本文深入探讨了边缘检测在图像处理中的重要性，介绍了Roberts、Prewitt、Sobel等经典边缘检测算子的工作原理及应用，同时讲解了图像梯度、高斯滤波和平滑处理等关键概念。
个人博客：wyxogo.top
边缘提取
在大多数时候图像的边缘可以承载大部分的信息，并且提取边缘可以除去很多干扰信息，提高处理数据的效率
目标:
识别图像中的突然变化(不连续)
- 图像的大部分语义信息和形状信息都可以编码在边缘上
- 理想:艺术家使用线条勾勒画(但艺术家也使用对象层次的知识)
边缘的种类
- 表面形状的突变
- 深度方向的不连续
- 表面颜色的突变
- 光线阴影的不连续
边缘的特征
边缘是图像强度函数中快速变化的地方，变化的地方就存在梯度，对灰度值求导，导数为0的点即为边界点
卷积的导数
- 偏导数公式：
∂ f ( x , y ) ∂ x = lim ε → 0 f ( x + ε , y ) − f ( x , y ) ε \frac {\partial f(x,y)}{\partial x} = \lim_{\varepsilon \rightarrow 0} \frac{f(x+\varepsilon ,y)-f(x,y)}{\varepsilon} ∂x∂f(x,y)=ε→0limεf(x+ε,y)−f(x,y)
- 在卷积中为描述数据，采取 近似化处理：
∂ f ( x , y ) ∂ x ≈ f ( x + 1 , y ) − f ( x , y ) 1 \frac {\partial f(x,y)}{\partial x} \approx \frac{f(x+1,y)-f(x,y)}{1} ∂x∂f(x,y)≈1f(x+1,y)−f(x,y)
显然在x方向的导数就是与该像素自身与右边相邻像素的差值
卷积描述偏导
使用卷积核处理
对灰度图的x和y方向分别处理后的效果如下图：
有限差分滤波器（卷积核）
- Roberts 算子
Roberts 算子是一种最简单的算子，是一种利用局部差分算子寻找边缘的算子。他采用对角线方向相邻两象素之差近似梯度幅值检测边缘。检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感，无法抑制噪声的影响。
1963年， Roberts 提出了这种寻找边缘的算子。 Roberts 边缘算子是一个 2x2 的模版，采用的是对角方向相邻的两个像素之差。
Roberts 算子的模板分为水平方向和垂直方向，如下所示，从其模板可以看出， Roberts 算子能较好的增强正负 45 度的图像边缘。
d
x
=
[
−
1
0
0
1
]
dx = \left[ \begin{matrix} -1 & 0\\ 0 & 1 \\ \end{matrix} \right]
dx=[−1001]
d
y
=
[
0
−
1
1
0
]
dy = \left[ \begin{matrix} 0 & -1\\ 1 & 0 \\ \end{matrix} \right]
dy=[01−10]
-
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。Prewitt算子适合用来识别噪声较多、灰度渐变的图像。
d x = [ 1 0 − 1 1 0 − 1 1 0 − 1 ] dx = \left[ \begin{matrix} 1 & 0 & -1\\ 1 & 0 & -1\\ 1 & 0 & -1\\ \end{matrix} \right] dx=⎣⎡111000−1−1−1⎦⎤
d y = [ − 1 − 1 − 1 0 0 0 1 1 1 ] dy = \left[ \begin{matrix} -1 & -1 & -1\\ 0 & 0 & 0\\ 1 & 1 & 1\\ \end{matrix} \right] dy=⎣⎡−101−101−101⎦⎤ -
Sobel算子
Sobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。Sobel 算子在 Prewitt 算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。
d x = [ 1 0 − 1 2 0 − 2 1 0 − 1 ] dx = \left[ \begin{matrix} 1 & 0 & -1\\ 2 & 0 & -2\\ 1 & 0 & -1\\ \end{matrix} \right] dx=⎣⎡121000−1−2−1⎦⎤
d y = [ − 1 − 2 − 1 0 0 0 1 2 1 ] dy = \left[ \begin{matrix} -1 & -2 & -1\\ 0 & 0 & 0\\ 1 & 2 & 1\\ \end{matrix} \right] dy=⎣⎡−101−202−101⎦⎤
图像梯度
∇ f = [ ∂ f ∂ x , ∂ f ∂ y ] \nabla f=[\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}] ∇f=[∂x∂f,∂y∂f]
- 梯度指向强度增长最快的方向
-
梯度的角度
边的方向与梯度方向垂直
θ = t a n − 1 ( ∂ f ∂ y / ∂ f ∂ x ) \theta = tan^{-1} (\frac{\partial f}{\partial y}/\frac{\partial f}{\partial x}) θ=tan−1(∂y∂f/∂x∂f) -
梯度的模长（幅值）
可以说明是边缘的可能性大小
∣ ∣ ∇ f ∣ ∣ = ( ∂ f ∂ x ) 2 + ( ∂ f ∂ y ) 2 ||\nabla f|| = \sqrt{(\frac{\partial f}{\partial x})^2+(\frac{\partial f}{\partial y})^2} ∣∣∇f∣∣=(∂x∂f)2+(∂y∂f)2 -
处理图像后：
高斯滤波器
当图像的像素存在大量噪点时，相邻的像素差异大，所求梯度也会偏大，无法提取边缘信息。
解决方案
-
平滑处理：使用平滑滤波器去噪，使图像信号变得平滑
-
再对处理后的信号求导，取极值
-
根据卷积的计算性质： d d x ( f ∗ g ) = f ∗ d d x g \frac{d}{dx}(f*g) = f*\frac{d}{dx}g dxd(f∗g)=f∗dxdg，先对平滑核求导，再进行卷积相乘来简化运算，减少运算量
高斯滤波器
高斯滤波器的导数
参数选择的越小则保留的细节越多
Candy 边缘检测
门限化
经过处理后，可以得到边缘图，但存在很多高频噪点，通过设置更高的门限，过滤噪点，使得到的边缘更“纯粹”
非最大化抑制
在通过高斯滤波后可以得到图像的大致轮廓线，由于图像的像素变换通常是缓慢改变的， 在处理后的图像中仍然存在大量的粗的“边”
方案
- 检查像素是否沿梯度方向为局部最大值，选择沿边缘宽度的最大值作为边缘
- 处理后
经过上面的处理后，已经可以较为粗糙的得到图像的边缘图，但仍然存在问题，在有些部分的边 缘不连续，失去了很多信息如上图的黄色区域，这是由于在门限化的过程中，设置过小，导致将需要的边缘滤除。
双门限法
- 先使用高门限将较粗的边检测出来，这些边都是比较鲁棒的，是噪声的可能性极低
- 再降低门限，将较细的边显现出来
- 将与高门限过滤出的边连接的低门限边保留，滤除没有连接的（不连续的）噪声
- 处理后可以得到更好的边缘效果
学习资源：北京邮电大学计算机视觉——鲁鹏
扫一扫
1275
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
