边缘检测

一、什么是图像梯度： 图像的梯度就是描述图像中灰度的变化，微积分就是求函数的变化率，即导数（梯度）。图像的梯度相当于2个相邻像素之间的差值。 图像梯度可以把图像看成二维离散函数，图像梯度其实就是这个二维离散函数的求导： 在x方向，选取某个像素，假设其像素值是100，沿x方向的相邻像素分别是90,90,90，则根据上面的计算其x方向梯度分别是10,0,0。这里只取变化率的绝对值，表明变化的大小即可。 灰度值100和90之间亮度相差10，并不是很明显，与一大群90的连续灰度值在一起，轮廓必然是模糊的。我们注意到，如果相邻像素灰度值有变化，那么梯度就有值，如果相邻像素灰度值没有变化，那么梯度就为0。如果我们把梯度值与对应的像素相加，那么灰度值没有变化的，像素值不变，而有梯度值的，灰度值变大了，那么图像的边缘更加明显。 二、OpenCV中的图像梯度应用（检测边缘）： OpenCV提供三种类型的梯度滤波器或高通滤波器，Sobel，Scharr和Laplacian. 高通滤波器（英语：High-pass filter）是容许高频信号通过、但减弱（或减少）频率低于截止频率信号通过的滤波器。对于不同滤波器而言，每个频率的信号的减弱程度不同。它有时被称为低频剪切滤波器； 1、Sober 算子 Sober 算子是离散微分算子（discrete differentiation operator）

里面有特征提取和边缘检测 MATLAB and Octave Functions for Computer Vision and Image Processing https://www.peterkovesi.com/matlabfns/index.html#phasecong 来源： CSDN 作者： qq_36347707 链接： https://blog.csdn.net/qq_36347707/article/details/103639589

PixelNet: Representation of the pixels, by the pixels, and for the pixels. 图1.我们的框架通过对架构（最后一层）和训练过程（历元）的微小修改，将其应用于三个不同的像素预测问题。 请注意，我们的方法为分割（左），表面法线估计（中）和边缘检测（右）的语义边界恢复精细的细节。 Abstract 我们探索了一般像素级预测问题的设计原理，从低级边缘检测到中级表面法线估计到高级语义分割。诸如全卷积网络（FCN）之类的卷积预测因子通过通过卷积处理利用相邻像素的空间冗余而获得了非凡的成功。尽管计算效率高，但我们指出，由于 空间冗余限制了从相邻像素学习的信息 ，因此这些方法在学习过程中在统计上并不是有效的。 我们证明了像素的分层采样可以使（1）在批量更新过程中增加多样性，从而加快学习速度； （2）探索复杂的非线性预测因子，提高准确性； （3）有效地训练最先进的模型tabula rasa（即“从头开始”）以完成各种像素标记任务。 我们的单一体系结构可为PASCAL-Context数据集上的语义分割，NYUDv2深度数据集上的表面法线估计以及BSDS上的边缘检测提供最新结果。 1.Introduction 许多计算机视觉问题可以表述为密集的逐像素预测问题。 其中包括边缘检测[21、64、94]和光流[5、30、86]等低级任务

1、[数字图像处理]模糊算法用于图像增强 - zhoufan的专栏 https://blog.csdn.net/zhoufan900428/article/details/13502329 2、论文：模糊理论及其在图像处理中的应用 3、模糊理论用于边缘提取 《改进的模糊推理规则图像边缘检测算法 Improved image edge detection algorithm based on fuzzy inference rules》 模糊推理规则边缘检测算法具有较强的边缘检测能力，并且具备一定的抗噪效果。但是，这种算法只在高斯噪声较小时有效，当高斯噪声较大时它的边缘检测效果甚至比Canny等算子的效果还差。针对模糊推理规则算法在强高斯噪声时效果较差的问题，提出一种改进的模糊边缘检测算法。该算法能够根据图像含噪情况调整边缘检测方案：当噪声较弱时，使用模糊推理规则边缘检测算法；当噪声较强时，为提高算法抑制噪声的能力，使用改进的模糊推理规则边缘检测算法。实验结果表明，该方法具有更好的抗噪性能和边缘检测能力。 《模糊理论改进算法的CT图像弱边缘检测 Weak edge detection of CT image based on improved algorithm of fuzzy theory》 来源： https://www.cnblogs.com/wxl845235800/p

一、阈值分割： 分为：全局阈值、局部阈值、直方图自动阈值（自适应阈值）。 适用于：背景与目标占据不同的灰度级范围的图像。 二、边缘检测： 由于边缘和噪声都是灰度不连续的点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。因此，用微分算子检测边缘前要对图像进行平滑滤波。 三、示例 - 原图： halcon边缘提取代码： read_image (Image, 'D:/mywindows/canny.jpg') median_image (Image, ImageMedian, 'circle', 3, 'mirrored') edges_sub_pix (ImageMedian, Edges, 'canny', 1, 20, 40) gen_region_contour_xld (Edges, Region, 'filled') edges_sub_pix (ImageMedian, Edges, 'canny', 1, 5, 40) gen_region_contour_xld (Edges, Region, 'filled') median_image (Image, ImageMedian, 'circle', 5, 'mirrored') edges_sub_pix (ImageMedian, Edges, 'canny', 1, 5, 40) gen_region

