第9章--图像分割2——基于边缘的分割ppt课件.ppt

《第9章--图像分割2——基于边缘的分割ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、四、边缘分割法边缘检测是基于边界分割方法的最基本的处理。边缘：两侧灰度、颜色、纹理有差别；不同图像对象的边界处一般有明显的边缘；边缘特征也是纹理分析等其它图像分析的重要信息源和形状特征基础。根据灰度变化的特点，常见的边缘可分为阶跃型、房顶型和凸缘型。边缘与物体间的边界并不等同有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，这是基于边缘的图像分割的难题。边界提取的常用方法：先通过边缘算子找到图像中可能的边缘点，再把这些点连接起来形成封闭的边界。1.边缘检测方法边缘检测的方法很多，主要有以下几种:空域微分算子，也

2、就是传统的边缘检测方法。如Roberts算子、Prewitt算子和Sobel算子等。拟合曲面。该方法利用当前像素邻域中的一些像素值拟合一个曲面，然后求这个连续曲面在当前像素处的梯度。小波多尺度边缘检测。基于数学形态学的边缘检测。(1)梯度算子梯度定义：近似计算：利用模板（与图像进行）卷积模板比较①边缘粗细；②方向性，Lena原图Prewitt算子边缘图(灰度图)Sobel算子边缘图(灰度图)Roberts算子边缘图(灰度图)Lena原图Prewitt算子边缘图(二值图)Sobel算子边缘图(二值图)Roberts算子

3、边缘图(二值图)(2)综合正交算子灰度不连续：+点、直线段（特例），基于特定方向上的微分来检测边缘八方向Kirsch（33）模板边缘强度：卷积值的最大值的绝对值边缘方向：卷积值的最大值的符号模板的对称性模板数减半，(3)拉普拉斯算子二阶微分：差分：0101-410101111-81111对图像中的噪声相当敏感产生双像素宽的边缘不能提供边缘方向的信息(4)LOG(Laplacian-Gauss,马尔)算子Marr和Hildreth将Gaussian滤波器和Laplacian边缘检测结合在一起，形成了LoG(Lapl

4、acianofGaussian)算法。1)用一个2-D的高斯平滑模板与源图像卷积，平滑；2)计算卷积后图像的拉普拉斯值；3)检测拉普拉斯图像中的过零点作为边缘点。墨西哥草帽函数形式图9.15LOG算子边缘图(第一行）对比Sobel算子获取的边缘（第二行）(a)灰度图(b)二值图(5)Canny（坎尼）算子好的边缘检测算子应具有的三个指标1)低失误概率既要少将真正的边缘丢失也要少将非边缘判为边缘2)高位置精度检测出的边缘应在真正的边界上3)对每个边缘有唯一的响应得到的边界为单像素宽克服噪声的影响Canny（坎尼）算子3

5、个准则：信噪比准则定位精度准则单边缘响应准则用2D高斯滤波模板进行卷积以平滑图像。利用微分算子，计算梯度的幅值和方向。对梯度幅值进行非极大值抑制。其过程为找处图像梯度中的局部极大值点，把其它非局部极大值点置零以得到得到细化的边缘用双阈值算法检测和连接边缘。使用两个阈值T1和T2(T1

6、缘图(6)算子比较Roberts算子：利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘。图像没有经过平滑处理，不具备能抑制噪声能力。对具有陡峭边缘且含噪声少的图像效果较好。Sobel算子和Prewitt算子：都是对图像先做加权平滑处理，然后再做微分运算。所不同的是平滑部分的权值有些差异，因此对噪声具有一定的抑制能力，但不能完全排除检测结果中出现的虚假边缘。边缘定位效果不错，但检测出的边缘容易出现多像素宽度。Laplacian算子：不依赖于边缘方向的二阶微分算子对图像中的阶跃型边缘点定位准确对噪声非常敏

7、感，使噪声成分得到加强容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差。LOG算子：克服了Laplacian算子抗噪声能力比较差的缺点首先用高斯函数对图像作平滑滤波处理，然后才使用Laplacian算子检测边缘抑制噪声的同时也可能将原有的比较尖锐的边缘平滑掉，造成这些尖锐边缘无法检被测到。高斯函数中方差参数的选择很关键，对图像边缘检测效果有很大的影响。高斯滤波器为低通滤波器，方差参数越大，通频带越窄，对较高频率的噪声的抑制作用越大，避免了虚假边缘的检出，同时信号的边缘也被平滑了，造成某些边

8、缘点的丢失。反之，方差参数越小，通频带越宽，可以检测到的图像更高频率的细节，但对噪声的抑制能力相对下降，容易出现虚假边缘。为取得更佳的效果，对于不同图像应选择不同参数。Canny算子：Canny算子虽然是基于最优化思想推导出的边缘检测算子，实际效果并不一定最优，原因在于理论和实际有许多不一致的地方。同样采用高斯函数对图像作平滑处理，因此具有较强