各种边缘检测的比较
- 格式:doc
- 大小:75.50 KB
- 文档页数:8
边缘检测算子图像配准的方法7.4.1 基于特征的图像配准基于特征的图像配准首先提取图像信息的特征,然后以这些特征为模型进行配准。
特征提取的结果是一含有特征的表和对图像的描述,每个特征由一组属性表示,对属性的进一步描述包括边缘的定向和弧度、区域的大小等。
局部特征之间存在着相互关系,如几何关系、辐射度量关系、拓扑关系等。
可以用这些局部特征之间的关系描述全局特征。
通常基于局部特征配准大多都是基于点、线或边缘的,而全局特征的配准则是利用局部特征之间的关系进行配准的方法。
由于图像的特征点比图像的像素点要少很多,因此大大减少了配准过程的计算量,但特征提取方法的计算代价通常较大,不便于实时应用。
特征点的配准度量值对位置的变化比较敏感,可以大大提高配准的精确程度。
对于纹理较少的图像区域提取的特征的密度通常比较稀少,局部特征的提取就比较困难。
特征点的提取过程可以减少噪声的影响,对灰度变化、图像形变和遮挡等都有较好的适应能力。
因此,在图像配准领域得到了广泛应用。
基于特征的图像配准方法有两个重要环节:特征提取和特征配准。
7.4.2 基于互信息的图像配准医学图像配准技术从基于特征的配准方法发展到基于统计的配准方法有其突破性的意义。
与基于特征的配准方法相比,基于统计的配准方法的突出优点为鲁棒性好、配准精度高、人工干预少。
基于统计的配准方法通常是指最大互信息的图像配准方法。
基于互信息的图像配准是用两幅图像的联合概率分布与完全独立时的概率分布的广义距离来估计互信息,并作为多模态医学图像配准的测度。
当两幅基于共同的解剖结构的图像达到最佳配准时,它们的对应像素的灰度互信息应为最大。
由于基于互信息的配准对噪声比较敏感,首先,通过滤波和分割等方法对图像进行预处理。
然后进行采样、变换、插值、优化从而达到配准的目的。
基于互信息的配准技术属于基于像素相似性的方法。
它基于图像中所有的像素进行配准,基于互信息的图像配准引入了信息论中的概念,如熵、边缘熵、联合熵和互信息等,可使配准精度达到亚像素级的高精度。
几种常用边缘检测算法的比较边缘检测是在数字图像上寻找图像亮度变化的过程,它对于图像处理和计算机视觉任务非常重要。
常见的边缘检测算法有Sobel算子、Prewitt算子、Roberts算子和Canny边缘检测算法。
本文将对这几种算法进行比较。
1. Sobel算子:Sobel算子是一种常见的边缘检测算法,它通过计算图像像素点与其邻域像素点之间的差异来检测边缘。
Sobel算子具有简单、快速的优点,可以检测水平和垂直方向的边缘,但对于斜向边缘检测效果较差。
2. Prewitt算子:Prewitt算子也是一种常用的边缘检测算法,它类似于Sobel算子,通过计算图像像素点与其邻域像素点之间的差异来检测边缘。
Prewitt算子可以检测水平、垂直和斜向边缘,但对于斜向边缘的检测结果可能不够精确。
3. Roberts算子:Roberts算子是一种简单的边缘检测算法,它通过计算图像像素点与其对角线方向上的邻域像素点之间的差异来检测边缘。
Roberts算子计算简单,但对于噪声敏感,容易产生干扰边缘。
4. Canny边缘检测算法:Canny边缘检测算法是一种经典的边缘检测算法,它包含多个步骤:高斯滤波、计算梯度、非最大抑制和双阈值处理。
Canny算法具有良好的边缘定位能力,并且对于噪声和细节边缘具有较好的抑制效果。
但Canny算法计算复杂度较高,在处理大规模图像时可能较慢。
综上所述,不同的边缘检测算法具有各自的优缺点。
若要选择适合应用的算法,需要综合考虑图像特点、计算复杂度和应用需求等因素。
如果对图像边缘的方向要求不高,可以选择Sobel或Prewitt算子;如果对图像边缘的方向要求较高,可以选择Canny算法。
另外,为了获得更好的边缘检测结果,通常需要进行适当的预处理,如灰度化、滤波和阈值处理等。
最后,对于不同的应用场景,可能需要使用不同的算法或算法组合来满足特定需求。
经典边缘检测算子比较一各种经典边缘检测算子原理简介图像的边缘对人的视觉具有重要的意义,一般而言,当人们看一个有边缘的物体时,首先感觉到的便是边缘。
灰度或结构等信息的突变处称为边缘。
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。
