卷积网络应用--边缘检测

已于 2022-08-07 10:00:22 修改
阅读量1.3k 收藏 2
点赞数
分类专栏： 计算机视觉 文章标签： 计算机视觉 人工智能
于 2022-08-07 10:00:14 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_48839222/article/details/126115472
版权

卷积网络的应用很多，其中一种是边缘检测

目录

什么是边缘检测？

边缘种类

边缘检测算法--Canny检测器

高斯一阶偏导

非极大值抑制

双阈值

什么是边缘检测？

边缘：图像中亮度明显而急剧变化的地方

图像梯度：梯度方向指向灰度变化最快的方向；梯度的模表示是否是图像的边缘（模越大，是图像边缘的可能性越大）

边缘种类

  • 表面法向不连续

  • 深度不连续

  • 表面颜色不连续

  • 光照不连续

边缘检测算法--Canny检测器

算法的特点：

  1. 有效的噪声抑制
  2. 更强的完整边缘提取能力

检测器算法的四个步骤

  1. 用高斯一阶偏导核卷积图像
  2. 计算每个点的梯度幅值和方向
  3. 非极大值抑制
  4. 连接与阈值（滞后）

高斯一阶偏导

处理噪声的原始方法是

  1. 用高斯核卷积一次。原始噪声信号f，高斯核g，去噪后的信号表示为f*g
  2. 对去噪后的信后求导，即第二次卷积 \frac{\mathrm{d} }{\mathrm{d} x}(f*g)

根据卷积操作的结合律，可以将上述步骤简化来降低计算率

先求导再卷积   f*\frac{\mathrm{d} }{\mathrm{d} x} g                               其中\frac{\mathrm{d} }{\mathrm{d} x} g就是高斯一阶偏导核

 

高斯核vs高斯一阶偏导核

高斯核

  • 消除高频成分（低通滤波器）
  • 卷积核中的权值不可为负数
  • 权值总和为1（恒定区域不受卷积影响）

高斯一阶偏导核

  • 高斯的导数
  • 卷积核中的权值可为负
  • 权值总和为0（恒定区域为响应）
  • 高对比度点的响应值大

非极大值抑制

现象：某些图像的边缘线非常的粗

目的：获得更为准确的边缘

原因：由于图像中某条边的模长都很大，超过了门限值，都被当成了轮廓线，所以我们要抑制非极大值，只要把最大值画出即可

 

算法思路

 

双阈值

步骤：

  1. 首先设置一个高阈值，选出边缘线（由于阈值高，这样的边缘线比较少）
  2. 再设置一个低阈值（此时边缘线很多），然后选取与前一步选出的高阈值边缘线有连接关系的，画出边缘线

 

