《圖像的銳化處理》課件

第六章圖像的銳化處置景物邊境細(xì)節(jié)的加強(qiáng)方法圖像銳化的目的是加強(qiáng)圖像中景物的細(xì)節(jié)邊緣和輪廓。銳化的作用是使灰度反差加強(qiáng)。由于邊緣和輪廓都位于灰度突變的地方。所以銳化算法的實(shí)現(xiàn)是基于微分作用。圖像銳化的概念圖像的景物細(xì)節(jié)特征一階微分銳化方法二階銳化微分方法一階、二階微分銳化方法效果比較Canny算子LOG濾波方法圖像銳化方法圖像細(xì)節(jié)的灰度變化特性掃描線灰度漸變孤立點(diǎn)細(xì)線灰度躍變圖像細(xì)節(jié)的灰度分布特性平坦段圖像細(xì)節(jié)的灰度變化微分特性一階微分曲線二階微分曲線圖像細(xì)節(jié)的灰度分布特性灰度漸變孤立點(diǎn)細(xì)線灰度躍變平坦段實(shí)際曲線實(shí)踐曲線一階導(dǎo)數(shù)二階導(dǎo)數(shù)兩種常見的邊緣一階導(dǎo)數(shù)和二階導(dǎo)數(shù)表示圖(a)階躍函數(shù)(b)線條〔屋頂〕函數(shù)一階微分銳化

——根本原理一階微分的計(jì)算公式非常簡單：離散化之后的差分方程：思索到圖像邊境的拓?fù)錁?gòu)造性，根據(jù)這個(gè)原理派生出許多相關(guān)的方法。一階微分銳化一方向一階微分銳化無方向一階微分銳化?Roberts交叉微分銳化?Sobel銳化?Priwitt銳化一方向的一階銳化

——根本原理一方向的一階銳化是指對(duì)某個(gè)特定方向上的邊緣信息進(jìn)展加強(qiáng)。由于圖像為程度、垂直兩個(gè)方向組成，所以，所謂的一方向銳化實(shí)踐上是包括程度方向與垂直方向上的銳化。程度方向的一階銳化

——根本方法程度方向的銳化非常簡單，經(jīng)過一個(gè)可以檢測(cè)出程度方向上的像素值的變化模板來實(shí)現(xiàn)。程度方向的一階銳化

——例題1232121262308761278623269000000-3-13-2000-6-13-130011250000001*1+2*2+1*3-1*3-2*0-1*8=-3問題：計(jì)算結(jié)果中出現(xiàn)了小于零的像素值垂直方向的一階銳化

——根本方法垂直銳化算法的設(shè)計(jì)思想與程度銳化算法一樣，經(jīng)過一個(gè)可以檢測(cè)出垂直方向上的像素值的變化模板來實(shí)現(xiàn)。垂直方向的一階銳化

——例題1232121262308761278623269000000-7-17400-16-25500-17-22-30000001*1+2*2+1*3-1*3-2*2-1*8=-7問題：計(jì)算結(jié)果中出現(xiàn)了小于零的像素值一方向銳化的后處置這種銳化算法需求進(jìn)展后處置，以處理像素值為負(fù)的問題。后處置的方法不同，那么所得到的效果也就不同。一方向銳化的后處置方法1：整體加一個(gè)正整數(shù)，以保證一切的像素值均為正。這樣做的結(jié)果是：可以獲得類似浮雕的效果。2020202020201770202014772020213225202020202020000000-3-13-2000-6-13-13001125000000一方向銳化的后處置方法2：將一切的像素值取絕對(duì)值。這樣做的結(jié)果是，可以獲得對(duì)邊緣的有方向提取。000000313200061313001125000000000000-3-13-2000-6-13-13001125000000無方向一階銳化

——問題的提出前面的銳化處置結(jié)果對(duì)于人工設(shè)計(jì)制造的具有矩形特征物體〔例如：樓房、漢字等〕的邊緣的提取很有效。但是，對(duì)于不規(guī)那么外形〔如：人物〕的邊緣提取，那么存在信息的缺損。無方向一階銳化

——設(shè)計(jì)思想為理處理上面的問題，就希望提出對(duì)任何方向上的邊緣信息均敏感的銳化算法。由于這類銳化方法要求對(duì)邊緣的方向沒有選擇，一切稱為無方向的銳化算法。無方向一階銳化

——交叉微分交叉微分算法〔Roberts算法〕計(jì)算公式如下：特點(diǎn)：算法簡單無方向一階銳化

——Sobel(索貝爾)銳化Sobel銳化的計(jì)算公式如下：特點(diǎn)：銳化的邊緣信息較強(qiáng)無方向一階銳化

——Priwitt銳化算法Priwitt銳化算法的計(jì)算公式如下：特點(diǎn)：與Sobel相比，有一定的抗干擾性。圖像效果比較干凈。一階銳化

——幾種方法的效果比較Sobel算法與Priwitt算法的思緒一樣，屬于同一類型，因此處置效果根本一樣。Roberts算法的模板為2*2，提取出的信息較弱。一方向銳化經(jīng)過后處置之后，也可以對(duì)邊境進(jìn)展加強(qiáng)。例如二階微分銳化

