【数字图像处理】边缘检测

边缘是指图像中像素灰度有阶跃变化或屋顶变化的像素的集合，存在于目标与背景、目标与目标、区域与区域之间，勾画出了目标物体的轮廓，使人们能对某种目标一目了然。

 

边缘一般分为：

• 阶跃边缘：两边像素的灰度明显不同，呈现出阶梯状
• 屋顶边缘：两边像素的灰度从逐步增加向逐步减少转变

常用的边缘检测算子有：

• 梯度算子
• Roberts算子
• Prewitt算子
• Sobel算子
• Kirsch算子
• Laplacian算子
• Marr算子

 

梯度算子

特点：仅计算相邻像素的灰度差，对噪声比较敏感，无法抑制噪声的影响。

Roberts算子

与梯度算子相似，但是计算方向不同，Roberts算子计算的是45°方向的梯度。

可以看出，其效果比梯度算子略好一点，也同样对噪声敏感，对边缘定位不准确，提取边缘线条较粗。

Prewitt算子

与梯度算子不同的是，Prewitt算子采用3×3大小，顾及了局部的整体情况的同时抑制了噪声的影响，边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。

Sobel算子

与Prewitt算子类似，在四领域的权重为2，而其他像素的权值为1。Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。

Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息。因为Sobel算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时，Sobel算子是一种较为常用的边缘检测方法。

其能够进一步抑制噪声，但是检测的边缘较宽。

Kirsch算子（方向算子）

利用一组模板对图像中的同一像素求卷积，选取最大值最为该像素的边缘强度，对应的方向则为边缘方向。

特点：在计算边缘强度的同时可以得到边缘方向，各方向间的夹角为45°。

Nevitia算子

与Kirsch算子不同的是，它由12个模板，且各方向间的夹角为30°而不是45°。

拉普拉斯算子

拉普拉斯（Laplacian）算子是n维欧几里德空间中的一个二阶微分算子，常用于图像增强领域和边缘提取。它通过灰度差分计算邻域内的像素，基本流程是：判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度；反之降低中心像素的灰度，从而实现图像锐化操作。在算法实现过程中，Laplacian算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加起来判断中心像素灰度与邻域内其他像素灰度的关系，最后通过梯度运算的结果对像素灰度进行调整。

通过模板可以发现，当邻域内像素灰度相同时，模板的卷积运算结果为0；当中心像素灰度高于邻域内其他像素的平均灰度时，模板的卷积运算结果为正数；当中心像素的灰度低于邻域内其他像素的平均灰度时，模板的卷积为负数。对卷积运算的结果用适当的衰弱因子处理并加在原中心像素上，就可以实现图像的锐化处理。
 

由于梯度算子和拉普拉斯算子都对噪声敏感，因此一般用他们检测边缘之前要先对图像进行平滑。

特点：

优点：

1. 各向同性、线性和位移不变的
2. 对细线和孤立点检测效果较好

缺点：

1. 对噪声敏感，对噪声有双倍加强的作用
2. 不能检测出边的方向
3. 常产生双像素的边缘

Marr算子

由于拉普拉斯算子在检测前需要平滑，于是在拉普拉斯基础上发展了Marr算子，平滑函数采用正态分布的高斯函数。

参考资料：

[Python图像处理] 十七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子