数字图像处理与深度学习技术应用 课件 第7章 图像边缘锐化处理_第1页
数字图像处理与深度学习技术应用 课件 第7章 图像边缘锐化处理_第2页
数字图像处理与深度学习技术应用 课件 第7章 图像边缘锐化处理_第3页
数字图像处理与深度学习技术应用 课件 第7章 图像边缘锐化处理_第4页
数字图像处理与深度学习技术应用 课件 第7章 图像边缘锐化处理_第5页
已阅读5页,还剩54页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

第7章图像边缘锐化处理目录7.1概述7.2图像微分边缘检测7.2.1纵向边缘检测7.2.2横向边缘检测7.2.3双向边缘检测7.3常用的边缘检测算子7.3.1Roberts边缘检测算子7.3.2Sobel边缘检测算子7.3.3Prewitt边缘检测算子7.3.4Scharr边缘检测算子7.3.5Krisch自适应边缘检测7.3.6拉普拉斯算子7.3.7高斯-拉普拉斯算子7.3.8Canny边缘检测7.4梯度锐化7.4.1提升边缘7.4.2根据梯度二值化图像7.1概述概述边缘能勾划出目标物体,使观察者一目了然;边缘蕴含了丰富的内在信息是图像识别中抽取图像特征的重要属性。边缘检测方法有微分边缘检测法、常用边缘检测算子、自适应边缘检测法等。7.2图像微分边缘检测边缘是由相邻域灰度级不同的像素点构成的,若想增强边缘,就应该突出相邻点间灰度级的变化。(1)图像数据:如果用右列减去左列:

(2)图像数据:

下一行减去上一行得到一条很明显边界。7.2.1纵向边缘检测理论基础对灰度图像f在纵向进行微分操作:(7-1)这里i代表列,j代表行。该算法用如下卷积核:

7.2.2横向边缘检测理论基础对灰度图像f在横向进行微分:

该算法用如下卷积核:

对灰度图像在横向方向进行微分,图像的横向水平边缘得到检测。7.2.3双向边缘检测理论基础对灰度图像在纵向和横向进行微分,结果图像的纵向和横向的边缘得到检测。该算法用如下卷积核:

水平(i方向)垂直(j方向)效果展示

(a)原图(b)纵向微分

(c)横向微分(d)双向一次微分7.3常用的边缘检测算子7.3.1Roberts边缘检测算子理论基础Roberts边缘算子采用的是对角方向相邻的两个像素之差。

该算法的算子如下:(1)retval=cv2.filter2D(src,d,kernel,anchor,delta,borderType)retval:表示返回的双边滤波处理结果;src:表示原始图像,该图像不限制通道数目;d:表示处理结果图像的图像深度,一般使用-1表示与原始图像使用相同的图像深度;kernel:表示一个单通道的卷积核;anchor:表示图像处理的锚点,其默认值为(-1,-1),表示位于卷积核中心点;delta:表示修正值,可选。如果该值存在,则会在滤波的基础上加上该值作为最终的滤波处理结果;borderType:表示以何种情况处理边界;函数说明(2)retval=cv2.addWeighted(src1,alpha,src2,beta,gamma,dtype=-1))这个函数的作用是计算两个数组(图像阵列)的加权和,把两张图片叠加在一起。retval:输出图像;src1:第一个图片阵列;alpha:第一个图片的权重值;src2:第二个图片阵列;beta:第二个图片的权重值;gamma:偏移量;dtype:输出阵列的可选深度。数学表达式为:

函数说明效果展示7.3.2Sobel边缘检测算子理论基础Sobel边缘检测算子:

水平边缘Sobel算子垂直边缘Sobel算子在边缘检测中,分别进行水平边缘Sobel算子和垂直边缘Sobel算子卷积操作,之后将结果进行加权求和,或取最大值。retval=cv2.Sobel(src,ddepth,dx,dy[,ksize[,scale[,delta[,borderType]]]])retval:表示计算得到目标函数图像;src:表示原始图像;ddepth:表示输出图像的深度,图像深度是指存储每个像素值所用的位数,例如cv2.CV_8U,指的是8位无符号数,取值范围为0~255,超出范围则会被截断;dx:表示x方向上求导的阶数;dy:表示y方向上求导的阶数;ksize:表示Sobel核的大小;scale:表示计算导数时的缩放因子,默认值是1;delta:表示在目标函数上所附加的值,默认为0;borderType:表示边界样式。

函数说明效果展示7.3.3Prewitt边缘检测算子理论基础Prewitt边缘检测算子为:

水平边缘Prewitt算子垂直边缘Prewitt算子在边缘检测中,分别进行水平边缘Prewitt算子和垂直边缘Prewitt算子卷积操作,之后将结果进行加权求和,或取最大值。效果展示7.3.4Scharr边缘检测算子理论基础Scharr边缘检测算子:

