当前位置：文档之家 › 第7章 边沿检测与提取,轮廓跟踪

第7章 边沿检测与提取,轮廓跟踪

  • 格式：doc
  • 大小：227.00 KB
  • 文档页数：20

第7章 边沿检测与提取，轮廓跟踪 我们在第三章介绍平滑与锐化时引入了模板操作，今天还要用到它。 7.1 边沿检测

我们给出一个模板 和一幅图象 。不难发现原图中左边暗，右边亮，中间存在着一条明显的边界。进行模板操作后的结果如下：

。 可以看出，第3、4列比其他列的灰度值高很多，人眼观察时，就能发现一条很明显的亮边，其它区域都很暗，这样就起到了边沿检测的作用。 为什么会这样呢？仔细看看那个模板就明白了，它的意思是将右邻点的灰度值减左邻点的灰度值作为该点的灰度值。在灰度相近的区域内，这么做的结果使得该点的灰度值接近于0；而在边界附近，灰度值有明显的跳变，这么做的结果使得该点的灰度值很大，这样就出现了上面的结果。 这种模板就是一种边沿检测器，它在数学上的涵义是一种基于梯度的滤波器，又称边沿算子，你没有必要知道梯度的确切涵义，只要有这个概念就可以了。梯度是有方向的，和边沿的方向总是正交(垂直)的，例如，对于上面那幅图象的转置图象，边是水平方向的，我们可以用

梯度是垂直方向的模板 检测它的边沿。 例如，一个梯度为45度方向模板 ，可以检测出135度方向的边沿。 1. Sobel算子 在边沿检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边沿的 ；另一个是检测垂直平边沿的 。与 和 相比，Sobel算子对于象素的位置的影响做了加权，因此效果更好。 Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边

沿的 ，另一个是检测垂直平边沿的 。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。 下面的几幅图中，图7.1为原图；图7.2为普通Sobel算子处理后的结果图；图7.3为各向同性Sobel算子处理后的结果图。可以看出Sobel算子确实把图象中的边沿提取了出来。

图7.1 原图 图7.2 普通Sobel算子处理后的结果图 图7.3 各向同性Sobel算子处理后的结果图 在程序中仍然要用到第3章介绍的通用3×3模板操作函数TemplateOperation，所做的操作只是增加几个常量标识及其对应的模板数组，这里就不再给出了。 2. 高斯拉普拉斯算子 由于噪声点(灰度与周围点相差很大的点)对边沿检测有一定的影响，所以效果更好的边沿检测器是高斯拉普拉斯(LOG)算子。它把我们在第3章中介绍的高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来，先平滑掉噪声，再进行边沿检测，所以效果会更好。

常用的LOG算子是5×5的模板，如下所示 。到中心点的距离与位置加权系数的关系用曲线表示为图7.4。是不是很象一顶墨西哥草帽？所以，LOG又叫墨西哥草帽滤波器。

图7.4 LOG到中心点的距离与位置加权系数的关系曲线 图7.5为图7.1用LOG滤波器处理后的结果。 图7.5 图7.1用LOG滤波器处理后的结果图 LOG的算法和普通模板操作的算法没什么不同，只不过把3×3改成了5×5，这里就不再给出了。读者可以参照第3章的源程序自己来完成。

7.2 Hough变换

Hough变换用来在图象中查找直线。它的原理很简单：假设有一条与原点距离为s，方向角为θ的一条直线，如图7.6所示。

图7.6 一条与原点距离为s，方向角为θ的一条直线 直线上的每一点都满足方程

(7.1) 利用这个事实，我们可以找出某条直线来。下面将给出一段程序，用来找出图象中最长的直线(见图7.7)。找到直线的两个端点，在它们之间连一条红色的直线。为了看清效果，将结果描成粗线，如图7.8所示。 图7.7 原图 图7.8 Hough变换的结果 可以看出，找到的确实是最长的直线。方法是，开一个二维数组做为计数器，第一维是角度，

