CV6-图像结构-2

图像结构

非二值图像结构信息：

边缘；

基元（直线、圆）；

图像边缘检测canny edge边缘检测

要求：

• 检测准确：假阳（false positive)、假阴（false negative)最少
• 定位准确：与真实边缘对齐
• 单像素响应：边缘宽度为单像素

步骤：

边缘响应：

计算一阶导，，一阶导的最大值对应边界，计算二阶导，更容易通过0点判断边界。

具体求解：

导数与卷积：

$\underline{\partial f}\frac{(x,y)}{\partial x}={\lim }_{\epsilon \to 0}\frac{f(x+\epsilon ,y)-f(x,y)}{\epsilon }$对于离散的近似使用$\underline{\partial f}\frac{(x,y)}{\partial x}\approx \frac{f(x+1,y)-f(x,y)}{1}$使用卷积操作：对应卷积核：；

图像梯度：对应向量，分别两个方向求梯度，然后tan反函数（==atan）得出角度，也知道梯度的值：

噪声影响：

一维图像可以看做一个函数，里面的小的噪音与直接上升的区间的梯度差不多原因：是斜率表示影响，上升的大对应的delta也大；

解决：

1.使用高斯平滑：2.计算梯度强度与方向

平滑之后求导数，可以简化操作，相当于先对高斯核求导数，然后用求导后的高斯核卷积：

；

对应的二阶（Laplacian of Gaussian (LoG)）：

总结边缘检测算子：

计算边缘定位：

对应的边缘有很多，

3.非极大值抑制

非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后，仅仅基于梯度值提取的边缘仍然很模糊。对于标准3，对边缘有且应当只有一个准确的响应。而非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0，对梯度图像中每个像素进行非极大值抑制的算法是：

1. 将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较。

2. 如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则该像素点将被抑制。

4.双阈值检测

大于高阈值的一定是边缘，小于低阈值的一定不是边缘，中间的采用看是否与边缘领结确定，临接的标记边缘，否则不是，这样可以得到连续的边缘。

canny edge边缘检测就是对应上面的步骤

基元检测

直线圆；

霍夫变换：

霍夫空间，原本的直线变量x，y转化到霍夫空间对应变量m，b的一个点；原本的一个点，对应一条直线，两个点对应霍夫空间的一个点，

转化成极坐标表示，推广到圆检测；实验实现，一个圆对应霍夫空间的一个圆锥，为了简化计算，直接通过梯度转化成对应一条直线。

拓展到任意图形：

在模板图像中每个梯度方向给以一个重心所在方向的范围，然后在目标图像投票时，找到对应的梯度方向，对于对应的范围进行投票，最后就能找到得分最大的：模板：

使用投票：

拓展：

使用梯度限制范围；

直线圆用参数表示

参考