图像处理中的边缘检测算法:Sobel、Laplacian、Canny

目录

 

Sobel算子

Laplacian算子

Canny算子


Sobel算子

 

定义:sobel算子是一种基于一阶导数的边缘检测算子。

原理:该算子的主要原理是使用两个3x3的矩阵对原图进行卷积运算,从而计算出该图在水平和垂直方向上的灰度偏差估计值。如下图所示,Gx,Gy分别是对原图A在水平和垂直方向上的灰度偏差近似值。

在求得Gx和Gy后,使用下式可以求出图像中每个点的梯度估计值。

 此时需要设定一个阈值,当G的值大于阈值时认为该点为边界点。

Laplacian算子

 

定义:拉普拉斯是一种各向同性二阶微分算子。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈,因此只适用于无噪声图象。存在噪声情况下,使用Laplacian算子检测边缘之前需要先进行低通滤波。所以,通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。

从Sobel算子可知,在图像中到“边缘”部分,像素值通常出现”跳跃“或者较大的变化。因此这些极值点在求一阶导数时通常都为零。在求二阶导数时,极值点通常为0,因此可以以此检测图像的边缘,但是在图像的噪声部分同样会出现二阶导为0的情况,这也就是为什么拉普拉斯只适用于无噪声的图像。

公式如下:

由于使用的是梯度,因此拉普拉斯算子在opencv的实现时是调用了Sobel算子

 

Canny算法

 

Canny 边缘检测算法 是 John F. Canny 于 1986年开发出来的一个多级边缘检测算法,也被很多人认为是边缘检测的最优算法, 最优边缘检测的三个主要评价标准是:

  • 低错误率: 标识出尽可能多的实际边缘,同时尽可能的减少噪声产生的误报。
  • 高定位性: 标识出的边缘要与图像中的实际边缘尽可能接近。
  • 最小响应: 图像中的边缘只能标识一次。

 canny算法步骤

  1. 消除噪声。 使用高斯平滑滤波器卷积降噪。 下面显示了一个 size = 5 的高斯内核示例:

    K = \dfrac{1}{159}\begin{bmatrix}          2 & 4 & 5 & 4 & 2 \\          4 & 9 & 12 & 9 & 4 \\          5 & 12 & 15 & 12 & 5 \\          4 & 9 & 12 & 9 & 4 \\          2 & 4 & 5 & 4 & 2                  \end{bmatrix}

  2. 计算梯度幅值和方向。 此处,按照Sobel滤波器的步骤:

    1. 运用一对卷积阵列 (分别作用于 x 和 y 方向):

      G_{x} = \begin{bmatrix}-1 & 0 & +1  \\-2 & 0 & +2  \\-1 & 0 & +1\end{bmatrix}G_{y} = \begin{bmatrix}-1 & -2 & -1  \\0 & 0 & 0  \\+1 & +2 & +1\end{bmatrix}

    2. 使用下列公式计算梯度幅值和方向:

      \begin{array}{l}G = \sqrt{ G_{x}^{2} + G_{y}^{2} } \\\theta = \arctan(\dfrac{ G_{y} }{ G_{x} })\end{array}

      梯度方向近似到四个可能角度之一(一般 0, 45, 90, 135)

  3. 非极大值 抑制。 这一步排除非边缘像素, 仅仅保留了一些细线条(候选边缘)。

  4. 滞后阈值: 最后一步,Canny 使用了滞后阈值,滞后阈值需要两个阈值(高阈值和低阈值):

    1. 如果某一像素位置的幅值超过  阈值, 该像素被保留为边缘像素。
    2. 如果某一像素位置的幅值小于  阈值, 该像素被排除。
    3. 如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于  阈值的像素时被保留。

    Canny 荐的 : 阈值比在 2:1 到3:1之间。

你可能感兴趣的:(图像处理中的边缘检测算法:Sobel、Laplacian、Canny)