第二维是距离。先计算可能出现的最大距离为 ，用来确定数组第二维的大小。对于每一个黑色点，角度的变化范围从00到1780(为了减少存储空间和计算时间，角度每次增加20而不是10)，按方程(7.1)求出对应的距离s来，相应的数组元素[s][ ]加1。同时开一个数组Line，计算每条直线的上下两个端点。所有的象素都算完后，找到数组元素中最大的，就是最长的那条直线。直线的端点可以在Line中找到。要注意的是，我们处理的虽然是二值图，但实际上是256级灰度图，不过只用到了0和255两种颜色。 BOOL Hough(HWND hWnd) { //定义一个自己的直线结构 typedef struct{ int topx; //最高点的x坐标 int topy; //最高点的y坐标 int botx; //最低点的x坐标 int boty; //最低点的y坐标 }MYLINE; DWORD OffBits,BufSize; LPBITMAPINFOHEADER lpImgData; LPSTR lpPtr; HDC hDc; LONG x,y; long i,maxd; int k; int Dist,Alpha; HGLOBAL hDistAlpha,hMyLine; Int *lpDistAlpha; MYLINE *lpMyLine,*TempLine,MaxdLine; static LOGPEN rlp={PS_SOLID,1,1,RGB(255,0,0)}; HPEN rhp; //我们处理的实际上是256级灰度图，不过只用到了0和255两种颜色。 if( NumColors!=256){ MessageBox(hWnd,"Must be a mono bitmap with grayscale palette!", "Error Message",MB_OK|MB_ICONEXCLAMATION); return FALSE; } //计算最大距离 Dist=(int)(sqrt((double)bi.biWidth*bi.biWidth+ (double)bi.biHeight*bi.biHeight)+0.5); Alpha=180 /2 ; //0 到 to 178 度，步长为2度 //为距离角度数组分配内存 if((hDistAlpha=GlobalAlloc(GHND,(DWORD)Dist*Alpha* sizeof(int)))==NULL){ MessageBox(hWnd,"Error alloc memory!","Error Message", MB_OK|MB_ICONEXCLAMATION); return FALSE; } //为记录直线端点的数组分配内存 if((hMyLine=GlobalAlloc(GHND,(DWORD)Dist*Alpha* sizeof(MYLINE)))==NULL){ GlobalFree(hDistAlpha); return FALSE; } OffBits=bf.bfOffBits-sizeof(BITMAPFILEHEADER); //BufSize为缓冲区大小 BufSize=OffBits+bi.biHeight*LineBytes; lpImgData=(LPBITMAPINFOHEADER)GlobalLock(hImgData); lpDistAlpha=(int *)GlobalLock(hDistAlpha); lpMyLine=(MYLINE *)GlobalLock(hMyLine); for (i=0;i<(long)Dist*Alpha;i++){ TempLine=(MYLINE*)(lpMyLine+i); (*TempLine).boty=32767; //初始化最低点的y坐标为一个很大的值 } for (y=0;y //lpPtr指向位图数据 lpPtr=(char *)lpImgData+(BufSize-LineBytes-y*LineBytes); for (x=0;x if(*(lpPtr++)==0) //是个黑点 for (k=0;k<180;k+=2){ //计算距离i i=(long)fabs((x*cos(k*PI/180.0)+y*sin(k*PI/180.0))); //相应的数组元素加1 *(lpDistAlpha+i*Alpha+k/2)=*(lpDistAlpha+i*Alpha+k/2)+1; TempLine=(MYLINE*)(lpMyLine+i*Alpha+k/2); if(y> (*TempLine).topy){ //记录该直线最高点的x,y坐标 (*TempLine).topx=x; (*TempLine).topy=y; } if(y< (*TempLine).boty){ //记录该直线最低点的x,y坐标 (*TempLine).botx=x; (*TempLine).boty=y; } } } maxd=0; for (i=0;i<(long)Dist*Alpha;i++){ TempLine=(MYLINE*)(lpMyLine+i); k=*(lpDistAlpha+i); if(k > maxd){ //找到数组元素中最大的，及相应的直线端点 maxd=k; MaxdLine.topx=(*TempLine).topx; MaxdLine.topy=(*TempLine).topy; MaxdLine.botx=(*TempLine).botx; MaxdLine.boty=(*TempLine).boty; } } hDc = GetDC(hWnd); rhp = CreatePenIndirect(&rlp); SelectObject(hDc,rhp); MoveToEx(hDc,MaxdLine.botx,MaxdLine.boty,NULL);

合集下载

基于轮廓跟踪的目标跟踪技术研究

基于轮廓跟踪的目标跟踪技术研究

基于轮廓跟踪的目标跟踪技术研究随着计算机技术的发展，目标跟踪技术越来越成为热门的研究方向。

在这个领域，基于轮廓跟踪的技术成为一种比较常见的方法，它通过提取目标的轮廓信息，对目标进行准确地跟踪，能够应用于很多领域，例如视频监控、交通管理等。

在传统的目标跟踪技术中，常用的方法是基于卡尔曼滤波和蒙特卡罗方法，这两种方法都能够很好地解决目标跟踪中的鲁棒性问题，但是它们都需要一个准确的目标模型，而这个模型往往需要在跟踪过程中进行不断的更新和校正，这就需要一定的计算资源和时间。

