计算机视觉入门-梯度、算子、Canny边缘检测、非极大值抑制、双门限法

第二章 边缘检测

边缘：信号突变的地方。能够紧凑描述图片的内容信息

边缘检测的几种类型：

表面不连续 深度不连续 表面颜色不连续 投影不连续

可以根据求导来判断是否为断点（边缘）

x方向（为简便操作 ε=1）：

实例：

边缘检测可以用导数得到，导数可以通过卷积核计算得到

因为是两个数进行运算所以得到的高斯核是1*2

梯度向量

梯度方向：指向灰度图变化最大的方向且方向与边垂直

描述图像中一点的梯度是由x方向导数和y方向导数决定

而两个在一起时，就是梯度方向

梯度方向与边之间的关系，也就是夹角

梯度幅值(Gradient Magnitude)

图像中某个点的强度（变化越大说明最有可能是边）

Prewitt算子

优点：对于单个噪声点更稳定，使得总体呈现，对于噪声使其不太突兀

Sobel算子

Sobel算子先进行高斯操作,即：

先平滑处理后，再进行边缘处理。效果是对噪声点敏感度低一些

Roberts算子

无论什么算子，再进行边缘检测时，把值为0方框连接起来代表的是边

例：Roberts算子：

得到图像边缘流程

1.首先进行平滑操作。寻找峰值（边缘）

滤波之后结果出现部分没有幅值，原因就是没有对图像首先进行填充，结果才能与原图规格相同

2.再对卷积之后的结果求导

怎么样一步就能得出结果，从而达到步骤简化：

先算出高斯模板的导数，然后只需要对图像进行一次处理即可。也就是利用高斯偏导模板

高斯核求导：

通过增大高斯偏导核的方差就可以让图像呈现不同的结果：

标准差越小细节越明显，越大时其轮廓越明显

高斯平滑核与高斯偏导核区别

高斯平滑核（平滑）：

1.去除高频噪声

2.没有负数

3.加权求和值为1

高斯偏导核（边缘提取）：

1.求得图像边缘

2.肯定有负数

3.加权求和值为0（平坦区域才没有响应值）

4.某点越值越高与周围点差异越大（可能是边也有可能是噪声）

Canny边缘检测(The Canny edge detector)

先用x卷积模板进行滤波，再用y卷积模板进行一次滤波，之后代入公式：

然后设置一个门限值(thresholding)，如果某点的门限低于设置门限值就过滤掉

我们想要的值在门限值之上，也就是有些轮廓过宽，怎么进行处理

非极大值抑制(Non-maximum suppression)

也就是沿梯度方向比较出最大的梯度值的点

例如q的梯度值比r小那么q就被滤去 而r点的值就是需要附近点加权求和得到

非极大值抑制之后效果图：

观察图片可以知道人物下巴由于设置门限值过高，被过滤掉。如果门限值过低噪声就会出现

双门限法

先提高门限，把粗犷的边检测出来，再降低门限

与墙边缘有连接关系的边才有可能是有意义的边

Canny算子操作步骤：

1.高斯偏导滤波器（考虑噪声）

2.每个点的梯度强度（看是否是边缘）和梯度方向（看上下两个方向有没有比其大的）

3.非最大化抑制（宽变细：宽因为变化是缓慢的）

4.双门限（高门限看边，低门限把与边有联系的找回）