圖像分割與邊緣檢測(cè)(1)-展示頁
2025-05-23 06:42本頁面
【正文】 39。, thresh, direction) [BW, thresh]=edge(I, 39。, thresh) BW=edge(I, 39。) BW=edge(I, 39。,...) （ 1）使用 Roberts算子的 edge函數(shù)語法格式： BW=edge(I, 39。,thresh) [BW, thresh]=edge(I, 39。) BW=edge(I, 39。, parameters) BW=edge(I,39。 邊緣檢測(cè)算子的 MATLAB實(shí)現(xiàn) 1． edge函數(shù) edge函數(shù)調(diào)用格式如下： [g, t]=edge(I, 39。 Laplacian算子：是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。 Laplacian算子：是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。 3．各種邊緣檢測(cè)算子的比較 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。 （ 2）拉普拉斯 高斯邊緣檢測(cè)算子（ LOG： Laplacian Of Gaussian； Marr算子） Roberts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(shí)由于圖像沒經(jīng)過平滑處理，因此不具備抑制噪聲能力。 （ 5）零交叉方法 圖像灰度二階導(dǎo)數(shù)的過零點(diǎn)對(duì)應(yīng)邊緣點(diǎn) ，如圖 93所示 。 ① 用高斯濾波器平滑圖像； ② 計(jì)算濾波后圖像梯度的幅值和方向； ③ 對(duì)梯度幅值應(yīng)用非極大值抑制，其過程為找出圖像梯度中的局部極大值點(diǎn)，把其他非局部極大值點(diǎn)置零以得到細(xì)化的邊緣； ④ 用雙閾值算法檢測(cè)和連續(xù)邊緣，使用兩個(gè)閾值 T1和 T2（ T1＞ T2）， T1用來找到每條線段， T2用來在這些線段的兩個(gè)方向上延伸尋找邊緣的斷裂處，并連接這些邊緣。 （ 1） Roberts交叉算子 （ 2） Sobel算子 （ 3） Prewitt算子 Canny算子的梯度是用高斯濾波器的導(dǎo)數(shù)計(jì)算的，檢測(cè)邊緣的方法是尋找圖像梯度的局部極大值。 因此可將這些導(dǎo)數(shù)值作為相應(yīng)點(diǎn)的邊界強(qiáng)度 ， 通過設(shè)置門限的方法 ， 提取邊界點(diǎn)集 。 邊緣檢測(cè)實(shí)際上就是檢測(cè)圖像特性發(fā)生變化的位置。 可以利用統(tǒng)計(jì)判決確定門限，比如利用最小誤判概率準(zhǔn)則確定分割的最佳門限。 （ 3）區(qū)域邊界是明確的。 （ 1）分割出來的各區(qū)域?qū)δ撤N特質(zhì)（例如灰度、紋理）而言具有相似性，區(qū)域內(nèi)部是連通的且沒有過多小孔。第 9章圖像分割與邊緣檢測(cè) 論述 閾值化技術(shù) 邊緣檢測(cè) 邊界跟蹤 閾值分割 區(qū)域分割 運(yùn)動(dòng)分割 論述 圖 91 圖像分割在
研究報(bào)告相關(guān)推薦
鄂ICP備17016276號(hào)-1