需要指出的是,检测出的边缘并不等同于实际目标的真实边缘。
由于图像数据时二维的,而实际物体是三维的,从三维到二维的投影必然会造成信息的丢失,再加上成像过程中的光照不均和噪声等因素的影响,使得有边缘的地方不一定能被检测出来,而检测出的边缘也不一定代表实际边缘。
图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈。
边缘上的这种变化可以用微分算子检测出来,通常用一阶或两阶导数来检测边缘,如下图所以。
不同的是一阶导数认为最大值对应边缘位置,而二阶导数则以过零点对应边缘位置。
(a )图像灰度变化(b )一阶导数(c )二阶导数基于一阶导数的边缘检测算子包括Roberts 算子、Sobel 算子、Prewitt 算子等,在算法实现过程中,通过22⨯(Roberts 算子)或者33⨯模板作为核与图像中的每个像素点做卷积和运算,然后选取合适的阈值以提取边缘。
拉普拉斯边缘检测算子是基于二阶导数的边缘检测算子,该算子对噪声敏感。
一种改进方式是先对图像进行平滑处理,然后再应用二阶导数的边缘检测算子,其代表是LOG 算子。
前边介绍的边缘检测算子法是基于微分方法的,其依据是图像的边缘对应一阶导数的极大值点和二阶导数的过零点。
Canny 算子是另外一类边缘检测算子,它不是通过微分算子检测边缘,而是在满足一定约束条件下推导出的边缘检测最优化算子。
1 Roberts (罗伯特)边缘检测算子景物的边缘总是以图像中强度的突变形式出现的,所以景物边缘包含着大量的信息。
由于景物的边缘具有十分复杂的形态,因此,最常用的边缘检测方法是所谓的“梯度检测法”。
设(,)f x y 是图像灰度分布函数;(,)s x y 是图像边缘的梯度值;(,)x y ϕ是梯度的方向。
边缘检测的发展历程
边缘检测是计算机视觉领域中重要的图像处理技术之一,其目的是从图像中提取出物体的轮廓信息。
边缘检测技术的发展经历了多个阶段,包括基于阈值的方法、基于梯度的方法以及基于模型的方法。
1. 基于阈值的方法:早期的边缘检测方法是基于阈值的方法,即将图像像素的灰度值与预先定义的阈值进行比较,将灰度值超过阈值的像素点作为边缘点。
然而,这种方法存在的问题是对图像噪声比较敏感,容易产生边缘断裂和边缘模糊等问题。
2. 基于梯度的方法:为了克服基于阈值的方法的问题,研究者们提出了基于梯度的方法,主要是通过计算图像中像素点的梯度值来确定边缘。
常用的基于梯度的方法有Sobel、Prewitt和Canny等算子。
这些算子通过计算图像中像素点的梯度值和方向,确定图像中的边缘点。
基于梯度的方法相对于基于阈值的方法具有更好的性能,能够更准确地提取边缘。
3. 基于模型的方法:随着计算机视觉领域的不断发展,研究者们提出了更加复杂和先进的边缘检测方法,即基于模型的方法。
这些方法基于图像的统计和几何特征,建立了数学模型来描述和检测边缘。
例如,基于马尔可夫随机场的方法和基于小波变换的方法等。
这些方法能够对图像进行更全面、更准确的边缘提取。
总的来说,边缘检测技术的发展经历了从基于阈值的方法到基于梯度的方法,再到基于模型的方法的演变过程。
随着技术的
不断进步和研究的深入,边缘检测算法的准确性和鲁棒性不断提升,为计算机视觉领域的各种应用提供了强大的支持。
边缘检测评价指标python1.边缘检测是图像处理的重要任务之一,评价其效果可以使用多种指标。
2.常用的边缘检测评价指标包括准确率、召回率和F1得分等。
3.准确率是指检测到的边缘像素与真实边缘像素之间的匹配程度。
4.召回率表示检测到的边缘像素在真实边缘像素中的比例。
5. F1得分是综合考虑了准确率和召回率的综合评价指标。
6.除了上述指标,还可以使用平均绝对误差和均方根误差等来评价边缘检测的准确性。
7.此外,常见的视觉评价指标有结构相似性指数(SSIM)、峰值信噪比(PSNR)等。
8.结构相似性指数用于衡量被处理图像与原始图像之间的结构相似性程度。
9.峰值信噪比可以度量边缘检测结果与原始图像之间的信噪比。
10.其他指标如均方误差(MSE)和峰值信号与噪声比(PSNR)也常用于边缘检测的评估。
11.平均绝对误差是边缘检测结果与真实边缘之间的平均差异程度。
12.均方根误差综合考虑了边缘检测结果的偏差和方差,用于评估边缘检测的精度。