Blue_Y28
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络与图像边缘检测
puran1218的博客
01-16 2131
卷积神经网络、滤波器与边缘检测
边缘检测
dreambird的专栏
12-27 1251
边缘的类型： 1. 阶跃函数， 灰度值跳变（跳变：从一个灰度级到另一个灰度级的变化） 2. 拉长的脉冲函数，灰度值发生两次跳变 检测方法： 1. 一阶导数：  极值点 ---> 边缘区域 2. 二阶导数： 正负跳变点  ----> 边缘中点 检测算法的评价： 1.好的信噪比，即将非边缘点判定为边缘点的概率要低，将边缘点判为非边缘点的概率要低； 2.高
U-NET网络进行细胞图像的边缘检测
08-31
此代码是使用U-NET网络实现细胞图像的边缘检测与提取！
卷积神经网络之卷积操作，使用卷积运算实现图片边缘特征检测
哆啦A梦爱学习的博客
05-30 4044
卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例点击蓝字关注我们上期我们讲解了卷积神经网络的基本结构，相信...
卷积神经网络（CNN）基础知识
最新发布
ZSK的博客
06-20 658
假设大于0的值表现为白色，等于0的值表现为灰色，小于0的值表现为黑色，如图左边为白色，右边为灰色的区域，由亮向暗过渡，经过卷积核后会表现为中间为白色区域，两边为灰色的区域，及中间的垂直边缘被放大为白色区域。意味着不填充，（n×n）的图片用（f×f）的卷积核卷积后，图像变为（n-f+1）×（n-f+1）。当p=（f-1）/2 , 有 （n+2×p-f+1）×（n+2×p-f+1）=（n×n）。对（f×f）的卷积核填充p层，则图像变为（n+2×p-f+1）×（n+2×p-f+1）。
卷积运算（convolutional operation）和边缘检测（edge detection）
csdn_xmj的博客
04-27 1980
来源：Coursera吴恩达深度学习课程 卷积运算（convolutional operation）是卷积神经网络最基本的组成部分（fundamental building blocks），使用边缘检测（edge detection）作为入门样例（motivating example）。接下来，你会看到卷积是如何进行运算的。 在之前的人脸例子中，我们知道神经网络的前几层是如何检测边缘的，然后，后面的层有可能检测到物体的部分区域，更靠后的一些层可能检测到完整的物体。让我们举个例子（下方），给了这样一张
深度学习笔记（二十九）卷积神经网络之卷积运算和边缘检测
Mr.zwX
02-10 1849
一、计算机视觉Computer Version CV的三种问题场景 图像分类 目标检测 风格迁移 为什么不用DNN而用CNN？ 如果处理的图像非常大，用DNN网络时矩阵维度非常大！并且参数众多，巨大的内存需求让人不太能接受，所以这个时候继续使用深层神经网络不可取。 二、边缘检测 垂直边缘检测 水平边缘检测 接下来用边缘检测这样一个例子，来讲解卷积运算原理。 灰度图像：灰度表示明暗程度（1白 0灰 -1黑） 过滤器/卷积核（filter） 卷积符号：∗*∗ 编程运算：Python(conv_f
教你如何卷积操作进行边缘检测，基础必备
喜欢打酱油的老鸟
01-02 7788
https://www.toutiao.com/a6630571206204473859/   2018-12-03 09:22:41     作者：忆臻 0. 前言 打算对吴恩达老师的Deeplearning课程做一个笔记回顾，大体整理思路为吴老师课堂内容和个人理解，非常基础无难点，重在备忘分享，大神勿喷！ 1. 前边缘检测示例 卷积运算是卷积神经网络最基本的组成部分，我们...
卷积神经网络-基于卷积神经网络实现的验证码识别算法.zip
05-03
CNN的优势在于其能够自动学习图像特征，从低级边缘检测到更高级的形状和结构识别。在这个项目中，我们将构建一个CNN模型，通过多个卷积层和池化层来捕获图像的局部特征，并通过全连接层将这些特征转换为可分类的输出...
卷积神经网络-基于AlexNet实现的遥感图像分类算法.zip
05-03
卷积层是CNN的核心，通过滤波器（或称为卷积核）在输入图像上滑动，检测特定的局部模式，如边缘、纹理和形状。这些滤波器权重在训练过程中可学习调整，使得网络能适应不同图像特征。多个卷积层堆叠起来，可以捕获更...
网络游戏-一种基于Spiking-卷积网络模型的图像边缘检测方法.zip
09-20
标题中的“网络游戏-一种基于Spiking-卷积网络模型的图像边缘检测方法”指的是将神经网络技术应用于网络游戏中的图像处理，特别是图像边缘检测。这里的关键技术是Spiking卷积网络，这是一种模仿生物神经元工作模式的...
多尺度几何分析在图像边缘检测中的应用
