圖像邊緣提取算法的分析課件

圖像邊緣提取算法的分析

報(bào)告人：蘇白龍小組成員：蘇白龍孔政王星晨余婷劉海東許斌蔣晶晶李闖徐青青傅超

2022/11/221圖像邊緣提取算法的分析2022/11/211概述成因：

(1)法向不連續(xù)；

(2)空間深度不同；

(3)曲面顏色不同；

(4)光照不連續(xù)。作用：

(1)改良圖像質(zhì)量；(2)理解和重構(gòu)視覺(jué)場(chǎng)景；

(3)分離對(duì)象；(4)識(shí)別特征；

(5)其他。2022/11/222概述成因：2022/11/212Roberts算子是一種利用局部差分算子尋找邊緣的算子，兩個(gè)模板分別為算法步驟（兩種處理方法）：

(1)

(2)借鑒canny的處理方法，兩個(gè)方向分別處理100-101-102022/11/223Roberts算子是一種利用局部差分算子尋找邊緣的算子，兩個(gè)抗噪性能2022/11/224抗噪性能2022/11/214性能分析利用局部差分算子尋找邊緣，邊緣定位精度較高，但容易丟失一部分邊緣，同時(shí)由于圖像沒(méi)經(jīng)過(guò)平滑處理，因此不具備一直噪聲的能力。該算子對(duì)具有陡峭邊緣且噪聲低的圖像效果較好。2022/11/225性能分析利用局部差分算子尋找邊緣，邊緣定位精度較高，但容易丟Sobel算子中心差分，但對(duì)中間水平線和垂直線上的四個(gè)鄰近點(diǎn)賦予略高的權(quán)重。模板：算法處理處理同RobertsOperator

-102-202-101121000-1-2-12022/11/226Sobel算子中心差分，但對(duì)中間水平線和垂直線上的四個(gè)鄰近點(diǎn)抗噪性能2022/11/227抗噪性能2022/11/217Prewitt算子也屬于中心差分類型，但沒(méi)有給最鄰近點(diǎn)較高的權(quán)重。模板：算法處理處理同RobertsOperator-101-101-101111000-1-1-12022/11/228Prewitt算子也屬于中心差分類型，但沒(méi)有給最鄰近點(diǎn)較高的抗噪性能2022/11/229抗噪性能2022/11/219性能分析sobel算子和Prewitt算子都是對(duì)圖像先作加權(quán)平滑處理，然后再作微分運(yùn)算，所不同的是平滑部分的權(quán)值有些差異，因此對(duì)噪聲具有一定的抑制能力，但不能完全排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個(gè)算子邊緣定位效果不錯(cuò)，但檢測(cè)出的邊緣容易出現(xiàn)多像素寬度。2022/11/2210性能分析sobel算子和Prewitt算子都是對(duì)圖像先作加權(quán)Kirsch算子圖像中的每個(gè)位置都要經(jīng)過(guò)8個(gè)模板的作用，最大值被選做輸出，達(dá)到最大值的模板對(duì)應(yīng)的方向就是邊緣的方向。算法步驟：2022/11/2211Kirsch算子圖像中的每個(gè)位置都要經(jīng)過(guò)8個(gè)模板的作用，最大抗噪性能2022/11/2212抗噪性能2022/11/2112Robinson算子除了模板與kirsch算子不同，其余的運(yùn)算輸出與kirsch算子完全一致。注意算子的對(duì)稱性(每隔四個(gè)符號(hào)相反)，可節(jié)約計(jì)算量2022/11/2213Robinson算子除了模板與kirsch算子不同，其余的運(yùn)抗噪性能2022/11/2214抗噪性能2022/11/2114二階算子檢測(cè)模板算法步驟：圖像經(jīng)模板作用后執(zhí)行跨零點(diǎn)檢測(cè)(該過(guò)程比較復(fù)雜)。

參考文獻(xiàn)：HUERTASandMEDIONI,

DetectionofIntensityChangeswithSubpixelAccuracyUsingLaplacian-GaussianMasks，19860101-410102022/11/2215二階算子檢測(cè)模板0101-410102022/11/2115抗噪性能2022/11/2216抗噪性能2022/11/2116性能分析采用不依賴于邊緣方向的二階微分算子，對(duì)圖像中的階躍型邊緣點(diǎn)定位準(zhǔn)確，該算子對(duì)噪聲非常敏感，它使噪聲成分得到加強(qiáng)，這兩個(gè)特性使得該算子容易丟失一部分邊緣的方向信息，造成一些不連續(xù)的檢測(cè)邊緣，同時(shí)抗噪聲能力比較差。產(chǎn)生雙邊緣2022/11/2217性能分析采用不依賴于邊緣方向的二階微分算子，對(duì)圖像中的階躍型LOG算子基本思想：先用高斯函數(shù)對(duì)圖像濾波，然后對(duì)濾波后的圖像進(jìn)行拉普拉斯運(yùn)算，算得的值等于零的點(diǎn)認(rèn)為是邊界點(diǎn)。算法步驟：

