CV6-structures2

图像边缘检测

边缘的要求

假阳少：尽量保证检测出来的边缘像素都是真正的边缘像素

假阴少：尽量保证不是边缘的像素都不会被检测出来

边缘检测的基本步骤

梯度与边缘的关系

• 对于一阶梯度来说，边界出现在一阶导的最大最小处

• 对于二阶梯度来说，边界出现在二阶导为 0 的位置
  

• 那么我们如何计算梯度呢？

  • 对于一个二维函数，计算公式如下
    

  • 对于离散的数据，我们可以使用有限差分来近似估计

    • 注意到，分母是 1 ，所有该式子就是后一个的值减去前一个的值
      

图像梯度

• 表达式
  

• 梯度指向强度变化最快的方向
  

• 梯度方向
  

• 边缘强度是由梯度大小决定的
  

• 二维边缘检测函数
  

• 整体流程

  • 计算边缘响应

  • 利用响应图，设置阈值，来确定图像边缘

    • 使用阈值是为了粗略保留边缘

    • 非极大值抑制是为了使边缘的宽度变得更窄
      

    • 滞后阈值法

      保持两个阈值 $T_{high}$ 和 $T_{low}$

      • 使用 $T_{high}$ 来寻找强边以开始边缘链（大于该值的确定为边）
      • 使用 $T_{low}$ 寻找弱边以继续边缘链（小于该值大确定不为边，介于两值中间的，若与边相连，则确定为边）
      • 阈值的典型比率大致为 $\frac{T_{high}}{T_{low}}=2$

  • 为了保证边缘的单像素响应，我们使用极大值抑制的方法

    • 只保留沿梯度方向上响应值的极大值点
      

Canny边缘检测器

• 可能是计算机视觉领域使用最广泛的边缘检测器
• 理论模型：

过程

• 用高斯函数的一阶导过滤图像
• 寻找梯度的大小和方向
• 非极大值抑制
• 使用滞后阈值法并进行连接

基元检测

基元定义：直线，圆等基本几何元素

使用边缘检测来检测线？

困难

• 会产生额外边缘点，选择哪些点？选择哪条线？
• 线的一些部分检测出来的，一些没有检测出来，怎么办？
• 检测的边缘点和方向存在噪音，如何检测真正的参数？

霍夫变换

任务：给定点集，检测包含的直线（可能存在多条直线）

思想：基于投票的思想

• 每个点投票所有可能经过它的直线
• 在直线参数空间取票数较多的点

图像空间中的一条线，可以映射成霍夫空间中的一个点。因为$y=mx+b$

图像空间中的一个点，可以映射为霍夫空间中的一条线。因为$y=mx+b$

那么图像空间中的一条线的参数，在霍夫空间中怎么寻找呢？

• 答案：是图像空间中在该线上的点，在霍夫空间中对应的线的交点（这就是投票，线上的点会在霍夫空间中为这个线的参数投一票）
  
  对于图像空间中最明显的线，我们如何找到最可能的参数$(m,b)$呢？

• 让图像空间中的每个边缘点，在霍夫空间中为一组可能的参数投票

• 得票最多的参数就代表了图像空间中的线
  

线的极坐标表达

传统的$(m,b)$参数空间的问题：会产生无限的值，且对垂直的线没有定义（写不成$y=mx+b$）的形式

用$(d,\theta )$表示

• $d$ :线和原点之间的垂直距离

• $\theta$:垂线与 x 轴的夹角
  

  • 图像空间中的点在霍夫空间中对应正弦波段

极坐标下的霍夫变换算法

$\theta$ 从 0 到 180 ， 相当于遍历了可能经过该点的所有直线，每条直线的参数是$(d,\theta )$ 。若两点在一条直线上，他们都会为这个$(d,\theta )$投票

• 结果图
  
  • 这种情况下效果不好
    
  • 这里数据看起来更像是随机分布的，但是我们仍然找到了峰值
    
• 改进
  

推广到圆的检测

• 知道半径，不知道梯度

  • 图像空间中圆上的一个点$(x,y)$，在霍夫空间中对应以$(x,y)$为圆心的一个圆。同一个圆上的点在霍夫空间中形成的圆会有交点
    

• 不知道半径，不知道梯度

  遍历半径，同一个圆上的点在霍夫空间中形成的圆锥会有交点
  

• 知道梯度，不知道半径

  圆上的点只有对应梯度的线经过圆心，每个点画一条线，投票最多的就是圆心
  

• 算法流程：圆心是$(a,b)$
  

• 投票的技巧

  • 首先最小化不相关的标记（取具有显著梯度的边缘点）
  • 选择一个好的网格/离散化
    • 太粗了：当太多的不同线条对应于一个桶时，会得到很大的票数（并不是同一条线上的点头的票，而是因为给它投票的点太多了，它的票数就大）
    • 太细：由于一些不完全相邻的点为不同的桶投票，从而错过了一些线。
  • 也为邻居投票（在累加器阵列中平滑）
  • 利用边缘的方向来减少参数的自由度
  • 要读回哪些点为 "获胜 "的山峰投票。 在投票上保留标签。

优缺点

• 优点
  • 所有的点都是独立处理的，所以可以应对遮挡
  • 对噪声有一定的稳健性：噪声点不太可能 对任何单一仓的贡献一致
  • 可以在一次处理中检测到一个模型的多个实例
• 缺点
  • 搜索时间的复杂性随着模型参数的数量呈指数级增长
  • 非目标形状会在参数空间中产生虚假的峰值
  • 很难选择一个好的网格大小

推广到任意形状

• 任务：通过几个边界点和一个参考点来检测任意形状
  

• 步骤

  • 对于每个边界点
    • 使用梯度方向作为索引将其存入表中（一个梯度方向可能会对应很多vector）
    • 使用向量 r 来对参考点的位置进行投票

  一条边上的每个点都会对参考点的位置进行投票，因此该位置得票多
  ·
  

应用

可以通过“视觉代码进行索引”，而不是通过梯度方向