06-17
多尺度几何边缘是图像的重要特征，其中包含了图像大量的信息。边缘检测的效果将直 接影响到图像的分割和模式的识别。传统的图像边缘检测算法大多是基于点的检 测算法，只能在很少的几个方向搜索边缘，不能有效地利用图像的几何正则性。 多尺度几何分析法能够更好的利用图像的几何正则性。本论文通过对多尺度 几何分析中各种变换方法的比较，选择应用Beamlet变换和Wedgelet变换对图像进 行处理，研究图像边缘检测的新算法。主要研究工作包括两部分内容：一是基于 多尺度几何分析构建图像边缘检测的新算法；二是在嵌入式平台上对新算法进行 物理验证，并对算法进行优化。 分析在图像边缘检测中的应用
机器视觉技术在边缘检测中的应用
10-22
机器视觉主要用计算机来模拟人的视觉功能，但并不仅仅是人眼的简单延伸，更重要的是具有人脑的一部分功能一一从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。将机器视觉技术应用于禽蛋品质检测具有人工检测所无法比拟的优势。表面缺陷与大小、形状是蛋品品质的重要特征，利用机器视觉进行检测不仅可以排除人的主观因素的干扰，而且还能够对这些指标进行定量描述，避免了因人而异的检测结果，减小了检测分级误差，提高了生产率和分级精度。 　　图象的边缘信息对人或对机器视觉来说，都是非常重要的。由于边缘具有能勾画区域的形状，且能被局部定义以及能传递大部分图象信息等许多优点，因此，边缘检测可看作是
中文转拼音实例-基于字符的卷积神经网络-超短文本分类-主要代码为lc222的github项目，有HTTP访问等.zip
04-07
卷积神经网络（Convolutional Neural Network, CNN）是一种专门针对图像、视频等结构化数据设计的深度学习模型，它在计算机视觉、语音识别、自然语言处理等多个领域都有广泛应用。CNN的核心设计理念源于对生物视觉...
车牌检测-基于LBP级联+卷积神经网络回归实现车牌检测算法-附项目源码-优质项目实战.zip
06-05
该项目聚焦于车牌检测技术，利用了两种核心技术：局部二值模式（LBP）级联和卷积神经网络（CNN）回归。以下是对这些技术及其在车牌检测中的应用的详细解释。 1. **局部二值模式（LBP）**： LBP是一种用于纹理分类...
卷积神经网络与边缘检测
qq_45359086的博客
02-18 2869
计算机视觉 计算机视觉的三个应用场景 图像识别/图像分类 目标检测 风格迁移 ​ 图片由像素构成，一张图片的数据量很大，如果采用传统的DNN其参数量巨大，难以处理。为此，需要进行卷积计算，它是卷积神经网络中非常重要的一块。 边缘检测 卷积运算是卷积神经网络最基本的组成部分，使用边缘检测作为入门样例。 卷积运算 ​ 这是一个6×6的灰度图像。因为是灰度图像，所以它是6×6×1的矩阵，而不是6×6×3的，因为没有RGB三通道。为了检测图像中的垂直边缘，你可以构造一个3×3矩阵。在共用习惯中，在卷积神经
卷积层理解及应用到边缘检测
yangshejun的博客
12-08 163
卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。本章介绍卷积神经网络最常见的二维卷积层工作原理。
卷积神经网络之边缘检测
QQ_2642160196的博客
01-31 1727
在卷积神经网络中，星号*代表卷积运算，其中3X3的矩阵代表滤波器（也叫核），有很多种，例如用于垂直边缘检测，还有水平边缘检测等等。 上面用水平边缘检测得到的4X4的矩阵中，正数代表边缘上下的颜色分布和滤波器是一致的，例如30代表原始矩阵中所用到的3X3的部分是与滤波器的颜色分布一致。 ...
边缘检测技术的应用及其发展趋势
weixin_41888295的博客
05-11 987
将y = x表达式去除 b ==1 对结果造成的微小影响后的值赋给 h，同样将x = 0 对 a=0 和 a=1 的影响消除后得到 c 的值。通常，我们所看到的图像都不是完美无缺的，而是包含许多噪声、干扰和伪影等，因此需要将这些噪声去除，只保留图像中的边缘信息。边缘检测的主要目的是提高图像的清晰度和对比度，从而更好地理解图像中的内容。Sobel算子是一种基于梯度的边缘检测算法，它通过计算图像灰度值在x和y方向上的梯度来检测边缘。Canny算子是一种经典的边缘检测算法，它具有较高的边缘检测精度和抗噪性能。
卷积神经网络的边缘检测
09-03
卷积神经网络的边缘检测在计算机视觉领域中具有广泛的应用和研究价值。<span class="em">1</span><span class="em">2</span><span class="em">3 #### 引用[.reference_title] - *1* [基于三维牙齿网格的卷积神经网络...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值