13.实际应用中,可以根据具体需求选择最适合的评价指标来评估边缘检测算法的性能。
14.评价指标不仅可以用于比较不同算法的性能,还可以用于优化算法设计。
15.边缘检测的结果评价可以通过与人工标注或其他参考方法进行对比来进行。
16.选择适当的评价指标可以帮助研究者更好地理解和优化边缘检测算法。
17.边缘检测结果的评价还需要考虑数据集的多样性和统计特性。
18.除了定量评价指标,定性评价也是评估边缘检测结果的重要方法。
19.定性评价可以通过可视化展示边缘检测结果的准确性和鲁棒性。
20.评价指标的选择应该考虑边缘检测任务的特点和需求的具体要求。
21.在使用评价指标进行比较时,需要注意不同指标之间的权衡和取舍。
22.综合考虑多个评价指标可以更全面地评估边缘检测算法的性能。
图像处理中的边缘检测方法与性能评估边缘检测是图像处理和计算机视觉领域中的一项重要任务。
它主要用于提取图像中物体和背景之间的边界信息,便于后续的图像分割、目标识别和物体测量等应用。
在图像处理领域,边缘被定义为亮度、颜色或纹理等属性上的不连续性。
为了实现准确且可靠的边缘检测,许多不同的方法和算法被提出并广泛应用。
在本文中,我们将介绍几种常见的边缘检测方法,并对它们的性能进行评估。
1. Roberts 算子Roberts 算子是一种基于差分的边缘检测算法,它通过对图像进行水平和垂直方向的差分运算来检测边缘。
这种算法简单且易于实现,但对噪声比较敏感。
2. Sobel 算子Sobel 算子是一种常用的基于梯度的边缘检测算法。
它通过在图像上进行卷积运算,计算像素点的梯度幅值和方向,从而检测边缘。
Sobel 算子可以有效地消除噪声,并在边缘方向上提供更好的响应。
3. Canny 边缘检测Canny 边缘检测是一种经典的边缘检测算法。
它包括多个步骤,包括高斯滤波、计算梯度幅值和方向、非极大值抑制和双阈值处理。
Canny 边缘检测算法具有较高的准确性和鲁棒性,广泛应用于实际图像处理中。
除了以上提到的方法外,还存在许多其他的边缘检测算法,如拉普拉斯算子、积分图像算法等。
这些算法各有优缺点,选择合适的算法需要根据具体应用情况和要求来确定。
对于边缘检测方法的性能评估,通常使用以下几个指标来衡量:1. 精确度精确度是评估边缘检测算法结果与真实边缘之间的差异的指标。
可以通过计算检测结果与真实边缘的重叠率或者平均绝对误差来评估。
2. 召回率召回率是评估边缘检测算法是否能够正确检测到真实边缘的指标。
可以通过计算检测结果中的边缘与真实边缘的重叠率或者正确检测到的边缘像素数量与真实边缘像素数量的比值来评估。
3. 噪声鲁棒性噪声鲁棒性是评估边缘检测算法对图像噪声的抗干扰能力的指标。
可以通过在含有不同噪声水平的图像上进行测试,并比较检测到的边缘结果与真实边缘的差异来评估。
无人机航拍图像处理中的特征提取与目标检测算法研究一、引言随着无人机技术的迅猛发展,无人机航拍已经成为现代航拍领域的重要手段之一。
无人机航拍图像的处理涉及到诸多领域,其中最为重要的就是特征提取与目标检测算法。
本文将对无人机航拍图像处理中的特征提取与目标检测算法进行研究。
二、特征提取算法特征提取是无人机航拍图像处理中的关键环节,通过提取出图像中的特征信息,可以为后续的目标检测算法提供有效的输入。
常用的特征提取算法包括边缘检测、角点检测和纹理分析等。
1. 边缘检测边缘检测是图像处理中最基础的特征提取方法之一,其原理是通过检测图像中不连续的灰度变化来定位物体的边界。
常用的边缘检测算法包括Sobel算子、Canny算子和Laplacian算子等。
2. 角点检测角点检测是指在图像中寻找具有明显角度的像素点,这些像素点常常代表了物体的特殊结构。
常用的角点检测算法有Harris算法、Shi-Tomasi算法和FAST算法等。
3. 纹理分析纹理分析是指对图像中的纹理信息进行提取和描述的过程。
常用的纹理分析算法包括灰度共生矩阵法、Gabor滤波器法和局部二值模式法等。
三、目标检测算法特征提取完成后,接下来就是对提取出的特征进行目标检测。
目标检测算法可以分为传统方法和深度学习方法两类。
1. 传统方法传统的目标检测方法主要包括基于颜色、形状、纹理和背景建模等的算法。
其中,基于颜色的目标检测常用的算法有HSV模型、区域生长和基于颜色直方图的方法等;基于纹理的目标检测常用的算法有Gabor滤波器和灰度共生矩阵等;而基于形状的目标检测则常使用边缘和轮廓信息。