而基于轮廓跟踪的方法，可以避免这些问题，并且更为直观地表现出目标的轮廓信息，因此受到越来越多人的关注。

基于轮廓跟踪的目标跟踪技术是通过自适应地跟踪目标的边缘或轮廓信息来实现的。

这个方法要求图像或者视频中的目标必须有清晰的边缘信息以及相对明显的颜色或亮度不同。

它主要是通过处理前后两帧之间的轮廓变化来跟踪目标的位置、大小和姿态信息。

在这个方法中，跟踪器首先利用边缘检测算法提取目标的边缘信息，然后使用形态学处理方法和轮廓追踪算法获得目标的轮廓信息，并由此完成目标的跟踪。

这个方法的优势在于不需要先验的目标模型，因此可以很好地处理目标外观的变化、姿态的变化以及目标的部分遮挡问题。

同时也能够通过更加准确的目标轮廓信息提高跟踪的精度。

然而，基于轮廓跟踪的方法也存在一些不足。

首先，该方法对于目标的纹理信息敏感度较高，因此在目标的纹理比较单一、颜色变化不大的情况下可能会出现跟踪失败的问题。

其次，在目标运动速度过快或者目标在图像中出现突然大幅移动的情况下，该方法的跟踪效果也会受到一定的影响。

此外，该方法会受到光照变化、阴影等因素的干扰，影响跟踪的效果。

为了解决上述问题，目前研究者们正在开展一系列工作。

其中之一就是利用深度学习的方法对目标跟踪进行改进。

深度学习模型可以自动地从大量的数据中学习目标的特征，从而提高跟踪的准确性和稳定性。

另外，研究者们也在探索对基于轮廓跟踪的方法的改进，例如引入上下文信息、结合其他跟踪算法等。

数字图像轮廓提取方法

数字图像轮廓提取方法

数字图像轮廓提取方法数字图像轮廓提取是计算机视觉和图像处理领域中的一个重要任务，它在图像分析、形状识别和目标检测等方面有广泛的应用。

本文将介绍几种常用的数字图像轮廓提取方法，并对它们的优缺点进行讨论。

一、边缘检测边缘检测是最常用的数字图像轮廓提取方法之一。

它通过分析图像中像素灰度值的变化来确定物体的边缘。

常用的边缘检测算法包括Sobel算子、Prewitt算子和Canny算子等。

1. Sobel算子Sobel算子是一种基于梯度的算法。

它通过对图像进行卷积操作来计算图像在水平和垂直方向上的梯度值，然后将两个梯度值平方和开方得到最终的边缘强度。

Sobel算子简单易实现，对噪声具有一定的抑制作用，但边缘提取结果可能比较粗糙。

2. Prewitt算子Prewitt算子也是一种基于梯度的算法，它与Sobel算子类似，但使用了不同的卷积核。

Prewitt算子对噪声的抑制能力较差，但边缘提取结果较为精细。

3. Canny算子Canny算子是一种基于多阶段处理的算法，它首先对图像进行高斯滤波以平滑图像，然后计算图像梯度，接着使用非极大值抑制方法提取边缘，最后通过双阈值处理来连接边缘。

Canny算子精度较高，能够有效地提取细节边缘，但对参数设置要求较高。

二、形态学轮廓形态学轮廓是基于数学形态学原理的一种轮廓提取方法。

它利用图像形态学的操作，如腐蚀和膨胀，来提取图像中的物体轮廓。

形态学轮廓通常应用于二值图像，先对图像进行二值化处理，然后利用形态学操作来提取轮廓。

1. 腐蚀腐蚀是形态学中常用的操作之一，它通过将图像中的物体边缘向内缩小，同时抑制噪声和细小的边缘分支。

腐蚀操作可以得到物体的骨架轮廓。

2. 膨胀膨胀是形态学中的另一种操作，它通过将图像中的物体边缘向外扩张，填充物体间的空隙，从而使轮廓更加完整。

膨胀操作可以得到物体的外轮廓。

形态学轮廓方法简单易懂，对噪声具有一定的抑制作用，但提取结果可能比较粗糙，且对图像中物体的尺寸和形状敏感。

图像识别中的轮廓提取算法探索(二)

