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: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:
- 有效的噪声抑制
- 更强的完整边缘提取能力
检测器算法的四个步骤
- 用高斯一阶偏导核卷积图像
- 计算每个点的梯度幅值和方向
- 非极大值抑制
- 连接与阈值(滞后)
高斯一阶偏导
处理噪声的原始方法是
- 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
- 对去噪后的信后求导,即第二次卷积
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 其中
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:
- 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)
- 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