进行边缘检测时,有时会出现因检测到的边缘点过多而导致边缘(线)过粗的情况。
通过去除一阶导数中的非局部最大值就可以检测出更细的边缘,而一阶导数的局部最大值对应着二阶导数的零交叉点。所以通过找图像的二阶导数的零交叉点就能找到精确的边缘点。二阶导数可以通过快速的图像像素值强度的变化来检测图像边缘,其检测原理跟一阶导数有点类似,只是二阶导数计算的是图像 x , y x,y x,y 两个方向的二阶导数。
1.Laplacian算子原理分析
与梯度方法类似,用于图像锐化和图像边缘检测的Laplacian
算子的概念也是相同的。Laplacian
算子是一种无方向性的二阶导数算子,其在点
(
x
+
y
)
(x+y)
(x+y)处的拉普拉斯值定义为:
∇
2
f
=
∂
2
f
∂
x
2
+
∂
2
f
∂
y
2
(1)
\nabla^2f=\frac {\partial^2 f}{\partial x^2 }+\frac {\partial^2 f}{\partial y^2 }\tag{1}
∇2f=∂x2∂2f+∂y2∂2f(1)
其中:
∂
2
f
∂
x
2
=
f
(
i
+
1
,
j
)
−
2
f
(
i
,
j
)
+
f
(
i
−
1
,
j
)
(2)
\frac {\partial^2 f}{\partial x^2 } = f(i+1,j)-2f(i,j)+f(i-1,j)\tag{2}
∂x2∂2f=f(i+1,j)−2f(i,j)+f(i−1,j)(2)
∂
2
f
∂
y
2
=
f
(
i
,
j
+
1
)
−
2
f
(
i
,
j
)
+
f
(
i
,
j
−
1
)
(3)
\frac {\partial^2 f}{\partial y^2 } = f(i,j+1)-2f(i,j)+f(i,j-1)\tag{3}
∂y2∂2f=f(i,j+1)−2f(i,j)+f(i,j−1)(3)
合并式
(
2
)
(2)
(2)和式
(
3
)
(3)
(3)可得到实现Laplacian
运算的几种模板如下所示:
H
1
=
[
0
−
1
0
−
1
4
−
1
0
−
1
0
]
H_1= \left[ \begin{matrix} 0 & -1 & 0 \\ -1 & 4 & -1\\ 0& -1& 0 \end{matrix} \right]
H1=⎣⎡0−10−14−10−10⎦⎤
H
2
=
[
−
1
−
1
−
1
−
1
8
−
1
−
1
−
1
−
1
]
H_2= \left[ \begin{matrix} -1 & -1 & -1 \\ -1 & 8 & -1\\ -1 & -1& -1 \end{matrix} \right]
H2=⎣⎡−1−1−1−18−1−1−1−1⎦⎤
Laplacian
运算由于只需要用一个模板,所以计算量比较小。Laplacian
算子对图像中的噪声比较敏感,并且由于通常产生的是2个像素宽的边缘,所以很少直接用于边缘检测,通常是在已知边缘像素后用于确定该像素是在图像的暗区那边还是在明区那边,一般先对图像进行一次高斯模糊处理,然后在使用Laplacian
算子来提取图像边缘(LOG
算子,由Marr提出,因此也称为Marr
边缘检测算法)。但由于拉普拉斯算子是二阶算子,所以利用其过零点的特性可精确定位边缘。Laplacian
二阶边缘检测算子具有各向同性和旋转不变性,是一个标量算子。
2.Marr边缘检测算法
在前面的内容中我们提到了Marr
边缘检测算法,该算法克服了一般微分运算对于噪声敏感的缺点,利用能够反映人眼视觉特征的LOG
算子对图像进行边缘检测,并结合二阶导数零交叉的性质对边缘进行定位。
典型的二维高斯函数的形式为:
G
(
x
,
y
,
σ
)
=
−
1
2
π
σ
2
e
−
x
2
+
y
2
2
σ
2
G(x,y,\sigma)=-\frac{1}{2\pi\sigma^2} e^ {-{\frac {x^2+y^2}{2\sigma^2}}}
G(x,y,σ)=−2πσ21e−2σ2x2+y2
其中
σ
\sigma
σ 称为尺度因子,用于控制去噪效果,实验结果表明当
σ
=
1
\sigma=1
σ=1时图像去噪效果最好。
由上面的内容也可以知道,Marr
算法分为两个主要过程:
- 首先利用二维高斯函数对图像进行低通滤波,也就是用二维高斯函数与图像进行卷积:
g ( x , y ) = G ( x , y , σ ) ∗ f ( x , y ) g(x,y)=G(x,y,\sigma)*f(x,y) g(x,y)=G(x,y,σ)∗f(x,y)
可以得到平滑后的图像 g 0 ( x , y ) g_0(x,y) g0(x,y),这一步可以消除图像空间中尺度小于 σ \sigma σ的图像强度变化,从而去除部分噪声。 - 其次使用
Laplacian
算子对 g 0 ( x , y ) g_0(x,y) g0(x,y)进行二阶导数运算:
∇ 2 g 0 ( x , y ) = ∇ 2 ( G ( x , y , σ ) ∗ f ( x , y ) ) = ∇ 2 G ( x , y , σ ) ∗ f ( x , y ) \nabla^2g_0(x,y)=\nabla^2(G(x,y,\sigma)*f(x,y))=\nabla^2G(x,y,\sigma)*f(x,y) ∇2g0(x,y)=∇2(G(x,y,σ)∗f(x,y))=∇2G(x,y,σ)∗f(x,y)
其中:
∇ 2 G ( x , y , σ ) = ∂ G ∂ x 2 + ∂ G ∂ y 2 = 1 π σ 4 ( x 2 + y 2 2 σ 2 − 1 ) e − x 2 + y 2 2 σ 2 \nabla^2G(x,y,\sigma)=\frac {\partial G}{\partial x^2 }+\frac {\partial G}{\partial y^2 }=\frac{1}{π\sigma^4}(\frac {x^2+y^2}{2\sigma^2}-1)e^ {-{\frac {x^2+y^2}{2\sigma^2}}} ∇2G(x,y,σ)=∂x2∂G+∂y2∂G=πσ41(2σ2x2+y2−1)e−2σ2x2+y2
称为高斯-拉普拉斯算子(LOG
)算子。由此可见,Marr
算法将Gauss
的平滑滤波器和Lapla
的锐化滤波器结合了起来,也即把二维高斯函数与原图像 f ( x , y ) f(x,y) f(x,y)进行卷积核用拉普拉斯算子对卷积结果进行二阶导数运算结合起来,先平滑噪声,在进行边缘检测。
3.OpenCV中的Laplacian算子API
void Laplacian( InputArray src,
OutputArray dst,
int ddepth,
int ksize = 1,
double scale = 1,
double delta = 0,
int borderType = BORDER_DEFAULT );
其中ddepth
一般设为-1表示输入输出图像类型一致。ksize
必须为奇数,默认为1,表示是四领域算子,大于1则是八领域算子。
4.代码实践Laplacian算子
Mat blur_result, lap_result;
GaussianBlur(input, blur_result, Size(3, 3), 0);
Laplacian(blur_result, lap_result, CV_32F, 1, 1.0, 127.0, 4);
convertScaleAbs(lap_result, lap_result);
imshow("blur result", blur_result);
imshow("lap result", lap_result);
运行结果如下: