网站建站一本通,山西网站制作平台,ui做的好的网站有哪些内容,网站seo优化建议点、线、边缘检测背景知识。书中主要介绍了图像的一阶导数与二阶导数#xff0c;这个之前的文章中有过介绍这里在复习一遍。对于函数 ,对于点 在x方向的一阶偏导为#xff1a;,二阶偏导为#xff1a;之后书中总结了一阶导与二阶导对于图像求取边缘的结论#xff1a;孤立点检…点、线、边缘检测背景知识。书中主要介绍了图像的一阶导数与二阶导数这个之前的文章中有过介绍这里在复习一遍。对于函数 ,对于点 在x方向的一阶偏导为 ,二阶偏导为之后书中总结了一阶导与二阶导对于图像求取边缘的结论孤立点检测。图像中孤立点检测使用二阶梯度。公式如下扩展用于边缘检测的sobel算子属于一阶梯度。拓展一下拉普拉斯包含像素 四个对角那么可以使用如下模板。线检测线检测同样使用拉普拉斯变换不过不同的方向使用不同的二阶偏导。如下图是不同方向直线检测模板。例如水平方向的检测模板使用y方向的二阶偏导。基本边缘检测选择梯度作为在图像 的 处边缘的强度和方向。梯度表示如下 沿梯度方向灰度变化率最大。梯度大小 梯度方向沿 轴的夹角 ,梯度表示如下图。任意点 处边缘的方向与该点处梯度向量的方向正交。梯度向量有时被称为边缘法线。当向量通过除以其幅值而归一化为单位向量结果称为边缘单位法线。梯度算子如下图几种常用梯度算子Prewitt算子与Sobel算子的区别在于Sobel算子的中心元素是前者的2倍这提供了平滑的作用中心元素2倍于两边的元素这可以看作高斯分布的简化版如果模板再大些可以使用高斯分布初始化各个模板中各个系数。Prewitt与Sobel具有各项同性的特点。两种算子对角的模板如下图。更先进的边缘检测技术Marr-Hildreth边缘检测器。使用高斯拉普拉斯滤波处理图像找到零交叉点。高斯拉普拉斯函数本质上是求高斯函数的二阶梯度具体公式如下图拉普拉斯模板可以将模板的 坐标带入到公式中调整模板的系数都是整数保证系数和为0.零交叉点一阶导数的局部最大值对应二阶导数的零交叉点(zero crossing)于是通过找出图像强度的二阶导数的零交叉点就能找到精确的边缘点。Laplacian算子是常用的二阶导数算子。canny算子步骤平滑梯度幅值与方向检测非极大值抑制减少假边缘双阈值减少小边缘。主要介绍34步骤。第3步将每一个待处理的边缘像素方向分为8份一共有水平、垂直、-45、45四个方向。如下图。在图a中假设现在有一水平边缘那么该边缘的法线方向一定穿过p2p8梯度方向所以比较p5与p2、p8的幅值大小如果p5均大于两者那么保留否则抑制为0.步骤4设置两个阈值大阈值、小阈值梯度幅值大于大阈值的保留、小于小阈值的置零中间的幅值如果与大阈值相邻那么保留。边缘连接与边界检测前面已经讲过可以使用一阶梯度算子得到边缘的梯度强度以及方向由于其他因素的干扰边缘点是不连续的。那么设计算法将相似边缘点进行连接以点 为中心的八邻域内的点 ,确定边缘相似有两个性质梯度强度差小于阈值 梯度方向差小于阈值 步骤2中 表示角度 左右 范围。步骤4的意思是旋转图像再执行步骤3的扫描将扫描结果旋转回来。书中举了车牌识别的例子如下图。分别连接水平竖直的边缘并合并根据车牌的长宽比定位车牌位置(可以计算连通区域)。使用多边形近似连接边缘使用霍夫变换找直线对于二维平面的直线 可以写成参数形式 那么对于一条直线来说在参数空间对应于一点对于一点来说参数空间对应于一条直线。具体如下图那么对于图a中直线对应于b图中的点 那么图a中直线上的点对应于b图中经过点 的直线。但是在实际使用过程中对于逼近垂直方向的直线来说其斜率无限大计算不方便产生较大误差所以使用直线法线表示方法。其中 是直线与x轴的夹角 是原点到直线的距离那么在参数 空间中直线上每一点都是一条正弦曲线这些曲线交于的一点就是该直线。如下图。图c是 平面的累加单元其中两个参数的范围为 , . 是对角线之间的距离。使用方法是对于 平面上前景点求其在 平面上的曲线并在 平面的累加单元上画出并累加统计累加点数多的 坐标该坐标是判断出的直线。霍夫变换法还可拓展到曲线的检测。阈值处理影响图像二值化分割的因素噪声、光照不均匀、物体表面反射光线不均匀。存在噪声可以使用一些平滑算法、又由于噪声多数为频率较高的分量可以使用低通滤波处理。光照不均匀可以使用同态滤波同态滤波假设不均匀光照是低频分量那么转换到频率域抑制低频增强高频可以使用局部阈值进行处理可以使用顶帽变换处理先使用与前景物体大小类似结构元去掉物体留下背景使用剩余的背景均匀原背景最后阈值分割。Otus图像灰度被分类两类该算法选择分类边界阈值 使用的方法是计算最大类间方差对于[0,255]的灰度也就是说 取多少类间方差最大。那么将问题转化为如何求解类间方差其中 是两类像素的概率 是两类像素的平均灰度值 是全局灰度值。使用边缘检测改善阈值处理效果书中介绍了一种方法该方法用于对抗噪声的干扰主要意思是对有噪声污染的待处理图像进行边缘检测对检测后的图像进行二值化使用二值化后的图像作为掩膜对掩膜中的图像进行阈值化例如Otus。下面两个例子如下图。多阈值处理类似OTUS算法只不过OTUS是计算一个阈值分成两类多阈值可以计算多个阈值。可变阈值处理这一小结所讲算法也是针对于非均匀光照这类问题而提出的再次总结以下前面对于非均匀光照使用的方法可以使用同态滤波或顶帽变换进行处理。分块阈值将图像分成小份每个小份进行单独阈值处理该方法基于每个小块的灰度是均匀的。使用局部灰度标准差、局部灰度均值来确定局部阈值公式如下其中 表示标准差 表示均值。 是常数权值。移动平均阈值能够稳定有效处理光照不均匀的文本图像和一些受正弦波污染的图像。多变量阈值处理对于灰度图像每一个像素是单通道数值那么灰度图像是单变量的图像对于RGB彩色图像每一个像素是3通道数值那么彩色图像是多变量的图像。灰度图像阈值分割是通过灰度值距离进行分割所以引申到彩色图像是通过彩色像素值距离进行分割彩色像素是多通道那么可以使用多变量距离进行区分。例如微红色像素值向量为 那么对于待分割图像的每一个像素 它们之间的距离可以使用欧式距离来表示如果考虑像素之间的关系可以使用马氏距离其中 是 的协方差矩阵当 时马氏距离转换为欧式距离表示各个通道之间无关。区域生长区域生长的方法的原理与种子填充算法类似首先需要种子点根据相似度灰度、纹理等将不同区域进行合并进而分割。分裂合并按照某一规则对一副图像进行细分直到每一细分区域都满足该规则为止在对细分后 的区域进行合并。上面两个算法原理比较好理解区域生长实质上是分裂合并的合并步骤。分水岭分割运动过程中的分割空间域分析使用运动视频中每一帧之间的像素差值来作为运动变化的证据进行分析。两幅图像之间的差值图像定义如下累计运动图像。