一阶微分算子锐化图像_视觉图像特征信息的提取

在一幅视觉图像中，把其中具有鲜明特征的信息，诸如边 缘、角点、圆或椭圆中心，以及图像的形状特征等称为视 觉图像特征信息。

视觉图像特征信息的提取是标定机器视觉系统模型参数和 进行机器视觉实际应用的前提和基础。

第一节 图像边缘与图像平滑

图像边缘：图像最基本的特征是边缘，所谓边缘是指图像中像素灰 度有阶跃变化或屋顶状变化的那些像素的集合，与图像亮度或图像亮度的一阶导数的不连续性有关，从而表现为阶跃边缘和线条边缘。

1.阶跃边缘

阶跃边缘表现为图像亮度在不连续处的两边的象素灰度值有着明显的差异，这种差异从视觉上表观为图像从亮场景过渡到暗背景，或从亮背景过渡到暗场景。所以图像亮度的一阶导数的幅度在阶跃边缘上非常大，而在非边缘上为零。

在实际图像中，由于图像传感器件的特性和光学衍射效应等影响，阶跃边缘变成斜坡形边缘。这时边缘上的图像亮度一阶导数的幅度最大，而二阶导数值为零，但在其左右分别有一正一负两个峰值。

2.线条边缘

线条边缘表现为图像亮度突然从一个灰度变化到另一个灰度，之后又很快返回到原来或接近原来的灰度。从视觉上线条边缘位于灰度值从增加到减小（或从减小到增加）的变化转折点。

同阶跃边缘一样，在实际图像中由于图像传感器件的特性和光学衍射效应等影响，线条边缘变成屋顶形边缘。这时边缘上的图像亮度一阶导数值为零，而二阶导数的幅度最大。

一个线条边缘包含了两个阶跃边缘，只是两个阶跃边缘之间的距离比较短，一般在几个像素。因此，在很多场合线条边缘的提取可归结为两个阶跃边缘的提取。线条边缘中心位置和边缘宽度的确定可通过精确提取其两个阶跃边缘的准确位置来实现。

左侧为阶跃边缘的原函数和一阶导数、二阶导数，右侧为线条边缘的原函数和一阶导数、二阶导数

二、图像平滑滤波

图像滤波是通过原始输入图像f(x,y)与脉冲响应h(x,y)的 卷积来实现：

其中，为卷积运算符，g(x,y)是经过滤波后的输出图像。

卷积就变成了对像素点的加权计算，脉冲响应h[i,j]就是一个卷积模板，(2m+1)和(2n+1)是卷积模板的两维宽度。对图像中的每一个像素[i,j]，输出响应g[i,j]是通过平移卷积模板到各像素点[i,j]处，计算模板与像素点 [i,j]邻域加权得到的。其中各加权值对应卷积模板的各对应值。

目前常用的图像平滑滤波模板有均值卷积模板、中值卷积模板及高斯卷积模板等。高斯卷积模板是一种线性模板， 可直接从二维零均值离散高斯函数计算模板权值.

第二节 一阶微分边缘检测算子

边缘有方向和幅度两个特性，通常沿边缘走向的幅度变化较平缓，而垂直于边缘走向的幅度变化较剧烈。

对于阶跃边缘，一阶微分边缘检测算子正是利用了边缘的方向和幅度这两个特性。

一、梯度

显然，函数的变化程度可用一 阶的导数表示。而对于二维图像，其局部特性的显著变化可以用梯度来检测。梯度是函数变化的一种度量，定义为

第三节 二阶微分边缘检测算子

对于计算一阶导数的边缘检测，如果当所求的一阶导数高于某一阀值，就确定该点为边缘点，这样有时会导致检测的边缘点不唯一。对于阶跃边缘，其二阶导数在边缘点出现零交叉（zero crossing）,即边缘点两旁二阶导数取异号。这样，通过寻找图像灰度的二阶导数的零交叉点就能 找到精确边缘点。

第四节 子像素级边缘检测

目前比较简便的子像素级边缘检测算法主要有两种类：一 类是在像素级边缘的一定区域进行内插，如曲线拟合或曲 面拟合。对于线条边缘，以曲线或曲面二阶导的极值位置作为边缘中心的准确边缘；而对于阶跃边缘，以曲线或曲面一阶导的极值位置即为阶跃边缘准确位置。

子像素级边缘检测另一类算法是通过计算像素级边缘区域的一阶矩（或称为重心）来实现子像素级边缘定位。对于线条边缘，可直接计算像素级边缘区域的一阶矩；而对于阶跃边缘，可先对原始图像进行一阶求导，使其变成线条边缘，然后再计算像素级线条边缘区域的一阶矩。

一、Hessian矩阵法