【数字图像处理】基于一阶与二阶导数的锐化算子的比较

基于一阶与二阶导数的锐化算子的比较

设上图最上面部分的灰度剖面图对应于图像中的一条具有代表性的水平像素线，其中包括了

• 灰度较缓变化的斜坡（软边缘）
• 孤立点（很可能为噪声）
• 细线（细节）
• 以及灰度跳变的阶梯（硬边缘）

为了简单起见，考虑图像中只有8个灰度级的情况。图中下面的一行给出了这条像素线中各个像素的灰度值，由此计算出的一阶微分和二阶微分在图中的第3行和第4行中给出。由于这里的像素线在图像中是水平分布的，因此微分方程也是一维的，一维情况下的一阶微分：

和一维情况下的二阶微分：

通过分析这个典型的灰度变化模型，就可以很好地比较噪声点、细节以及边缘的一阶和二阶微分结果。

首先注意到沿着整个斜坡（软边缘），一阶微分都具有非0响应，并且当这种斜坡的灰度过渡近似线时，对应于变化率的一阶微分的响应为恒定值（这里为-1）；而二阶微分的非0响应则只出现在斜坡的起始和终点处，在灰度变化率恒定的斜面上二阶微分值为0，这就是拉普拉斯锐化图像周围出现双边缘的原因。由此得出结论，对于图像中的软边缘，一阶微分通常产生较粗的边缘，而二阶微分则细得多。

再来看孤立噪声点，注意到二阶微分对于噪声点的响应较一阶微分要强很多，这也就是拉普拉斯锐化图像中出现一些零星的高响应的原因，当然二阶微分的这一性质是读者所不希望的。

细线常常对应于图像中的细节，二阶微分对细线的较强响应说明了二阶微分对于细节增强的优越性。

最后，一、二阶微分对于灰度阶梯有着相同的响应，只是在二阶微分中有一个从正到负的过渡，这一性质用于边缘检测。

将这些比较的结论总结如下：

• 一阶导数通常会产生较宽的边缘。
• 二阶导数对于阶跃性边缘中心产生零交叉，而对于屋顶状边缘（细线），二阶导数取极值。
• 二阶导数对细节有较强的响应，如细线和孤立噪声点。

对于图像增强而言，基于二阶导数的算子应用更多一些，因为它对于细节响应更强，增强效果也就更明显。而在边缘检测的时候，基于一阶导数的算子则会更多地发挥作用。尽管如此，一阶算子在图像增强中依然不可或缺，它们常常同二阶算子结合在一起以达到更好的锐化增强效果。