CS131 Lecture06：边缘检测

CS131 Lecture06：边缘检测

by：斯坦福大学计算机科学系
github: https://github.com/zhaoxiongjun/CS131_notes_zh-CN
（包含中英文版课件及相关课程视频）
强烈建议移步github上看
或者
CS131 Lecture06：边缘检测
1 介绍
本课程包括边缘检测、Hough转换和RANSAC。边缘检测提供了有意义的语义信息，有助于理解图像。这有助于分析元素的形状、提取图像特征，以及了解所描绘场景的属性变化，例如深度不连续、材质类型和光照等。我们将探讨Sobel和Canny边缘检测技术的应用。下一节将介绍用于检测图像中参数模型的Hough变换；例如，通过Hough变换可以检测由两个参数定义的线性线。此外，这种技术可以推广到检测其他形状（如圆）。然而，正如我们将看到的，使用霍夫变换在拟合具有大量参数的模型时并不有效。为了解决这个模型拟合问题，在最后一节中引入了随机抽样一致性（RANSAC）；这种非确定性方法重复抽样数据子集，根据如何将剩余的数据点分类为“内点”或“异常值”，并使用它们来拟合模型，。它们可以通过拟合模型来解释（即它们与模型的接近程度）。结果用于最终选择用于实现最终模型拟合的数据点。最后一节对RANSAC变换和Hough变换进行了比较。

2 边缘检测
2.1 边缘检测的目的
边缘检测与哺乳动物的眼睛非常相关。大脑中的某些神经元擅长识别直线。来自这些神经元的信息被整合到大脑中，用于识别物体。事实上，边缘对于人类的识别非常有用，线条图几乎和原始图像一样容易识别（图1）。我们希望能够提取信息、识别对象以及恢复图像的几何和视点。

图1：大脑的某些区域对边缘作出反应；线条图和原始图像一样容易识别

2.2 边缘基础知识
图像中有四种可能的边缘来源：表面法向不连续（表面急剧改变的方向）、深度不连续（一个表面在另一个表面后面）、表面颜色不连续（单个表面改变颜色）、光照（光强）不连续（阴影/照明）。这些不连续性如图2a所示；不同类型的边缘如图2b所示：

图2。由于表面颜色、表面深度和表面法向的不连续性导致