2. 深度学习方法深度学习方法近年来在目标检测领域取得了明显的进展,主要表现在基于卷积神经网络(CNN)的算法。
这些算法将图像的特征提取和目标检测过程融合在一起,通过对大规模数据集的训练来提高检测的准确性和鲁棒性。
常用的深度学习目标检测算法有Faster R-CNN、YOLO和SSD等。
图像的边缘检测实验报告
《图像的边缘检测实验报告》
图像的边缘检测是计算机视觉领域中的重要技术之一,它可以帮助我们识别图
像中物体的边缘和轮廓,从而实现图像分割、特征提取和目标识别等应用。
在
本次实验中,我们将对几种常用的边缘检测算法进行比较和分析,以评估它们
在不同场景下的性能和适用性。
首先,我们使用了Sobel算子进行边缘检测。
Sobel算子是一种基于梯度的边缘检测方法,它通过对图像进行卷积操作来寻找像素值变化最大的地方,从而找
到图像中的边缘。
实验结果显示,Sobel算子在一些简单场景下表现良好,但
在复杂背景和噪声干扰较大的情况下效果不佳。
接着,我们尝试了Canny边缘检测算法。
Canny算法是一种多阶段的边缘检测
方法,它通过对图像进行高斯滤波、计算梯度、非极大值抑制和双阈值处理等
步骤来检测图像中的边缘。
实验结果显示,Canny算法在复杂场景下表现出色,能够有效地抑制噪声并找到图像中的真实边缘。
最后,我们还尝试了Laplacian算子和Prewitt算子等其他边缘检测算法,并对
它们的性能进行了比较和分析。
实验结果显示,不同的边缘检测算法在不同场
景下表现出各自的优势和劣势,需要根据具体的应用需求来选择合适的算法。
总的来说,本次实验对图像的边缘检测算法进行了全面的比较和分析,为我们
进一步深入理解和应用这些算法提供了重要的参考和指导。
希望通过这些实验
结果,我们能够更好地利用边缘检测技术来解决实际的图像处理问题,为计算
机视觉领域的发展做出更大的贡献。
建筑物轮廓边缘检测方法对比分析张宏伟;赵宝强;陈小卫【摘要】遥感影像中建筑物的提取一直以来都是研究的一个难点问题,而建筑物轮廓边缘的检测是建筑物准确提取的基础.本文对Edison算子、OFMM亚像素边缘检测方法和利用极值梯度的通用亚像素边缘检测方法进行了分析与实验,结果表明Edison算子在弱边缘的检测以及检测结果的连续性上要优于另外两种方法.【期刊名称】《影像技术》【年(卷),期】2017(029)005【总页数】3页(P76-78)【关键词】遥感影像;建筑物;边缘检测;分割【作者】张宏伟;赵宝强;陈小卫【作者单位】信息工程大学,郑州 450001;空军航空大学,长春 130022;61363部队,西安 710000;信息工程大学,郑州 450001【正文语种】中文【中图分类】P237影像的边缘检测是计算机视觉和数字图像处理中很重要的处理环节[1],它对于图像分割[2]、纹理特征提取[3]、形状特征提取[4]和图像识别[5]等方面起着重要的作用。
在建筑物提取时,通过选择合适的边缘检测方法,可以对影像中的建筑物边缘的进行可靠准确的检测,这对于建筑物的有效提取具有重要的意义。
因此,本文首先对Edison算子、OFMM亚像素边缘检测方法和利用极值梯度的通用亚像素边缘检测方法进行了简要介绍,利用这三种方法对影像中的建筑物边缘进行检测,并对检测结果进行对比分析。
Edison算子是Canny算子[7]的一种性能较优异的改进算法,在利用梯度大小的基础上,将梯度的相位信息引入方法中加以利用,进一步提高了算法对弱边缘的检测能力和抗噪能力。
Edison算子在引入梯度相位信息时,首先根据相位确定标准的边缘模板,然后将归一化的灰度矢量与边缘模板中数据矢量相关系数作为边缘的置信度,最后在二维参数平面中对边缘强度和边缘置信度进行磁滞阈值处理以得到边缘特征。
在极坐标系(r,θ)中,对于影像f(r,θ)的n阶m次OFMM定义为:由于OFMM的大小具有旋转不变性,因此图像在旋转角度前后的矩有如下关系:。
各类边缘检测算子的比较
摘要:边缘检测是图像处理和计算机视觉中的基本问题,其目的标识数字图像中亮度变化明显的点。
图像边缘检测大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。
有许多方法用于边缘检测,它们的绝大部分可以划分为两类:基于搜索和基于零交叉。