——問題的提出從圖像的景物細(xì)節(jié)的灰度分布特性可知，有些灰度變化特性一階微分的描畫不是很明確，為此，采用二階微分可以更加獲得更豐富的景物細(xì)節(jié)。二階微分銳化

——景物細(xì)節(jié)對(duì)應(yīng)關(guān)系1〕對(duì)于突變形的細(xì)節(jié)，經(jīng)過一階微分的極大值點(diǎn)，二階微分的過0點(diǎn)均可以檢測(cè)出來。二階微分銳化

——景物細(xì)節(jié)對(duì)應(yīng)關(guān)系2〕對(duì)于細(xì)線形的細(xì)節(jié)，經(jīng)過一階微分的過0點(diǎn)，二階微分的極小值點(diǎn)均可以檢測(cè)出來。二階微分銳化

——景物細(xì)節(jié)對(duì)應(yīng)關(guān)系3〕對(duì)于漸變的細(xì)節(jié)，普通情況下很難檢測(cè)，但二階微分的信息比一階微分的信息略多。二階微分銳化

——算法推導(dǎo)二階微分銳化

——Laplacian算法由前面的推導(dǎo)，寫成模板系數(shù)方式方式即為Laplacian算子：例如二階微分銳化

——Laplacian變形算法為了改善銳化效果，可以脫離微分的計(jì)算原理，在原有的算子根底上，對(duì)模板系數(shù)進(jìn)展改動(dòng)，獲得Laplacian變形算子如下所示。例如二階微分銳化

——Laplacian銳化邊緣提取經(jīng)過Laplacian銳化后，我們來分析幾種變形算子的邊緣提取效果。H1,H2的效果根本一樣，H3的效果最不好，H4最接近原圖。例如二階微分銳化

——Wallis算法思索到人的視覺特性中包含一個(gè)對(duì)數(shù)環(huán)節(jié)，因此在銳化時(shí)，參與對(duì)數(shù)處置的方法來改良。例如二階微分銳化

——Wallis算法在前面的算法公式中留意以下幾點(diǎn)：1〕為了防止對(duì)0取對(duì)數(shù)，計(jì)算時(shí)實(shí)踐上是用log(f(i,j)+1);2〕由于對(duì)數(shù)值很小log(256)=5.45,所以計(jì)算時(shí)用46*log(f(i,j)+1)。〔46=255/log(256)〕二階微分銳化

