当前位置: 首页 > news >正文

(三分钟)速览传统边缘检测算子

边缘检测的传统方法:

图像边缘是图像最基本的特征,所谓边缘(Edge) 是指图像局部特性的不连续性。灰度或结构等信息的突变处称之为边缘。例如,灰度级的突变、颜色的突变,、纹理结构的突变等。边缘是一个区域的结束,也是另一个区域的开始,利用该特征可以分割图像。

图像的边缘有方向和幅度两种属性。边缘通常可以通过一阶导数或二阶导数检测得到。一阶导数是以最大值作为对应的边缘的位置,而二阶导数则以过零点作为对应边缘的位置。

边缘检测算子分类:

(1)一阶导数的边缘算子

通过模板作为核与图像的每个像素点做卷积和运算,然后选取合适的阈值来提取图像的边缘。常见的有Roberts算子、Sobel算子和Prewitt算子。

(2)二阶导数的边缘算子

依据于二阶导数过零点,常见的有Laplacian 算子,此类算子对噪声敏感。

(3)其他边缘算子

前面两类均是通过微分算子来检测图像边缘,还有一种就是Canny算子,其是在满足一定约束条件下推导出来的边缘检测最优化算子。Canny边缘检测算子算是传统边缘检测中最受欢迎的边缘检测算子。

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

图像锐化:

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

各类算子的优点:

(1)Roberts 算子

Roberts算子利用局部差分算子寻找边缘,边缘定位精度较高,但容易丢失一部分边缘,不具备抑制噪声的能力。该算子对具有陡峭边缘且含噪声少的图像效果较好,尤其是边缘正负45度较多的图像,但定位准确率较差;

(2)Sobel 算子

Sobel算子考虑了综合因素,对噪声较多的图像处理效果更好,Sobel 算子边缘定位效果不错,但检测出的边缘容易出现多像素宽度。

(3) Prewitt 算子

Prewitt算子对灰度渐变的图像边缘提取效果较好,而没有考虑相邻点的距离远近对当前像素点的影响,与Sobel 算子类似,不同的是在平滑部分的权重大小有些差异;

(4)Laplacian 算子

Laplacian 算子不依赖于边缘方向的二阶微分算子,对图像中的阶跃型边缘点定位准确,该算子对噪声非常敏感,它使噪声成分得到加强,这两个特性使得该算子容易丢失一部分边缘的方向信息,造成一些不连续的检测边缘,同时抗噪声能力比较差,由于其算法可能会出现双像素边界,常用来判断边缘像素位于图像的明区或暗区,很少用于边缘检测;

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

Canny算子检测步骤:

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

编辑切换为居中

添加图片注释,不超过 140 字(可选)

附赠一个参考博客:https://www.cnblogs.com/xyf327/p/14745908.html

边缘检测的深度学习方法:

参考链接:基于深度学习的图像边缘和轮廓提取方法介绍 - 知乎

总结:本文总结了边缘检测的相关内容,其中图像锐化和图像增强的内容属于扩展的内容,如果广大读者感兴趣可以自行阅读。然后针对边缘检测,本文介绍的是传统算法,其主要和一阶微分和二阶微分相关。而针对图像的微分操作,其又和卷积操作密切联系。因此针对本文的边缘检测内容,其实是微分在图像领域中的应用。并且针对sobel算子、拉普拉斯算子、canny算子等都要有一个明确的认识,虽然这些都是传统领域下的目标检测算子,但是对于平常的任务说不定还是有一定的帮助。

相关文章:

  • Python解题 - CSDN周赛第19期 - 醉酒的狱卒
  • 【C语言】你对动态内存分配有多少了解呢
  • 【华为OD机试真题 java、c++】获得完美走位、完美走位【2022 Q4 100分】
  • 论文投稿指南——中文核心期刊推荐(地球物理学)
  • 如何保证接口幂等性?一口气说了12种方法!
  • MySQL高可用之主备同步:MySQL是如何保证主备一致的
  • YOLOv5更换骨干网络之 PP-LCNet
  • 环境变量?拿来把你!
  • 【柔性数组与局部性原理】
  • SCI论文解读复现【NO.3】MSFT-YOLO:基于变压器的改进YOLOv5钢表面缺陷检测(代码已复现)
  • 2022年度总结|我的CSDN成长历程
  • CSS基础总结(五)定位
  • 一文学会基础的TypeScript
  • js函数之call和apply
  • stm32平衡小车(1)---蓝牙模块及其bug处理
  • 77. Combinations
  • Angularjs之国际化
  • git 常用命令
  • Node + FFmpeg 实现Canvas动画导出视频
  • PHP 7 修改了什么呢 -- 2
  • Python 反序列化安全问题(二)
  • Sublime text 3 3103 注册码
  • Vue 2.3、2.4 知识点小结
  • 第13期 DApp 榜单 :来,吃我这波安利
  • 汉诺塔算法
  • 聊一聊前端的监控
  • 批量截取pdf文件
  • 前端技术周刊 2019-02-11 Serverless
  • 区块链技术特点之去中心化特性
  • 学习JavaScript数据结构与算法 — 树
  • 在GitHub多个账号上使用不同的SSH的配置方法
  • ​io --- 处理流的核心工具​
  • ​学习一下,什么是预包装食品?​
  • ​油烟净化器电源安全,保障健康餐饮生活
  • #{}和${}的区别是什么 -- java面试
  • #ifdef 的技巧用法
  • (4)logging(日志模块)
  • (delphi11最新学习资料) Object Pascal 学习笔记---第2章第五节(日期和时间)
  • (非本人原创)我们工作到底是为了什么?​——HP大中华区总裁孙振耀退休感言(r4笔记第60天)...
  • (附源码)springboot太原学院贫困生申请管理系统 毕业设计 101517
  • (附源码)ssm高校社团管理系统 毕业设计 234162
  • (附源码)计算机毕业设计SSM基于健身房管理系统
  • (官网安装) 基于CentOS 7安装MangoDB和MangoDB Shell
  • (三)mysql_MYSQL(三)
  • (四)【Jmeter】 JMeter的界面布局与组件概述
  • (原)Matlab的svmtrain和svmclassify
  • (转)负载均衡,回话保持,cookie
  • .desktop 桌面快捷_Linux桌面环境那么多,这几款优秀的任你选
  • .net 无限分类
  • .net经典笔试题
  • .NET连接数据库方式
  • .py文件应该怎样打开?
  • .sh 的运行
  • /var/spool/postfix/maildrop 下有大量文件
  • :“Failed to access IIS metabase”解决方法