水平边缘Scharr算子垂直边缘Scharr算子在边缘检测中,分别进行水平边缘Scharr算子和垂直边缘Scharr算子卷积操作,之后将结果进行加权求和,或取最大值。

dst=cv2.Scharr(src,ddepth,dx,dy[,scale[,delta[,borderType]]])dst:表示计算得到目标函数图像;src:表示原始图像;ddepth:表示输出图像的深度;dx:表示x方向上求导的阶数;dy:表示y方向上求导的阶数;scale:表示计算导数时的缩放因子,默认值是1;delta:表示在目标函数上所附加的值,默认值为0;borderType:表示边界样式。函数说明效果展示7.3.5Krisch自适应边缘检测理论基础Kirsch边缘检测算子为:

图像中的每个点都用8个掩模进行卷积,所有8个方向中的最大值作为边缘幅度图像输出。最大响应掩模的序号构成了边缘方向的编码。函数说明(1)retval=scipy.signal.convolve2d(src,kernel,mode,boundary,fillvalue)用于实现二维离散卷积。retval:返回的图像;src:输入的二维图像;kernel:输入的二维数组,代表卷积核;mode:卷积类型,有“full”,“valid”以及“same”类型;boundary:边界填充方式,有“fill”,“warp”以及“symm”方式;fillvalue:当boundary="fill"时,设置边界填充的方式,默认为0。效果展示图7-6Krisch

边缘检测处理效果图7.3.6拉普拉斯算子理论基础拉普拉斯(Laplacian)算子是不依赖于边缘方向的二阶微分算子,对阶跃型边缘点定位准确。对噪声敏感,噪声成分加强,抗噪声能力差,易丢失一部分边缘的方向信息。该算子强调突变,弱化慢变。

(a)原图(b)拉普拉斯算子边缘检测图7-7拉普拉斯边缘检测理论基础拉普拉斯算子属于二阶微分:x方向:

y方向:由以上两个分量相加:

理论基础常用的拉普拉斯边缘检测模板:函数说明retval=cv2.Laplacian(src,ddepth[,ksize[,scale[,delta[,borderType]]]])retval:表示计算得到的目标函数图像;src:表示原始图像;ddepth:表示输出图像的深度;ksize:表示二阶导数核的大小,必须是正奇数;scale:表示计算导数时的缩放因子,默认值是1;delta:表示在目标函数上所附加的值,默认为0;borderType:表示边界样式。效果展示7.3.7高斯-拉普拉斯算子理论基础高斯-拉普拉斯算子先用高斯函数做平滑滤波,后用拉普拉斯算子检测边缘,克服了拉普拉斯算子抗噪声能力比较差的缺点,在抑制噪声的同时,平滑掉了比较尖锐的边缘。二维高斯函数高斯函数拉普拉斯变换:理论基础具体步骤如下。①构建模板大小为H×W、标准差为σ的LoG卷积核

H、W均为奇数且一般H=W,卷积核锚点的位置为

(a)高斯平滑(b)高斯-拉普拉斯锐化模板②将图像矩阵与LoGH×W核进行卷积操作。③将得到的边缘信息进行二值化,然后显示。效果展示7.3.8Canny边缘检测理论基础Canny边缘检测近似算法的步骤如下。(1)高斯滤波来平滑图像,目的是去除噪声(2)计算每个像素点的梯度强度和方向采用Sobel算子计算图像边缘的幅度。计算出梯度方向angle=arctan2(dy,dx)。(3)应用非极大值抑制技术,来消除边缘误检逐一遍历像素点,判断当前像素点是否是周围像素点中具有相同梯度方向上的极大值(最大值)。如果该点是极大值,则保留该点。否则将其归零。理论基础(4)应用双阈值的方法,来决定可能的边界边缘强度大于高阈值的那些点作为确定边缘点;边缘强度小于低阈值的那些点立即被剔除;边缘强度在低阈值和高阈值之间的那些点,按照以下原则进行处理:A大于最大阈值,为强边界,保留。B和C位于最大、最小之间(成为弱边界),候选,等待进一步判断(第5步)。D小于最小阈值,不是边界,丢弃。理论基础图7-12基于三个规则进行边缘的阈值化处理(5)滞后边界跟踪B为弱边界,但它是孤立的弱边界,舍弃。C与强边界A相连,故其也为边界,保留。函数说明edg=cv2.Canny(src,threshould1,threshould2[,apertureSize[,L2gradient]])edg:表示计算得到的边缘信息;src:表示输入的8位图像;threshould1:表示第一个阈值;threshould2:表示第二个阈值;apertureSize:表示Sobel算子的大小;L2gradient:表示计算图像梯度幅度的标识,默认为False。效果展示(a)原图(b)Canny边缘检测1(c)Canny边缘检测2(d)Canny边缘检测37.4梯度锐化理论基础在点(i,j)处的梯度是一个矢量,G[f(i,˚j)]的梯度为:离散:G[f(i,˚j)]={[˚(i,˚j)˚-˚f(i-1,˚j)]2+[˚f(i,˚j)˚-˚f(i

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论