基于搜索的边缘检测算子有:Roberts算子,Prewitt算子,Sobel算子,Canny算子,罗盘算子。
基于零交叉的边缘检测算子有Marr-Hildreth边缘检测器。
本篇论文分析了各种检测算子的特点,并对各种边缘检测算法的检测结果进行了比较。
关键词:边缘检测;图像处理;算子
0 引言
图像边缘是图像的重要特征,是计算机视觉、模式识别等的基础,因此边缘检测是图像处理中一个重要的环节。
然而,图像边缘受很多因素的影响。
这些包括(i)深度上不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化。
目前,常用的边缘检测算法没有哪一种具有绝对的优越性。
因此,对各种边缘检测算子的性能进行比较分析,根据图像边缘的特征选择比较合理的边缘检测显得尤为重要。
1 基于搜索的边缘检测算子
基于搜索的边缘检测方法首先计算边缘强度,通常用一阶导数表示,例如梯度模;然后,用计算估计边缘的局部方向,通常采用梯度的方向,并利用此方向找到局部梯度模的最大值。
1.1 Roberts算子
Roberts算子【1】是一种利用局部差分算子寻找边缘的算子,它由下式给
出 :
g ( x , y) = [ f ( x , y) - f ( x + 1 , y + 1) ]2 +[ f ( x + 1 , y) - f ( x , y + 1) ]2(1)
其中 f ( x , y ) 、 f ( x + 1 , y ) 、 f ( x , y + 1) 和 f ( x + 1 , y + 1) 分别为 4领域的坐标,且是具有整数像素坐标的输入图像。
Roberts算子是2X 2 算子模板。
图1所示的2个卷积核形成了Roberts算
子。
图像中的每一个点都用这2个核做卷积。
图1 Roberts算子
1.2 Prewitt算子
Prewitt 算子由下式给出:
SP = ( dx2 + dy2) 1/2 (2)
Prewitt 算子是 3 ×3 算子模板。
图 3 所示的2个卷积dx 、dy形成了Prewitt 算子。
与 Sobel 算子的方法一样 ,图象中的每个点都用这 2 个核进行卷积,取最大值作为输出值。
Prewitt 【2】算子也产生1 幅边缘幅度图象。
图2 Prewitt算子
1.3 Sobel算子
Sobel 【3】算子是一种一阶微分算子,它利用像素邻近区域的梯度值来计算1个像素的梯度,然后根据一定的阈值来取舍。
它由下式给出:
S = ( dx2 + dy2) 1/2 (3)
Sobel算子是3×3 算子模板。
图 2 所示的 2个卷积核dx、dy形成Sobel 算子。
一个核对通常的垂直边缘响应最大,而另一个核对水平边缘响应最大。
2个卷积的最大值作为该点的输出值。
运算结果是1 幅边缘幅度图象。
1 2 1
0 0 0
-1 -2 -1
图3 Sobel算子
1.4 Canny算子
Canny 【4】边缘检测算子是近年来在数字图像处理中广泛应用的边缘算子,它是应用变分原理推导出的一种用高斯模块导数逼近的最优算子。
通过 Canny 算子的应用,可以计算出数字图像的边缘强度和边缘梯度方向,为后续边缘点判断提供依据。
公式:Gn = n?G(4)
式中
n 就是边缘方向,?G是梯度矢量,而边缘强度由 |?G * f (x, y)| 决定。
在 Canny 算子计算实现过程中,为了提高速度,同样可以采用分解的方法,把?G 的滤波模块分解为二个一维的行列滤波器。
即
(5)
(6)
将(4)(5)分别与图像 f (i,j)卷积,得到:
(7)
(8)
式中 A(i, j) 反映了图像上(i, j) 点处的边缘强度,α(i, j) 是图像(i, j) 点处的法向方向(正交于边缘方向)。
当一个像素满足以下 3 个条件时,则认为是图像的边缘点:
(1) 该点的边缘强度大于沿该点梯度方向的两个相邻像素点的边缘强度;
(2) 与该点梯度方向上相邻两点的方向差小于 0 45 ;
(3) 以该点为中心的 3x3 领域中的边缘强度极大值小于某个阈值;
条件(1)(2)的作用是将在梯度方向上的两个相邻像素从候选边缘点中剔除,条件(3)的作用是消除虚假的边缘点。
2 基于零交叉的边缘检测算子
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘.
