边缘检测

1、边缘的特征

先看一张实物图和边缘图

边缘是图片中灰度变化最快的地方。下图清楚地显示了最简单的一种情况。既然找变化最快的地方，可以通过导数来求解边缘

2、图片的导数

一张数字图片F[x,y], 其x方向导数可定义为：

3、图片的梯度

3.1 图片的梯度相关定义

几种常见的图片的梯度

边缘的灰度用图片梯度的幅值表示，

图片梯度的方向：

3.2 图片梯度实例

下图显示了原图，x方向导数的图片，y方向导数的图片，和幅值的图片。

4、图片虚化后的梯度

图片实际上包含有很多噪音，噪音干扰求图片的梯度，如下图所示：

f(x)为红线处的灰度值，对其进行求导，充满干扰。

为了减少噪音的干扰，可使用高斯高斯滤波器过滤掉图片噪音，然后再求图片的梯度。

图片的求导可以用卷积运算实现，图片的卷积运算又满足交换律和结合律，所以

下图展示了其计算过程：

5、Sobel 算子

Sobel算子近视表示高斯滤波器的1阶导数，Sobel算子的滤波器如下图所示：

前面的1/8是一个经验值，为了得到合适的梯度的幅值

下方图片展示了Sobel算子的效果：

原图

x方向导数

y方向导数

幅值

6、LoG算子

除了使用高斯滤波器的一阶导数求边缘，还可以使用其二阶导数求边缘，边缘值刚好位于二阶导数的零值。如下图所示：

二维高斯函数的二阶导数如下图所示：

Laplacian 算子

LoG (Laplacian of Gaussian) 算子近似表示高斯滤波器的二阶导数。LoG算子如下图：

7、Canny 边缘检测

7.1Canny 边缘检测的过程

• 用高斯的梯度对图片滤波
• 求出梯度的幅值和方向
• 非极大值抑制（Non-maximum suppression）
• 设定阈值并连接

7.2 非极大值抑制（Non-maximum suppression）

检查一个点沿着该点的梯度方向是否为局部最大值，如果是保留，如果不是抑制.

在Canny 的论文中，梯度方向只有4个，0°，45°，90°，135°，但是实际上，梯度方向有很多种，不仅仅只有四种，

可阅读此博客：Canny算子中的非极大值抑制

非极大值抑制处理之前

非极大值抑制处理之后

7.3 设定阈值并连接

• 设置高低两种阈值
• 梯度幅值大于高阈值的视为强边缘
• 梯度幅值小于低阈值的视为噪声
• 位于高低阈值之间的视为弱边缘

7.4 Canny 边缘检测实例

7.5 Canny边缘检测的问题

不同高斯的  值，会影响到边缘检测，如下图所示。

较大的  能检测到较粗的边缘，较小的  还能检测到较细的边缘。

当使用不同的滤波器时，一节导数的最大值（边缘点）会出现偏移，甚至重合。

8、好的边缘检测算法的标准

• 能够发现所有的边缘
• 不受噪音影响
• 检测到的边缘点离实际点越近越好
• 对于每一个实际的边缘点，算法只返回一个点