图像分割--边缘检测算子

探索世界的小白

已于 2023-04-11 16:23:26 修改

阅读量938

点赞数

文章标签：计算机视觉图像处理人工智能

于 2022-10-01 16:11:54 首次发布

本文链接：https://blog.csdn.net/Weiv_gao/article/details/127129366

版权

图像分割--边缘检测算子

一阶微分算子
二阶微分算子
非微分边缘检测算子 Canny 算子

一阶微分算子

边缘可以定位为一阶导数较大的像素处

Robert 算子

第一个边缘检测算子，1963年 Lawrence Roberts 提出
算子模板及差分公式

(a) $G_x=\bigtriangleup_xf(x,y)=f(x+1,y+1)-f(x,y)$
(b) $G_y=\bigtriangleup_yf(x,y)=f(x+1,y)-f(x,y+1)$

Sobel算子

1968年提出，1973年出现在专著《Pattern Classification and Scene Analysis》中
算子模板及差分公式
Sobel算子算子模板
（a） $G_x=\bigtriangleup_xf(x,y)=f(x-1,y-1)+2f(x-1,y)+f(x-1,y-1)-[f(x+1,y+1)+2f(x+1,y)+f(x+1,y+1)]$

(b) $G_y=\bigtriangleup_yf(x,y)=f(x+1,y+1)+2f(x,y+1)+f(x-1,y+1)-[f(x+1,y-1)+2f(x,y-1)+f(x-1,y-1)]$

Sobel算子的变种–各向同性Sobel算子
各项同性Sobel算子

各向同性 Sobel 算子权值更准确，按距离越远影响越小来说。

Prewitt 算子

1970 年，《Object Enhancement and Extraction》in Picture processing and Psychopictorics

Prowitt 算子算子模板
(a) $G_x=\bigtriangleup_xf(x,y)=f(x-1,y-1)+f(x-1,y)+f(x-1,y-1)-[f(x+1,y+1)+f(x+1,y)+f(x+1,y+1)]$

(b) $G_y=\bigtriangleup_yf(x,y)=f(x+1,y+1)+f(x,y+1)+f(x-1,y+1)-[f(x+1,y-1)+f(x,y-1)+f(x-1,y-1)]$

算子使用方式及实现

算子模板在图像上滑动，覆盖图像做卷积后得到检测幅值
幅值： $\sqrt{G_x^2+G_y^2}$ 或 $G=max(|G_x|, |G_y|)$ 或 $G=|G_x|+|G_y|$

from PIL import Image
import numpy as np
import cv2
from matplotlib import pyplot as plt
filename = '002646.jpg'
img = Image.open(filename).convert('RGB')
img_gray = np.array(img.convert('L'))
out_img = np.zeros_like(img_gray)


def robert(img_gray, out_img):
    h, w = img_gray.shape
    for i in range(h-1):
        for j in range(w-1):
            dx = img_gray[i+1][j+1]-img_gray[i][j]
            dy = img_gray[i+1][j] - img_gray[i][j+1]
            out_img[i][j] = np.sqrt(dx**2 + dy**2)
    return out_img

def sobel(img_gray, out_img):
    h, w = img_gray.shape
    for i in range(h-1):
        for j in range(w-1):
            dx = img_gray[i-1][j+1] + 2*img_gray[i][j+1] + img_gray[i+1][j+1]-img_gray[i-1][j-1] - 2*img_gray[i][j-1] - img_gray[i+1][j-1]
            dy = img_gray[i-1][j-1] + 2*img_gray[i-1][j] + img_gray[i-1][j+1] - img_gray[i+1][j-1] -2*img_gray[i+1][j] - img_gray[i+1][j+1]
            out_img[i][j] = np.sqrt(dx**2 + dy**2)
    return out_img

def perwitt(img_gray, out_img):
    h, w = img_gray.shape
    for i in range(h-1):
        for j in range(w-1):
            dx = img_gray[i-1][j-1]+img_gray[i][j-1]+img_gray[i+1][j-1]-img_gray[i-1][j+1]-img_gray[i][j+1]-img_gray[i+1][j+1]
            dy = img_gray[i-1][j-1]+img_gray[i-1][j]+img_gray[i-1][j+1] - img_gray[i+1][j-1]-img_gray[i+1][j]-img_gray[i+1][j+1]
            out_img[i][j] = np.sqrt(dx**2 + dy**2)
    return out_img
out_img3 = perwitt(img_gray, out_img)

out_img = robert(img_gray, out_img)
x = cv2.Sobel(img_gray, cv2.CV_16S, 1, 0)
y = cv2.Sobel(img_gray, cv2.CV_16S, 0, 1)
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0) ## 将两张大小相同的图片进行融合的
out_img2 = sobel(img_gray, out_img)

