边缘:稳定的视觉特征,人类经验的结果
边缘检测算法
滤波:改善与噪声有关的边缘检测器的性能;
一般滤波器降导致了边缘的损失;
增强边缘和降低噪声之间需要折衷.
增强:将邻域强度值有显著变化的点突显出来.边缘增强一般是通过计算梯度幅值来完成的.检测:最简单的边缘检测判据是梯度幅值阈值
边缘连接:从无序边缘表形成有序边缘表的过程.
边缘跟踪:一个用来确定轮廊的图像搜索过程.
定位:边缘的位置和方位在子像素分辨率上估计。
任何一种神经细胞的输
出都依赖于视网膜上的许
多光感受器;
?任何一个光感受器的输
出将对许多神经细胞的输
出有贡献。
感受野定义:
直接或间接影响某一特定
神经细胞的光感受器细胞
的全体。
感受野
(Perception Field)
-型感受野:
由中心的兴奋区域
和周边的抑制区域
构成的同心圆结构
Off -型感受野:
由中心抑制和周边
兴奋区域构成的同
心圆结构.
神经节细胞感受野
分两大类:
感受野的启发?
神经节细胞对落入其感
受野内的对比度有选择
性的敏感性要比落入整
个感受野上的总光强的
信息更加敏感。猫视网膜神经节细胞的感受野及其反应形式
马赫带现象(心理学)及其生理
基础主观视觉:亮的特亮、暗的特暗
亮暗刺激物位于On -型感受野不同
位置时,其GC 反应放电频率图感受野的剖线
(极坐标形式)
边缘点的物理意义
(亮暗刺激物)
A 空间曲面的不连续点:表面法线方向不
连续
B 不同材料或者不同颜色
产生的
C 物体与背景的分割线:
表面的法线方向连续
D 阴影引起的边缘
灰度的不连续点或灰度变化剧烈的地方 边缘和噪声:高频跳变
边缘检测:
检测信号的高频分量
如何区别边缘和噪声?-ill-posed problem
二维信号f(x,y)的梯度
二维信号的一阶导数 二阶导数(Laplace 算子)
各向同性 边缘检测的基本方法:检测
一阶导数局部最大值或者两阶导数过零点
T y f x f y x f g ???? ??????=?=,),(22???
? ????+??? ????y f x f 22
22
2y f x f f ??+??=?
滤波器
A B C 一维有噪声的信号
?滤波后的信号
?滤波后信号的一阶导数
?边缘检测运算:设计平滑滤波器h(x),检测的局部最大值或的过零点。()()()()()?+∞∞--=?=ds s x h s f x h x f x g ()()()()()()()()()x h x f ds s x h s f ds s x h s f dx d dx x h x df x g '?=-'=-=?='??∞+∞-∞+∞
-()()x h x f '?()()x h x f ''?
滤波:改善与噪声有关的边缘检测器的性能;
一般滤波器降导致了边缘的损失;
增强边缘和降低噪声之间需要折衷.
增强:将邻域强度值有显著变化的点突显出来.
边缘增强一般是通过计算梯度幅值来完成的.
检测:最简单的边缘检测判据是梯度幅值阈值
边缘连接:从无序边缘表形成有序边缘表的过程.
边缘跟踪:一个用来确定轮廊的图像搜索过程.
定位:边缘的位置和方位在子像素分辨率上估计。
边缘检测算法
要求:h(x)一阶及二阶可微。
高斯滤波器
()∞
→→x h x ,0()1
=?+∞∞-x h ()22221
σσ
πx e x h -=()22232σσπx e x x h --='()???? ??-=''-12122
2322
σσπσx e x h x
滤波后的一维信号 一阶差分运算
前向差分:h (1)(n)=h(n+1)-h(n)
后向差分:h (1)(n)=h(n)-h(n-1)
前后向平均差分:h (1)(n)=0.5[h(n+1)-h(n-1)]
二阶差分h (2)(n)= 1/4×[h(n+2)+ h(n-2)-2h(n)] 离散函数的离散卷积与差分运算也可以交换()()()∑+∞
-∞=-=
n n m h n f m g ()()()()∑+∞
-∞=-=
n n m h n f m g 1
高斯差分滤波器:c归一化常数
窗口算子
()222σn
ce
n
h-
=
离散化后的有限窗口算子
-正态分布
正态分布是自然科学与行为科学中的定量现象的一个方便模型。
正态分布出现在许多区域统计:例如,采样分布均值是近似地正态的,既使被采样的样本总体并不服从正态分布。另外,常态分布信息熵在所有的已知均值及方差的分布中最大,这使得它作为一种均值以及方差已知的分布的自然选择。
在信息论中,熵被用来衡量一个随机变量出现的期望值。它代表了在被接收之前,信号传输过程中损失的信息量。(期望自信息)
热传导在三维的等方向均匀介质里的传播可用以下方程表达:
Gauss 卷积:最常用的图像线性光滑化方法 类似于热传导方程
推广到非线性滤波:各向异性非线性扩散方程
图像处理的变分和偏微分方程方法
算子
梯度幅值计算近似方法
用卷积模板表示:
]1
,[
]
,1
[
]1
,1
[
]
,[
]
,[+
-
+
+
+
+
-
=j
i
f
j
i
f
j
i
f
j
i
f
j
i
G
2X2梯度算子?
梯度交叉算子
3X3梯度算子!
算子
梯度幅值:其中的偏导数用下式计算: c = 2用卷积模板来实现
22y x s s M +=)()()
()(456210670432a ca a a ca a s a ca a a ca a s y x ++-++=++-++=456
3721
0]
,[a a a a j i a a a a