图像识别中的轮廓提取算法探索(二)

图像识别中的轮廓提取算法探索随着计算机视觉技术的快速发展，图像识别成为了一个备受研究关注的领域。

在图像识别过程中，轮廓提取算法起到了至关重要的作用。

本文将从不同方法的角度，探索图像识别中的轮廓提取算法。

一、边缘检测算法边缘检测是图像处理中一项重要的技术，旨在从图像中提取出物体的轮廓信息。

最常用的边缘检测算法包括Canny算子、Sobel算子和Laplacian算子。

这些算法基于图像的亮度变化来进行边缘的检测，可以有效地提取轮廓信息。

Canny算子在边缘检测方面表现出色。

它利用了图像的梯度信息，并通过非最大抑制和双阈值处理来提取出准确的边缘。

Sobel算子是一种简单而常用的边缘检测算子。

它利用图像的亮度变化率来检测边缘，然后通过梯度幅值的阈值来确定是否为边缘点。

Laplacian算子则是一种二阶微分算子，通过求取图像亮度的二阶导数来检测边缘。

这种算法对于噪声的鲁棒性较强，能够提取到更为细致的边缘。

二、基于模型的轮廓提取算法基于模型的轮廓提取算法是通过对图像的区域进行建模来提取轮廓信息。

这类算法包括活动轮廓模型和分水岭算法。

活动轮廓模型是一种基于能量泛函的方法，它通过最小化能量函数，使得轮廓向物体的边缘收缩。

这类算法在复杂背景下能够准确地提取出物体的轮廓。

分水岭算法则是一种经典的图像分割算法，通过将图像看作地形地貌，以像素的灰度值作为高度的参考，实现对图像的分割。

这种算法适用于多物体的分割，但对于重叠的物体分割效果较差。

三、深度学习在轮廓提取中的应用近年来，深度学习技术在图像识别领域取得了巨大的突破。

通过训练大规模的神经网络，可以实现对图像中物体轮廓的准确提取。

深度学习模型中最常用的是卷积神经网络（CNN）。

CNN通过学习具有不同卷积核的特征提取器，能够从图像中提取出具有鲁棒性的特征。

这些特征可以用于提取轮廓信息，并辅助进行图像识别。

同时，生成对抗网络（GAN）也被用于图像的轮廓提取。

GAN通过同时训练一个生成器和一个判别器，使得生成器能够生成逼真的图像，而判别器能够准确区分真实图像和生成图像。

北理工贾云德《计算机视觉》chapter06边缘检测

北理工贾云德《计算机视觉》chapter06边缘检测

第六章边缘检测边缘(edge)是指图像局部强度变化最显著的部分．边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础．图像分析和理解的第一步常常是边缘检测(edge detection)．由于边缘检测十分重要，因此成为机器视觉研究领域最活跃的课题之一．本章主要讨论边缘检测和定位的基本概念，并使用几种常用的边缘检测器来说明边缘检测的基本问题．图像中的边缘通常与图像强度或图像强度的一阶导数的不连续性有关．图像强度的不连续可分为：(1) 阶跃不连续，即图像强度在不连续处的两边的像素灰度值有着显著的差异；(2) 线条不连续，即图像强度突然从一个值变化到另一个值，保持一个较小的行程后又返回到原来的值．在实际中，阶跃和线条边缘图像是很少见的，由于大多数传感元件具有低频特性，使得阶跃边缘变成斜坡型边缘，线条边缘变成屋顶形边缘，其中的强度变化不是瞬间的，而是跨越一定的距离，这些边缘如图6．1所示．（a）(b)图6．1 两种常见的边缘，(a) 阶跃函数，(b) 线条函数．其中第一排为理想信号，第二排对应实际信号对一个边缘来说，有可能同时具有阶跃和线条边缘特性．例如在一个表面上，由一个平面变化到法线方向不同的另一个平面就会产生阶跃边缘；如果这一表面具有镜面反射特性且两平面形成的棱角比较圆滑，则当棱角圆滑表面的法线经过镜面反射角时，由于镜面反射分量，在棱角圆滑表面上会产生明亮光条，这样的边缘看起来象在阶跃边缘上叠加了一个线条边缘．由于边缘可能与场景中物体的重要特征对应，所以它是很重要的图像特征。

