如果需要检测到图像里面的边缘,首先我们需要知道边缘处具有什么特征。
对于一幅灰度图像来说,边缘两边的灰度值肯定不相同,这样我们才能分辨出哪里是边缘,哪里不是。
因此,如果我们需要检测一个灰度图像的边缘,我们需要找出哪里的灰度变化最大。显然,灰度变化越大,对比度越强,边缘就越明显。
那么问题来了,我们怎么知道哪里灰度变化大,哪里灰度变化小呢?
导数,梯度,边缘信息
在数学中,与变化率有关的就是导数。
如果灰度图像的像素是连续的(实际不是),那么我们可以分别原图像G对x方向和y方向求导数
,
获得x方向的导数图像Gx和y方向的导数图像Gy。Gx和Gy分别隐含了x和y方向的灰度变化信息,也就隐含了边缘信息。
如果要在同一图像上包含两个方向的边缘信息,我们可以用到梯度。(梯度是一个向量)
原图像的梯度向量Gxy为(Gx,Gy),梯度向量的大小和方向可以用下面两个式子计算
角度值好像需要根据向量所在象限不同适当+pi或者-pi。
梯度向量大小就包含了x方向和y方向的边缘信息。
图像导数
实际上,图像矩阵是离散的。
连续函数求变化率用的是导数,而离散函数求变化率用的是差分。
差分的概念很容易理解,就是用相邻两个数的差来表示变化率。
下面公式是向后差分
x方向的差分:Gx(n,y) = G(n,y)-G(n-1,y)
y方向的差分:Gy(x,n) = G(x,n)-G(x,n-1)
实际计算图像导数时,我们是通过原图像和一个算子进行卷积来完成的(这种方法是求图像的近似导数)。
最简单的求图像导数的算子是 Prewitt算子 :
x方向的Prewitt算子为
y方向的Prewitt算子为
原图像和一个算子进行卷积的大概过程如下
如果图像矩阵中一块区域为