plt.subplot(151)
plt.imshow(img)
plt.subplot(152)
plt.imshow(out_img, cmap='gray')
plt.subplot(153)
plt.imshow(out_img2, cmap='gray')
plt.subplot(154)
plt.imshow(Sobel, cmap='gray')
plt.subplot(155)
plt.imshow(out_img3, cmap='gray')
plt.show()
## 卷积操作实现Sobel算子
sobelx = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])
sobely = np.array([[-1, -1, -1], [0, 0, 0], [1, 1, 1]])
x = cv2.filter2D(img_gray, cv2.CV_16S, sobelx)
y = cv2.filter2D(img_gray, cv2.CV_16S, sobely)
absX = cv2.convertScaleAbs(x)
absY = cv2.convertScaleAbs(y)
conv_sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
plt.imshow(conv_sobel, cmap='gray')
plt.show()

效果：从左到右依次为原图、Robert算子、Sobel算子（差分）、Sobel算子（CV2）、以及Perwitt算子
在这里插入图片描述
以及卷积操作实现的Sobel算子效果

其他的算子差分计算是一样的，这里不再附上代码。

二阶微分算子

二阶导为0的地方就是边缘

Laplace算子

是一个各项同性算子，具有旋转不变性，只关心边缘的位置而不考虑其周围的像素灰度差时比较合适，但对噪声非常敏感，通常的分割算法会将 Laplace算子与平滑算子相结合。

噪声敏感的原因
图像中噪声是高频信息，一阶导后会放大突变值，频率依旧很高，二阶导再次放大突变值，使得突变更大。对图像本身来说就是更大的噪声，故 Laplace 算子对噪声敏感。按这个推论，再加一阶导噪声更敏感。
频率与导数关系
算子模板及差分公式
八邻域算子模板四邻域算子模板
上面两个模板分别为八邻域和四邻域模板
$\bigtriangledown^2f(x,y)=[f(x+1,y)-f(x,y)]-[f(x,y)-f(x-1,y)]+[f(x,y+1)-f(x,y)]-[f(x,y)-f(x,y-1)]$
$= f (x + 1, y) + f (x - 1, y) + f (x, y + 1) + f (x, y - 1) - 4 f (x, y)$

高斯型 Laplace 算子（Laplacian of Gaussian, LoG)

二维高斯卷积函数
$G_0(x,y)=\frac{1}{2\pi \sigma ^2}e^{-\frac{x^2+y^2}{2\sigma ^2}}$

可以用这个函数，以模板中间像素为中心求出模板其他位置处的值。
具体表示
$\frac{dG_0}{dx}=-\frac{x}{\sigma ^2}e^{-\frac{x^2+y^2}{2\sigma ^2}} \frac{1}{2 \pi \sigma ^2}$
$\frac{d^2G_0}{dx^2}=(\frac{x^2}{\sigma ^4}e^{-\frac{x^2+y^2}{2\sigma ^2}}-\frac{1}{\sigma ^2}e^{-\frac{x^2+y^2}{2\sigma ^2}})\frac{1}{2 \pi \sigma ^2}$
$\bigtriangleup G_0=(\frac{x^2+y^2}{\sigma ^4}e^{-\frac{x^2+y^2}{2\sigma ^2}}-\frac{1}{\sigma ^2}e^{-\frac{x^2+y^2}{2\sigma ^2}})\frac{1}{2 \pi \sigma ^2} \\ =\frac{x^2+y^2-2\sigma ^2}{2\pi \sigma ^6}e^{-\frac{x^2+y^2}{2\sigma ^2}}$

算子模板
LOG算子模板

高斯差分(Difference of Gaussian, DoG)

$DoG=G(x,y,\sigma _1)-G(x,y, \sigma _2)$
$\frac{\partial G}{\partial \sigma}\approx\frac{G(x,y,k\sigma-G(x,y,\sigma}{k\sigma-\sigma}$
$DoG\approx (k-1)\sigma \frac{\partial G}{\partial \sigma}$
又
$\frac{\partial G}{\partial \sigma}=-\frac{1}{(2\pi\sigma ^2)^2}4\pi \sigma e^{-\frac{x^2+y^2}{2\sigma ^2}}+\frac{4\pi}{2\pi \sigma^2}\frac{x^2+y^2}{(2\sigma^2)^2}e^{-\frac{x^2+y^2}{2\sigma ^2}}\\ =\frac{x^2+y^2-2\sigma ^2}{2\pi \sigma^5}e^{-\frac{x^2+y^2}{2\sigma ^2}}\\ =\sigma \cdot \bigtriangleup G$
故
$\approx (k-1)\sigma ^2 \bigtriangleup G$
即DoG与 $\bigtriangleup G$ 波形相似，但值的大小不同，故不影响边缘检测。而且从计算可以看出来，DoG计算更简单。