圖像邊沿處理

1、同圖像灰度不同，邊界處一般會(huì)有明顯的邊緣，利用此特征可以分割圖像。需要說明的是：邊緣和物體間的邊界并不等同，邊緣指的是圖像中像素的值有突變的地方，而物體間的邊界指的是現(xiàn)實(shí)場景中的存在于物體之間的邊界。有可能有邊緣的地方并非邊界，也有可能邊界的地方并無邊緣，因?yàn)楝F(xiàn)實(shí)世界中的物體是三維的，而圖像只具有二維信息，從三維到二維的投影成像不可避免的會(huì)丟失一部分信息；另外，成像過程中的光照和噪聲也是不可避免的重要因素。正是因?yàn)檫@些原因，基于邊緣的圖

2、像分割仍然是當(dāng)前圖像研究中的世界級(jí)難題，目前研究者正在試圖在邊緣提取中加入高層的語義信息。在實(shí)際的圖像分割中，往往只用到一階和二階導(dǎo)數(shù)，雖然，原理上，可以用更高階的導(dǎo)數(shù)，但是，因?yàn)樵肼暤挠绊?，在純粹二階的導(dǎo)數(shù)操作中就會(huì)出現(xiàn)對(duì)噪聲的敏感現(xiàn)象，三階以上的導(dǎo)數(shù)信息往往失去了應(yīng)用價(jià)值。二階導(dǎo)數(shù)還可以說明灰度突變的類型。在有些情況下，如灰度變化均勻的圖像，只利用一階導(dǎo)數(shù)可能找不到邊界，此時(shí)二階導(dǎo)數(shù)就能提供很有用的信息。二階導(dǎo)數(shù)對(duì)噪聲也比較敏感，解

3、決的方法是先對(duì)圖像進(jìn)行平滑濾波，消除部分噪聲，再進(jìn)行邊緣檢測。不過，利用二階導(dǎo)數(shù)信息的算法是基于過零檢測的，因此得到的邊緣點(diǎn)數(shù)比較少，有利于后繼的處理和識(shí)別工作。各種算子的存在就是對(duì)這種導(dǎo)數(shù)分割原理進(jìn)行的實(shí)例化計(jì)算，是為了在計(jì)算過程中直接使用的一種計(jì)算單位；Roberts算子：邊緣定位準(zhǔn)，但是對(duì)噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分割。Roberts邊緣檢測算子是一種利用局部差分算子尋找邊緣的算子Robert算子圖像處理后結(jié)果邊緣不

4、是很平滑。經(jīng)分析，由于Robert算子通常會(huì)在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，故采用上述算子檢測的邊緣圖像常需做細(xì)化處理，邊緣定位的精度不是很高。Prewitt算子：對(duì)噪聲有抑制作用，抑制噪聲的原理是通過像素平均，但是像素平均相當(dāng)于對(duì)圖像的低通濾波，所以Prewitt算子對(duì)邊緣的定位不如Roberts算子。Sobel算子：Sobel算子和Prewitt算子都是加權(quán)平均，但是Sobel算子認(rèn)為，鄰域的像素對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)的

5、，所以距離不同的像素具有不同的權(quán)值，對(duì)算子結(jié)果產(chǎn)生的影響也不同。一般來說，距離越遠(yuǎn)，產(chǎn)生的影響越小。IsotropicSobel算子：加權(quán)平均算子，權(quán)值反比于鄰點(diǎn)與中心點(diǎn)的距離，當(dāng)沿不同方向檢測邊緣時(shí)梯度幅度一致，就是通常所說的各向同性。在邊沿檢測中，常用的一種模板是Sobel算子。Sobel算子有兩個(gè)，一個(gè)是檢測水平邊沿的；另一個(gè)是檢測垂直平邊沿的。Sobel算子另一種形式是各向同性Sobel(IsotropicSobel)算子，也有

6、兩個(gè)，一個(gè)是檢測水平邊沿的，另一個(gè)是檢測垂直平邊沿的。各向同性Sobel算子和普通Sobel算子相比，它的位置加權(quán)系數(shù)更為準(zhǔn)確，在檢測不同方向的邊沿時(shí)梯度的幅度一致。由于建筑物圖像的特殊性，我們可以發(fā)現(xiàn)，處理該類型圖像輪廓時(shí)，并不需要對(duì)梯度方向進(jìn)行運(yùn)算，所以程序并沒有給出各向同性Sobel算子的處理方法。由于Sobel算子是濾波算子的形式，用于提取邊緣，可以利用快速卷積函數(shù)，簡單有效，因此應(yīng)用廣泛。美中不足的是，Sobel算子并沒有將圖

7、像的主體與背景嚴(yán)格地區(qū)分開來，換言之就是Sobel算子沒有基于圖像灰度進(jìn)行處理，由于Sobel算子沒有嚴(yán)格地模擬人的視覺生理特征，所以提取的圖像輪廓有時(shí)并不能令人滿意。在觀測一幅圖像的時(shí)候，我們往往首先注意的是圖像與背景不同的部分，正是這個(gè)部分將主體突出顯示，基于該理論，我們可以給出閾值化輪廓提取算法，該算法已在數(shù)學(xué)上證明當(dāng)像素點(diǎn)滿足正態(tài)分布時(shí)所求解是最優(yōu)的。處理過程中，Canny算子還將經(jīng)過一個(gè)非極大值抑制的過程，最后Canny算子還

8、采用兩個(gè)閾值來連接邊緣。下面算法是基于的算法不可能直接運(yùn)行，只是我把Canny的具體實(shí)現(xiàn)步驟寫了出來，若需用還要自己寫。該算子具體實(shí)現(xiàn)方法：anny.cpp:implementationoftheCannyclass.#include“anny.h“#include“math.h“#include“algithms.h“#include“algithm.h“#include“stdlib.h“#include“maths.h“using

9、namespacestdConstructionDestructionCanny::Canny(intPicHeightintPicWidthdoublePicDatadoublePicSigmadoublePicRatioLowdoublePicRatioHigh)iHeight=PicHeightiWidth=PicWidthiData=PicDatasigma=PicSigmadRatioLow=PicRatioLowdRatio