python 图像的拉普拉斯变换中的数值问题_数字图像处理(第十章)

  • 点、线、边缘检测

背景知识。书中主要介绍了图像的一阶导数与二阶导数,这个之前的文章中有过介绍这里在复习一遍。对于函数

equation?tex=f%28x%2Cy%29 ,对于点
equation?tex=%28x%2Cy%29 在x方向的一阶偏导为:

equation?tex=%5Cfrac%7B%5Cpartial+f%7D%7B%5Cpartial+x%7D%3Df%28x%2B1%2Cy%29-f%28x%2Cy%29 ,二阶偏导为:

f1142d9ac141ba8d77c3ef0aef9d786b.png

之后书中总结了一阶导与二阶导对于图像求取边缘的结论:

7f0333d4bba91e2bb593280ee5788987.png

孤立点检测。图像中孤立点检测使用二阶梯度。公式如下:

3bc05f56eda6a6f14e8cd2fc52e4f0e2.png

07d1827780f085c7bdbf26d77692ae11.png

(扩展:用于边缘检测的sobel算子属于一阶梯度。)

拓展一下拉普拉斯,包含像素

equation?tex=x%2Cy 四个对角,那么可以使用如下模板。

5e55bd04cedb88afe1c2a6ecdbfd27fb.png

线检测

线检测同样使用拉普拉斯变换,不过不同的方向使用不同的二阶偏导。如下图是不同方向直线检测模板。

6a0cd2113fe00eef3cad8142cfc1affe.png

例如水平方向的检测模板,使用y方向的二阶偏导。

  • 基本边缘检测

选择梯度作为在图像

equation?tex=f
equation?tex=%28x%2Cy%29 处边缘的强度和方向。梯度表示如下:

equation?tex=%5CDelta+f%5Cequiv+grad%28f%29%5Cequiv+%5Cleft%5B%5Cbegin%7Barray%7D%7Bclr%7D+g_x%5C%5C+g_y%5C%5C+%5Cend%7Barray%7D%5Cright%5D%3D%5Cleft%5B%5Cbegin%7Barray%7D%7Bclr%7D+%5Cfrac%7B%5Cpartial+f%7D%7B%5Cpartial+x%7D%5C%5C+%5Cfrac%7B%5Cpartial+f%7D%7B%5Cpartial+y%7D%5C%5C+%5Cend%7Barray%7D%5Cright%5D ,沿梯度方向灰度变化率最大。
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值