數(shù)字圖像處理第5章圖像分割與邊緣檢測-資料下載頁
2025-05-14 22:14本頁面
【正文】 算子 由于邊緣在圖像上表現(xiàn)為灰度變化劇烈的地方 ， 在數(shù)學上可以用灰度導數(shù)來表示這種變化 ， 圖59一階導數(shù)運算可以用于判斷邊緣點 ， 二階導數(shù)的過零點可以判斷邊緣 ， 一階導數(shù)運算在離散情況下表現(xiàn)為差分運算 。 圖 59 邊緣截面及導數(shù)圖 第五章 圖像分割 檢測 X方向上的灰度變化： 檢測 Y方向上的灰度變化： 檢測 方向上的灰度變化： 導數(shù)運算簡單可行 ,但具有方向性 ， 往往只能檢測檢測某個方向的邊緣 ， 而與這個方向垂直的邊緣則無法檢測 。 因此更多的時候是采用梯度運算來檢測邊緣 。 ),1(),(),(39。 jifjifjif x ???)1,(),(),(39。 ??? jifjifjif y? ??? s i n),(c o s),( 39。39。 jifjiff yx ??第五章 圖像分割 圖像 f(x,y)在 方向沿著極徑 r的梯度： 梯度方向： 梯度幅值： 實際應用中 ， 為了避免開方運算 ， 簡化為下面兩個公式： ??? s i nc os 39。39。 yx ffryyfrxxfrf ?????????????????)/a r c t a n ( 39。39。 xyr ff??239。239。yxr ffg ??|||| 39。39。 yxr ffg ?? |)||m a x (| 39。39。 yxr ffg ，?常用的梯度算子有 Robert算子、 Prewitt算子和 Sobel算子等。 第五章 圖像分割 圖 510 Roberts算子、 Prewitt算子與 Sobel算子的邊緣檢測結果 第五章 圖像分割 3. 二階微分算子 拉普拉斯算子 由于 Laplacian算子沒有邊緣方向的信息 ， 并且對噪聲非常敏感 ， 因此 ， 實際應用中往往不直接用來獲取邊緣 。 因此一般總是先通過先圖像濾波后再使用 Laplacian算子 。 圖 511 Laplacian 算子的邊緣檢測圖 第五章 圖像分割 高斯 拉普拉斯 (LOG)算子 噪聲點對邊緣檢測有較大的影響 ， 效果更好的邊緣檢測器是高斯 拉普拉斯 (LOG)算子 。 它把高斯平滑濾波器和拉普拉斯銳化濾波器結合起來 ， 先平滑掉噪聲 ， 再進行邊緣檢測 ， 所以效果更好 。 ??????????????????????????????????????244424080448*24844080424442第五章 圖像分割 原圖 Sigma＝ Sigma＝ Sigma＝ 圖 512 LoG算子 Sigma在不同取值時的邊緣檢測圖 的選取對邊緣的提取影響很大 。 如果選擇的過大 ， 一些細微邊緣會被平滑丟失 ， 鄰近的邊緣會發(fā)生融合現(xiàn)象 ， 因此造成重要邊緣信息的丟失；如果較小 ， 會帶來很多不必要的細節(jié)邊緣和噪聲邊緣 ， 一般來講的取值也和圖像的復雜度和處理的要求有關 。 ?
高考資料相關推薦
鄂ICP備17016276號-1