比如，一个物体的轮廓通常产生阶跃边缘，因为物体的图像强度不同于背景的图像强度．在讨论边缘算子之前，首先给出一些术语的定义：边缘点：图像中具有坐标],[j i 且处在强度显著变化的位置上的点．边缘段：对应于边缘点坐标],[j i 及其方位θ，边缘的方位可能是梯度角．边缘检测器：从图像中抽取边缘(边缘点和边缘段)集合的算法．轮廓：边缘列表，或是一条表示边缘列表的拟合曲线．边缘连接：从无序边缘表形成有序边缘表的过程．习惯上边缘的表示采用顺时针方向来排序．边缘跟踪：一个用来确定轮廊的图像（指滤波后的图像）搜索过程．边缘点的坐标可以是边缘位置像素点的行、列整数标号，也可以在子像素分辨率水平上表示．边缘坐标可以在原始图像坐标系上表示，但大多数情况下是在边缘检测滤波器的输出图像的坐标系上表示，因为滤波过程可能导致图像坐标平移或缩放．边缘段可以用像素点尺寸大小的小线段定义，或用具有方位属性的一个点定义．请注意，在实际中，边缘点和边缘段都被称为边缘．由边缘检测器生成的边缘集可以分成两个子集：真边缘集和假边缘集．真边缘集对应场景中的边缘，假边缘集不是场景中的边缘．还有一个边缘子集，即场景中漏检的边缘集．假边缘集称之为假阳性（false Positive ），而漏掉的边缘集则称之为假阴性（false Negative ）． 边缘连接和边缘跟踪之间的区别在于：边缘连接是把边缘检测器产生的无序边缘集作为输入，输出一个有序边缘集；边缘跟踪则是将一幅图像作为输入，输出一个有序边缘集．另外，边缘检测使用局部信息来决定边缘，而边缘跟踪使用整个图像信息来决定一个像素点是不是边缘．6.1 梯度边缘检测是检测图像局部显著变化的最基本运算．在一维情况下，阶跃边缘同图像的一阶导数局部峰值有关．梯度是函数变化的一种度量，而一幅图像可以看作是图像强度连续函数的取样点阵列．因此，同一维情况类似，图像灰度值的显著变化可用梯度的离散逼近函数来检测．梯度是一阶导数的二维等效式，定义为向量⎥⎥⎦⎤⎢⎢⎣⎡=⎥⎦⎤⎢⎣⎡=f x f y x G G y x G ∂∂∂),((6．1)有两个重要的性质与梯度有关：(1) 向量),(y x G 的方向就是函数),(y x f 增大时的最大变化率方向；(2) 梯度的幅值由下式给出：22|),(|y x G G y x G += (6．2)在实际应用中，通常用绝对值来近似梯度幅值：y x G G y x G +=|),(| (6．3)或),max(|),(|y x G G y x G ≈ (6．4)由向量分析可知，梯度的方向定义为)/arctan(),(x y G G y x a = (6．5)其中α角是相对x 轴的角度．注意梯度的幅值实际上与边缘的方向无关，这样的算子称为各向同性算子(isotropic operators)．对于数字图像，方程6．1的导数可用差分来近似．最简单的梯度近似表达式为],1[],[],[]1,[j i f j i f G j i f j i f G y x +-=-+= (6．6)请注意j 对应于x 轴方向，而i 对应于负y 轴方向．这些计算可用下面的简单卷积模板来完成 11-=x G 11-=y G (6．7) 在计算梯度时，计算空间同一位置x 和y 处的真实偏导数是至关重要的．然而采用上面公式计算的梯度近似值x G 和y G 并不位于同一位置，x G 实际上是内插点 [,/]i j +12处的梯度近似值，y G 是内插点],2/1[j i +处的梯度近似值．由于这个缘故，人们常常使用22⨯一阶差分模板（而不用21⨯或 12⨯模板）来求x 和y 的偏导数：1111--=x G 1111--=y G (6．8) 用上式计算x 和y 方向梯度的位置是相同的，这一点位于内插点]2/1,2/1[++j i 处，即在22⨯邻域的所有四个像素点之间．不过这种计算可能会导致一些混淆，所以，通常用33⨯邻域计算梯度值．这一方法将在下一节讨论．6．2 边缘检测算法边缘检测算法有如下四个步骤：滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能．需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折衷．增强：增强边缘的基础是确定图像各点邻域强度的变化值．增强算法可以将邻域（或局部）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：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点．最简单的边缘检测判据是梯度幅值阈值判据．定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来．在边缘检测算法中，前三个步骤用得十分普遍。