边缘检测

转自http://www.cnblogs.com/AndyJee/p/3734805.html

边缘检测

主要内容：

1.图像梯度

2.一阶微分算子

3.二阶微分算子

4.Canny算子

1、为什么要检测边缘？

一个例子：基于边缘的图像编辑

2、图像边缘的产生

物体的边界、表面方向的改变、不同的颜色、光照明暗的变化

3、边缘检测——图像梯度

图像梯度的定义：   

水平梯度：

垂直梯度：

图像梯度指向灰度变化最快的方向：

梯度幅值表示边缘的强弱：

边缘是一阶倒数的极大值点：

4、边缘检测——一阶微分算子

使用差分近似一阶微分算子：

直接对图像使用差分容易受到噪声影响：

解决方法：先平滑，再微分

由，可将平滑和微分合为一个算子

二维高斯微分：

Prewitt算子:

Prewitt算子是一种一阶 微分算子的 边缘检测，利用 像素点上下、左右邻点的灰度差，在边缘处达到

极值检测边缘，去掉部分伪边缘，对 噪声具有平滑作用 。其原理是在图像空间利用两个方向模板与图

像进行 邻域 卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘。

[1]

对数字图像f(x，y)，Prewitt算子的定义如下：

G(i)=|[f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)]-[f(i+1,j-1)+f(i+1，j)+f(i+1，j+1)]|

G(j)=|[f(i-1,j+1)+f(i,j+1)+f(i+1，j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)]|

则 P(i,j)=max[G(i),G(j)]或 P(i,j)=G(i)+G(j)

经典Prewitt算子认为：凡灰度新值大于或等于 阈值的像素点都是边缘点。即选择适当的阈值T，若P(i,j)≥T，则(i,j)为边缘点，P(i,j)为边缘图像。这种判定是欠合理的，会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，其边缘反而丢失了。

Sobel算子

索贝尔算子（Sobel operator）是 图像处理中的算子之

灰度图像sobel算子处理效果图

一，主要用作 边缘检测。在技术上，它是一离散性 差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量

该算子包含两组3x3的 矩阵，分别为横向及纵向，将之与图像作平面 卷积，即可分别得出横向及纵向的亮度 差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向 边缘检测的图像，其公式如下:

图像的每一个像素的横向及纵向梯度近似值可用以下的 公式结合，来计算梯度的大小。

然后可用以下公式计算梯度方向。

在以上例子中，如果以上的角度Θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。

在边缘检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边缘的 ；另一个是检测垂直边缘的 。与Prewitt算子相比，Sobel算子对于象素的位置的影响做了加权，可以降低边缘模糊程度，因此效果更好。

Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边缘的 ，另一个是检测垂直边缘的 。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。将Sobel算子矩阵中的所有2改为根号2，就能得到各向同性Sobel的矩阵。

由于 Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速 卷积函数， 简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于 图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。 在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在 数学上证明当像素点满足正态分布时所求解是最优的。

实际应用中：对二维高斯微分进行数值近似：Prewitt算子、Sobel算子

Prewitt算子：去噪+ 增强边缘

Sobel算子：去噪+ 增强边缘（给四邻域更大的权重）

使用一阶微分算子提取边缘流程： 
1. 使用Prewitt或Sobel算子对图像进行卷积； 
2. 将梯度幅值大于阈值的点标记为边缘； 
3. (optional)将边缘细化为一个像素宽度。

5、边缘检测——二阶微分算子

如果不使用细化，如何获得单像素宽度边缘？

边缘是一阶倒数的极大值点

边缘是二阶倒数的过零点 
注意：仅仅等于0不够，常数函数也为0，必须存在符号改变

对平滑图像做二阶微分：

二维高斯微分：

Laplacian of Gaussian (LoG)算子：首先用Gauss函数对图像进行平滑，抑制噪声，然后对经过平滑的图像使用Laplacian算子 
LoG算子等效于：Gaussian平滑+ Laplacian二阶微分

LoG因其形状，也称为Mexican hat

LoG算子与一阶微分算子的比较：

LoG算子的特点： 
• 正确检测到的边缘：单像素宽度，定位准确； 
• 形成许多封闭的轮廓，这是一个主要问题； 
• 需要更加复杂的算法检测过零点。

6、边缘检测——Canny算子

• Canny算子是最常用的边缘检测算子
• Canny算子是一阶微分算子，但是一个优化的方案 
  -单像素宽度 
  -噪声抑制 
  -边缘增强 
  -边缘定位 
  J.Canny, “A Computational Approach to Edge Detection”, IEEE Trans. on PAMI, 8(6),1986. 
  18482 cites
• Canny算子基本流程

（1）高斯平滑滤波器卷积

（2）使用一阶有限差分计算偏导数的两个阵列

相当于与模板进行卷积运算：

当然也可以使用高斯微分算子(Prewitt或Sobel)直接与卷积计算和

（3）边缘幅值和边缘方位角

M代表梯度幅值的大小，在存在边缘的图像位置处， 
M的值变大，图像的边缘特征被“增强”。

（4）梯度非极大值抑制

局部极值周围存在相近数值的点：

非极大值抑制（NMS：Non-Maxima Suppression） 
主要思想：

由梯度幅值图像，仅保留极大值（严格地说，保留梯度方向上的极大值点）。

具体过程：

1.初始化；

2.对于每个点，在梯度方向和反梯度方向各找n个像素点。若不是这些点中的最大点，则将置零，否则保持不变。

• 在梯度方向的沿线上检测该点是否为局部极大值；
• 简化的情形，只使用4个方向：【0,45,90,135】；
• 得到的结果包含边缘的宽度为1个像素；

（5）对NMS结果进行阈值二值化—双阈值检测

• 使用大的阈值，得到： 
  -少量的边缘点 
  -许多空隙
• 使用小的阈值，得到： 
  -大量的边缘点 
  -大量的错误检测

两个阈值T1，T2：T2 >> T1

由T1得到，低阈值边缘图：更大的误检测率 
由T2得到，高阈值边缘图：更加可靠

（6）边缘连接 
1. 将中相连的边缘点输出为一幅边缘图像； 
2. 对于中每条边，从端点出发在中寻找其延长的部分，直至与中另外一条边的端点相连，否则认为中没有它延长的部分； 
3. 将作为结果输出。

Canny算子流程效果图：

• Canny算子的优点 
-参数较少 
-计算效率 
-得到的边缘连续完整 
• 参数的选择 
-Gauss滤波的尺度 
-双阈值的选择(LOW=HIGH*0.4)

Canny算子的处理效果：

九、总结

• 根据自相关矩阵特征值检测角点(Harris)； 
• 高斯差分尺度空间中检测尺度不变特征点(SIFT)； 
• 一阶高斯微分算子(Prewitt、Sobel)极值检测边缘； 
• 二阶高斯微分算子(LoG)过零点检测边缘； 
• 非极大值抑制+双阈值检测边缘(Canny)。