——Wallis算法算法特點(diǎn)：Wallis算法思索了人眼視覺特性，因此，與Laplacian等其他算法相比，可以對(duì)暗區(qū)的細(xì)節(jié)進(jìn)展比較好的銳化。例如一階與二階微分的邊緣提取效果比較以Sobel及Laplacian算法為例進(jìn)展比較。Sobel算子獲得的邊境是比較粗略的邊境，反映的邊境信息較少，但是所反映的邊境比較明晰；Laplacian算子獲得的邊境是比較細(xì)致的邊境。反映的邊境信息包括了許多的細(xì)節(jié)信息，但是所反映的邊境不是太明晰。謝謝大家作業(yè)1.P124第3題2.P124第4題程度浮雕效果垂直浮雕效果程度邊緣的提取效果垂直邊緣的提取效果交叉銳化效果圖例1交叉銳化效果圖例2交叉銳化與程度銳化的比較交叉銳化程度銳化Sobel銳化效果例如1交叉銳化Sobel銳化Sobel銳化效果例如2Sobel銳化交叉銳化Priwitt銳化效果圖例Priwitt銳化Sobel銳化一階銳化方法的效果比較(a)原圖(b)Sobel算法(c)Priwitt算法(d)Roberts算法(e)程度銳化(f)垂直銳化Laplacian銳化效果圖例Laplacian變形算子銳化效果h1h2h3h4Laplacian算子邊緣提取效果Wallis算法效果例如Wallis算法與Laplacian算法的比較Wallis算法Laplacian算法Sobel與Laplacian邊緣提取效果Sobel銳化Laplacian銳化非矩形目的物的一方向銳化6.5Canny算子經(jīng)典圖像邊緣檢測(cè)(綜合法思想)——Canny算子JohnCanny于1986年提出Canny算子，它與Marr〔LoG〕邊緣檢測(cè)方法類似，也屬于是先平滑后求導(dǎo)數(shù)的方法。JohnCanny研討了最優(yōu)邊緣檢測(cè)方法所需的特性，給出了評(píng)價(jià)邊緣檢測(cè)性能優(yōu)劣的三個(gè)目的：1好的信噪比，即將非邊緣點(diǎn)斷定為邊緣點(diǎn)的概率要低，將邊緣點(diǎn)判為非邊緣點(diǎn)的概率要低；2高的定位性能，即檢測(cè)出的邊緣點(diǎn)要盡能夠在實(shí)踐邊緣的中心；3對(duì)單一邊緣僅有獨(dú)一呼應(yīng)，即單個(gè)邊緣產(chǎn)生多個(gè)呼應(yīng)的概率要低，并且虛偽呼應(yīng)邊緣應(yīng)該得到最大抑制。用一句話說，就是希望在提高對(duì)景物邊緣的敏感性的同時(shí)，可以抑制噪聲的方法才是好的邊緣提取方法。Canny算子Canny邊緣檢測(cè)法利用高斯函數(shù)的一階微分，它能在噪聲抑制和邊緣檢測(cè)之間獲得較好的平衡。詳細(xì)步驟如下：(1)用高斯濾波器來對(duì)圖像濾波，可以去除圖像中的噪聲。(2)用高斯算子的一階微分對(duì)圖像進(jìn)展濾波，得到每個(gè)像素梯度的大小和方向。其中為濾波后的圖像。(3)對(duì)梯度進(jìn)展“非極大抑制〞。梯度的方向可以定義為屬于4個(gè)區(qū)之一，各個(gè)區(qū)用不同的臨近像素來進(jìn)展比較，以決議部分極大值。這4個(gè)區(qū)及其相應(yīng)的比較方向如以下圖所示。4321x1234例如，假設(shè)中心像素的梯度方向?qū)儆诘?區(qū)，那么把的梯度值與它左上和右下相鄰像素的梯度值比較，看的梯度值能否是部分極大值。假設(shè)不是，就把像素的灰度設(shè)為0，這個(gè)過程稱為“非極大抑制〞。(4)對(duì)梯度取兩次閾值并且對(duì)圖像邊緣進(jìn)展銜接。Canny算子提取的邊緣非常完好，而且邊緣的延續(xù)性很好，效果優(yōu)于其它算子。圖像經(jīng)小波變換后取兩次閾值，Th1和Th2，兩者關(guān)系為Th1=0.4Th2。我們把小于Th1的像素的灰度值設(shè)為0，得到圖像1。把小于Th2的像素的灰度值設(shè)為0，得到圖像2。我們以圖像2為根底，以圖像1為補(bǔ)充來鏈接圖像的邊緣。鏈接邊緣的詳細(xì)步驟如下：1對(duì)圖像2進(jìn)展掃描，當(dāng)遇到一個(gè)非零灰度的像素P時(shí)，跟蹤以P為開場(chǎng)點(diǎn)的輪廓線，直到輪廓的終點(diǎn)Q。2調(diào)查圖像1中與圖像2中Q點(diǎn)位置對(duì)應(yīng)的點(diǎn)Q’的8臨近區(qū)域。假設(shè)Q’點(diǎn)的8臨近區(qū)域中有非零像素R’存在，那么將其包括到圖像2中，作為R點(diǎn)。3從R開場(chǎng)，反復(fù)第一步，直到我們?cè)趫D像1和圖像2中無法繼續(xù)為止。當(dāng)完成包含P的輪廓線的鏈接之后，將這條輪廓線標(biāo)志已訪問?；氐降谝徊?，尋覓下一條輪廓線，反復(fù)第一步、第二步、第三步，直到圖像2中找不到新輪廓線為止。圖１原始圖像圖2大閾值邊緣圖像圖３小閾值邊緣圖像圖４文中算法得到的邊緣圖像6.6LOG濾波方法三、高斯－拉普拉斯算子正如上面所提到的，利用圖像強(qiáng)度二階導(dǎo)數(shù)的零交叉點(diǎn)來求邊緣點(diǎn)的算法對(duì)噪聲非常敏感，所以，希望在邊緣加強(qiáng)前濾除噪聲。馬爾〔Marr〕和希爾得勒斯〔Hildreth〕根據(jù)人類視覺特性，提出一種邊緣檢測(cè)方法，將高斯濾波和拉普拉斯算子結(jié)合在一同進(jìn)展邊緣檢測(cè)，故稱為LOG〔LaplacianofGaussian〕算法，也稱之為拉普拉斯高斯算法。一維LOG邊緣檢測(cè)LOG濾波方法

該算法的主要思緒和步驟是：〔1〕濾波：首先對(duì)圖像進(jìn)展平滑濾波將與圖像進(jìn)展卷積，可以得到一個(gè)平滑的圖像，即:〔6.28〕LOG濾波方法圖7－8二維高斯函數(shù)〔〕〕LOG濾波方法

〔2〕加強(qiáng)：對(duì)平滑圖像進(jìn)展拉普拉斯運(yùn)算，即:〔3〕檢測(cè)：邊緣檢測(cè)判據(jù)是二階導(dǎo)數(shù)零交叉點(diǎn)并對(duì)應(yīng)一階導(dǎo)數(shù)的較大峰值。(6.29)LOG濾波方法

由于對(duì)平滑圖像進(jìn)展拉普拉斯運(yùn)算可等效為的拉普拉斯運(yùn)算與的卷積，故式〔6.29〕變?yōu)?式中