(1)對(duì)圖像先進(jìn)行高斯濾波，再進(jìn)行Laplace算子運(yùn)算；

(2)保留一階導(dǎo)數(shù)峰值的位置記錄，然后從中尋找Laplace跨零點(diǎn)；

(3)采用插值方法對(duì)跨零點(diǎn)進(jìn)行估計(jì)。2022/11/2218LOG算子基本思想：先用高斯函數(shù)對(duì)圖像濾波，然后對(duì)濾波后的圖抗噪性能2022/11/2219抗噪性能2022/11/2119性能分析該算子克服了Laplician算子抗噪聲能力比較差的缺點(diǎn)，但是在抑制噪聲的同時(shí)也可能將原有的比較尖銳的邊緣也平滑掉了，造成尖銳邊緣無(wú)法被檢測(cè)到。原因：作為一個(gè)二階導(dǎo)數(shù)，拉普拉斯算子具有對(duì)噪聲無(wú)法接受的敏感性，拉普拉斯算子產(chǎn)生雙邊緣，最后拉普拉斯不能檢測(cè)邊緣的方向2022/11/2220性能分析該算子克服了Laplician算子抗噪聲能力比較差的Canny算子基本思想：首先對(duì)圖像選擇一定的Gauss濾波器進(jìn)行平滑濾波，然后采用非極值抑制技術(shù)進(jìn)行處理得到最后的邊緣圖像。算法步驟：

(1)用高斯濾波器平滑圖像。(2)用一階偏導(dǎo)的有限差分來(lái)計(jì)算梯度的幅

值和方向。(3)對(duì)梯度幅值進(jìn)行非極大值抑制。(4)用雙閾值算法檢測(cè)和連接邊緣。2022/11/2221Canny算子基本思想：首先對(duì)圖像選擇一定的Gauss濾波器抗噪性能2022/11/2222抗噪性能2022/11/2122性能分析雖然是基于最優(yōu)化思想推導(dǎo)出的邊緣檢測(cè)算子，但實(shí)際效果并不一定最優(yōu)，原因在于理論和實(shí)際有許多不一致的地方(只離散了四個(gè)方向)。該算子同樣采用高斯函數(shù)對(duì)圖像作平滑處理，因此具有較強(qiáng)的抑制噪聲能力，同樣該算子也會(huì)將一些高頻邊緣平滑掉，造成邊緣丟失。2022/11/2223性能分析雖然是基于最優(yōu)化思想推導(dǎo)出的邊緣檢測(cè)算子，但實(shí)際效果2022/11/22242022/11/2124圖像邊緣提取算法的分析

報(bào)告人：蘇白龍小組成員：蘇白龍孔政王星晨余婷劉海東許斌蔣晶晶李闖徐青青傅超

2022/11/2225圖像邊緣提取算法的分析2022/11/211概述成因：

(1)法向不連續(xù)；

(2)空間深度不同；

(3)曲面顏色不同；

(4)光照不連續(xù)。作用：

(1)改良圖像質(zhì)量；(2)理解和重構(gòu)視覺(jué)場(chǎng)景；

(3)分離對(duì)象；(4)識(shí)別特征；

(5)其他。2022/11/2226概述成因：2022/11/212Roberts算子是一種利用局部差分算子尋找邊緣的算子，兩個(gè)模板分別為算法步驟（兩種處理方法）：

(1)

(2)借鑒canny的處理方法，兩個(gè)方向分別處理100-101-102022/11/2227Roberts算子是一種利用局部差分算子尋找邊緣的算子，兩個(gè)抗噪性能2022/11/2228抗噪性能2022/11/214性能分析利用局部差分算子尋找邊緣，邊緣定位精度較高，但容易丟失一部分邊緣，同時(shí)由于圖像沒(méi)經(jīng)過(guò)平滑處理，因此不具備一直噪聲的能力。該算子對(duì)具有陡峭邊緣且噪聲低的圖像效果較好。2022/11/2229性能分析利用局部差分算子尋找邊緣，邊緣定位精度較高，但容易丟Sobel算子中心差分，但對(duì)中間水平線和垂直線上的四個(gè)鄰近點(diǎn)賦予略高的權(quán)重。模板：算法處理處理同RobertsOperator

