圖像邊緣檢測技术頭條網

2020-02-09 10:38:48 sandag

1、原理

圖像的邊緣是圖像的基本特徵，邊緣點是灰度階躍變化的像素點，即灰度值的導數較大或極大的地方，邊緣檢測是圖像識別的第一步。

用圖像的一階微分和二階微分來增強圖像，本質上計算的就是灰度的變化情況，而邊緣也就是灰度變化的地方。因此，這些傳統的一階微分算子如Robert、Sobel、prewitt等，以及二階微分算子Laplacian等等本質上都是可以用於檢測邊緣的。這些算子都可以稱為邊緣檢測算子。

邊緣檢測可以大幅度的減少數據量，剔除那些不相關的信息，保留圖像重要的結構屬性，一般的邊緣檢測的步驟有：

原始圖像 --> 平滑圖像 --> 銳化圖像 --> 邊緣判定 --> 二值化 --> 邊緣連接 --> 邊緣圖像

1) 平滑濾波：因為梯度計算容易受噪聲影響，所以先使用濾波平滑圖像去除噪聲。

2) 銳化濾波：為了檢測邊界，需要確定鄰域中灰度變換，銳化突出了回答變換的區域。

3) 邊緣判定：通過閾值或灰度變換，剔除某些處理點，查找邊緣點。

4) 邊緣連接：將間斷的邊緣連接成有意義的完整邊緣，同時去除假邊緣。

2、邊緣檢測算子

2.1梯度算子

Robert算子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，同時由於沒有對圖像進行平滑處理因此不具備抑制噪聲的能力。該算子對邊緣陡峭且噪聲較少的圖像效果較好。

Sobel算子和prewitt算子都考慮了鄰域信息，相當於對圖像先做加權平滑處理，然後再做微分運算，所以對噪聲有一定的抑制能力，但不排除檢測結果中出現虛假邊緣，並且容易出現多像素寬度的邊緣。

2.2高斯-拉普拉斯算子

拉普拉斯算子是二階微分算子，對噪聲敏感，Laplace算子對孤立象素的響應要比對邊緣或線的響應要更強烈，因此只適用於無噪聲圖象。存在噪聲情況下，使用Laplacian算子檢測邊緣之前需要先進行低通濾波。高斯-拉普拉斯算子，又稱LoG算子，就是為了補充這種缺陷被創立的，它先進行高斯低通濾波，然後再進行拉普拉斯二階微分銳化。

2.3 Canny邊緣檢測算子

在圖像邊緣檢測中，抑制噪聲和邊緣精準定位是無法同時滿足的，一些邊緣檢測算法通過平滑濾波去除噪聲的同時，也增加了邊緣檢測的不確定性，而提高邊緣檢測算子對邊緣的敏感性的同時，也提高了對噪聲的敏感性。Canny算子力圖在抗噪聲干擾和精準定位之間尋求最佳折中方案。

Canny算法主要有4個步驟：

用高斯濾波器來平滑圖像；
用一介偏導的有限差分來計算梯度的幅值和方向；
對梯度進行非極大值抑制，保留極大值，抑制其他值；
用雙閾值算法檢測和連接邊緣。

3、邊緣檢測示例

基於梯度的算子邊緣檢測：

<code>BW=edge(img, type, thresh, direction, ‘nothinning’)
/<code>

img：輸入圖像

type：算子類型，有sobel，Prwitt，roberts，log， canny

thresh：敏感度閾值，灰度低於此閾值的邊緣不會被檢測到，默認是空矩陣，自動計算閾值。

direction：指定感興趣的邊緣方向，horizontal，vertical，both

最後一個可選參數，thinning會進行邊緣細化，不填就會跳過該步驟

<code>imgPath = 'E:\\opencv_pic\\src_pic\\pic7.bmp'; 

img = imread(imgPath);
Img=rgb2gray(img);
 
Img_canny = edge(Img,'canny');  %canny
Img_roberts = edge(Img,'roberts');  %reberts
Img_prewitt = edge(Img,'prewitt');  %prewitt
Img_sobel=edge(Img,'sobel');  %sobel
Img_log=edge(Img,'log');  %log
subplot(2,3,1),imshow(Img), title('原始圖像');
subplot(2,3,2),imshow(Img_canny), title('Img canny');
subplot(2,3,3),imshow(Img_roberts),title('Img roberts');
subplot(2,3,4),imshow(Img_prewitt),title('Img prewitt');
subplot(2,3,5),imshow(Img_sobel),title('Img sobel');
subplot(2,3,6),imshow(Img_log),title('Img LoG');
/<code>