2.1Marr-Hildreth 边缘检测算子
Marr-Hildreth 边缘检测算子是将高斯算子和拉普拉斯算子结合在一起而形
成的一种新的边缘检测算子,先用高斯算子对图像进行平滑,然后采用拉普拉斯算子根据二阶微分过零点来检测图像边缘,因此该算子也可称为 LOG(Laplacian of Gaussian)算子。
(9)
式中,G(x, y,σ ) 为高斯函数, x, y 为图像的横坐标和纵坐标。
在数字图像中实现图像与模块卷积运算时,运算速度与选取的模块大小有直
接关系,模块越大,检测效果越明显,速度越慢,反之则效果差一点,但速度提高很多。
因此在不同的条件下应选取不同大小的模块。
在实际计算过程中,还可以通过分解的方法提高运算速度,即把二维滤波器分解为独立的行、列滤波器 [2]。
常用 5x5 模块的 Marr-Hildreth 算子为
-2 -4 -4 -4 -2
-4 0 8 0 -4
-4 8 24 8 -4
-4 0 8 0 -4
-2 -4 -4 -4 -2 图4 Marr-Hildreth算子
2 几种算子的比较
在数字图像处理中,衡量边缘检测好坏的标准有:运算速度、边缘定位能力以及噪声抑制能力。
首先,运算速度方面,对于一个N*N的图像,其运算量如下:
表1 各种算子运算量对比
由表1知,Canny算子和Marr-Hildren算子的运算量都比较大。
对于边缘定位能力和噪声抑制能力是相互矛盾的,不可兼得。
下面是各种算子的此类特点:
(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,同时由于没经过图像平滑计算,因此不能抑制噪声。
该算子对具有陡峭的低噪声图像响应最好。
(2) Sobel 算子和 Prewitt 算子:都是对图像进行差分和滤波运算,差别只是平滑部分的权值有些差异,因此对噪声具有一定的抑制能力,但不能完全排除检测结果中出现伪边缘。
同时这 2 个算子边缘定位比较准确和完整,但容易出现边缘多像素宽。
该类算子对灰度渐变和具有噪声的图像处理的较好。
(3) Canny 算子:该算子同样采用高斯函数对图像作平滑处理,因此具有较强的去噪能力,但同样存在容易平滑掉一些边缘信息。
同时其后所采用的一阶微分算子的方向性较 M-H 算子要好,因此边缘定位准确性较高。
通过实验结果可以看出,该算子是传统边缘检测算子中效果较好的算子之一。
(4) Marr-Hildreth 算子:该算子首先通过高斯函数对图像作平滑处理,因此对噪声的抑制作用比较明显,但同时也可能将原有的边缘也平滑了,造成某些边缘无法检测到。
此外高斯函数中方差参数σ 的选择,对图像边缘检测效果有很大的影响。
σ 越大,检测到的图像细节越丰富,但对噪声抑制能力相对下降,易出现伪边缘;反之,则抗噪声性能提高,但边缘定位准确性下降,易丢失许多真边缘,因此,对于不同图像应选择不同参数。
参考文献:
【1】《数字图像中边缘算法的实验研究》[J].微计算机信息,2004(5).
【2】冈萨雷斯.数字图像处理.第三版.电子工业出版社,2011.
【3】刑军.基于Sobel算子数字图像的边缘检测[J].微机发
展,2015,15(9):48-52.
【4】林卉,赵长胜,舒宁.基于 Canny算子的边缘检测及评价[J].黑龙江工程学院学报,2003,17(2):3-6.
继续阅读。