-102-202-101121000-1-2-12022/11/2230Sobel算子中心差分，但對(duì)中間水平線和垂直線上的四個(gè)鄰近點(diǎn)抗噪性能2022/11/2231抗噪性能2022/11/217Prewitt算子也屬于中心差分類型，但沒(méi)有給最鄰近點(diǎn)較高的權(quán)重。模板：算法處理處理同RobertsOperator-101-101-101111000-1-1-12022/11/2232Prewitt算子也屬于中心差分類型，但沒(méi)有給最鄰近點(diǎn)較高的抗噪性能2022/11/2233抗噪性能2022/11/219性能分析sobel算子和Prewitt算子都是對(duì)圖像先作加權(quán)平滑處理，然后再作微分運(yùn)算，所不同的是平滑部分的權(quán)值有些差異，因此對(duì)噪聲具有一定的抑制能力，但不能完全排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個(gè)算子邊緣定位效果不錯(cuò)，但檢測(cè)出的邊緣容易出現(xiàn)多像素寬度。2022/11/2234性能分析sobel算子和Prewitt算子都是對(duì)圖像先作加權(quán)Kirsch算子圖像中的每個(gè)位置都要經(jīng)過(guò)8個(gè)模板的作用，最大值被選做輸出，達(dá)到最大值的模板對(duì)應(yīng)的方向就是邊緣的方向。算法步驟：2022/11/2235Kirsch算子圖像中的每個(gè)位置都要經(jīng)過(guò)8個(gè)模板的作用，最大抗噪性能2022/11/2236抗噪性能2022/11/2112Robinson算子除了模板與kirsch算子不同，其余的運(yùn)算輸出與kirsch算子完全一致。注意算子的對(duì)稱性(每隔四個(gè)符號(hào)相反)，可節(jié)約計(jì)算量2022/11/2237Robinson算子除了模板與kirsch算子不同，其余的運(yùn)抗噪性能2022/11/2238抗噪性能2022/11/2114二階算子檢測(cè)模板算法步驟：圖像經(jīng)模板作用后執(zhí)行跨零點(diǎn)檢測(cè)(該過(guò)程比較復(fù)雜)。

參考文獻(xiàn)：HUERTASandMEDIONI,

DetectionofIntensityChangeswithSubpixelAccuracyUsingLaplacian-GaussianMasks，19860101-410102022/11/2239二階算子檢測(cè)模板0101-410102022/11/2115抗噪性能2022/11/2240抗噪性能2022/11/2116性能分析采用不依賴于邊緣方向的二階微分算子，對(duì)圖像中的階躍型邊緣點(diǎn)定位準(zhǔn)確，該算子對(duì)噪聲非常敏感，它使噪聲成分得到加強(qiáng)，這兩個(gè)特性使得該算子容易丟失一部分邊緣的方向信息，造成一些不連續(xù)的檢測(cè)邊緣，同時(shí)抗噪聲能力比較差。產(chǎn)生雙邊緣2022/11/2241性能分析采用不依賴于邊緣方向的二階微分算子，對(duì)圖像中的階躍型LOG算子基本思想：先用高斯函數(shù)對(duì)圖像濾波，然后對(duì)濾波后的圖像進(jìn)行拉普拉斯運(yùn)算，算得的值等于零的點(diǎn)認(rèn)為是邊界點(diǎn)。算法步驟：

(1)對(duì)圖像先進(jìn)行高斯濾波，再進(jìn)行Laplace算子運(yùn)算；

(2)保留一階導(dǎo)數(shù)峰值的位置記錄，然后從中尋找Laplace跨零點(diǎn)；

(3)采用插值方法對(duì)跨零點(diǎn)進(jìn)行估計(jì)。2022/11/2242LOG算子基本思想：先用高斯函數(shù)對(duì)圖像濾波，然后對(duì)濾波后的圖抗噪性能2022/11/2243抗噪性能2022/11/2119性能分析該算子克服了Laplician算子抗噪聲能力比較差的缺點(diǎn)，但是在抑制噪聲的同時(shí)也可能將原有的比較尖銳的邊緣也平滑掉了，造成尖銳邊緣無(wú)法被檢測(cè)到。原因：作為一個(gè)二階導(dǎo)數(shù)，拉普拉斯算子具有對(duì)噪聲無(wú)法接受的敏感性，拉普拉斯算子產(chǎn)生雙邊緣，最后拉普拉斯不能檢測(cè)邊緣的方向2022/11/2244性能分析該算子克服了Laplician算子抗噪聲能力比較差的Canny算子基本思想：首先對(duì)圖像選擇一定的Gauss濾波器進(jìn)行平滑濾波，然后采用非極值抑制技術(shù)進(jìn)行處理得到最后的邊緣圖像。算法步驟：

(1)用高斯濾波器平滑圖像。(2)用一階偏導(dǎo)的有限差分來(lái)計(jì)算梯度的幅

值和方向。(3)對(duì)梯度幅值進(jìn)行非極大值抑制。(4)用雙閾值算