边缘提取——计算机视觉基础

一、边缘提取基本概念

（1）边缘的定义：图像中亮度明显而急剧变化的点。

（2）研究边缘的意义：边缘能够表示图像中的语义与形状信息；相对于像素表示，边缘显得更加紧凑。

二、边缘的种类

（1）表面法向不连续：2个面的交界处，例如一个面的法线朝上，一个面的法线朝外。

（2）深度不连续：在实际场景中不存在的边，例如一个瓶子实际上是圆的，但在拍照显示到图像上会产生竖直的边。

（3）表面颜色不连续：该物体本身颜色有较大的差异。

（4）光照不连续：生成图像时物体存在遮挡或阴影。

三、边缘检测

（1）原理：在处理图像时，沿水平扫描线检查线上的像素点，根据像素点做出灰度函数。如图，灰度函数发生明显变化的像素点，即为边缘像素点。由于此时灰度函数值发生明显变化，对应的导数也达到了极值点。因此，可以通过求导数的极值点来判断像素点是否为边缘像素点。

（2）图像求导：图像求导公式为，即令偏导数的值取1。通过观察可知，该导数等于该像素点右边的像素值减去原图像的像素值，该操作可以通过卷积实现。如图，通过一个值为-1，1的卷积核即可实现该操作。同理，对y求偏导就表示为原图像下边的像素值减去原图像的像素值。对x求导得到的是y方向上的边，对y求导得到的是x方向上的边。

（3）图像梯度：分别对图像x，y方向上的像素点进行求导，2个导数构成的向量即为图像梯度。图像梯度方向垂直于图像边缘，指向灰度变换最快的方向。梯度的模值等于，该值反映了该点是边缘可能性，模值越大，是边缘的可能性越大。通常情况下，用梯度的模值表达边缘信息。

四、噪声的影响

当灰度值出现如下情况时，表示该图像出现噪声。

如果对该灰度值求导，会出现如下结果。此时，无法通过导数梯度的最大值找到边缘。

（1）去除噪声方法

先利用高斯卷积核对该图像做平滑操作，在对卷积后的结果进行求导，即可找到梯度的最大值，进而找到图像边缘。但是，先卷积再求导的计算量较大，因此，可以先对高斯卷积核进行求导，再对高斯一阶偏导卷积核与原图像再做一次卷积。

（2）高斯一阶偏导卷积核的方差对边缘提取的影响

方差由小变大，高斯一阶偏导卷积核对图像边缘粗犷信息的提取能力越强。