物体检测(识别)是计算机视觉中的经典问题之一，其任务是用框去标出图像中物体的位置，并给出物体的类别。从传统的人工设计特征加浅层分类器的框架，到基于深度学习的端到端的检测框架，物体检测一步步变得愈加成熟。 边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。 这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。 它们两者是包含关系，边缘检测是物体检测(识别)的基础。如果识别出了物体那自然也就识别出了边缘。然而实际中经常是在物体周边画一个四方形，这并不符合我们想要的物体的边缘。所以基于深度学习的物体检测和传统的边缘检测或许可以绘制出我们想要的物体轮廓。 Mapping Object Contour by Object Detection and Edge Detection with Machine Learning 来源： https://www.cnblogs.com/2008nmj/p/11997116.html

一般步骤:(1)滤波(2)增强(3)检测 1 Canny()函数 void Canny(InputArray image,OutputArray edges,double threshold1,double threshold2,int apertureSize=3,bool L2gradient=false) 2 sobel算子 void Sobel(InputArray src,OutputArray dst,int ddepth,int dx,int dy,int ksize=3,double scale=1,double delta=0,int borderType=BORDER_DEFAULT); {{uploading-image-829012.png(uploading...)}} 来源： https://www.cnblogs.com/shuguomeifuguo/p/11992362.html

1. 拉普拉斯算子 原理：是一种基于图像导数运算的高通线性滤波器。它通过二阶导数来度量图像函数的曲率。 拉普拉斯算子是最简单的各向同性微分算子，它具有旋转不变性。一个二维图像函数的拉普拉斯变换是各向同性的二阶导数，定义为： 用更加形象的图像来解释,假设我们有一张一维图形。下图(a)中灰度值的”跃升”表示边缘的存在.如果使用一阶微分求导我们可以更加清晰的看到边缘”跃升”的存在(这里显示为高峰值)图（b); 如果在边缘部分求二阶导数会出现什么情况?,图(c)所示。(其图片和定义公式来源于 http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/laplace_operator/laplace_operator.html )。 (a) (b) (c) 你会发现在一阶导数的极值位置，二阶导数为0。所以我们也可以用这个特点来作为检测图像边缘的方法。 但是， 二阶导数的0值不仅仅出现在边缘(它们也可能出现在无意义的位置),但是我们可以过滤掉这些点。 为了更适合于数字图像处理，将该方程表示为离散形式： 另外，拉普拉斯算子还可以表示成模板的形式，以便更好编程需要。如图1所示。 图1（a）表示离散拉普拉斯算子的模板，图1（b）表示其扩展模板，图1（c）则分别表示其他两种拉普拉斯的实现模板

转载 http://www.cnblogs.com/techyan1990/p/7291771.html 1. 写在前面 最近在做边缘检测方面的一些工作，在网络上也找了很多有用的资料，感谢那些积极分享知识的先辈们，自己在理解Canny边缘检测算法的过程中也走了一些弯路，在编程实现的过程中，也遇到了一个让我怀疑人生的BUG（日了狗狗）。就此写下此文，作为后记，也希望此篇文章可以帮助那些在理解Canny算法的道路上暂入迷途的童鞋。废话少说，上干货。 2. Canny边缘检测算法的发展历史 Canny边缘检测于1986年由JOHN CANNY首次在论文《A Computational Approach to Edge Detection》中提出，就此拉开了Canny边缘检测算法的序幕。 Canny边缘检测是从不同视觉对象中提取有用的结构信息并大大减少要处理的数据量的一种技术，目前已广泛应用于各种计算机视觉系统。Canny发现，在不同视觉系统上对边缘检测的要求较为类似，因此，可以实现一种具有广泛应用意义的边缘检测技术。边缘检测的一般标准包括： 1) 以低的错误率检测边缘，也即意味着需要尽可能准确的捕获图像中尽可能多的边缘。 2) 检测到的边缘应精确定位在真实边缘的中心。 3) 图像中给定的边缘应只被标记一次，并且在可能的情况下，图像的噪声不应产生假的边缘。 为了满足这些要求

#include<opencv.hpp> using namespace cv; int main() { Mat srcImage = imread("C:/Users/齐明洋/Desktop/1.jpg"); Mat grayImage, edge; cvtColor(srcImage, grayImage, COLOR_BGR2GRAY); blur(grayImage, edge, Size(5, 5)); Canny(edge, edge, 3, 9, 3); imshow("原图片", srcImage); imshow("Canny 边缘检测", edge); waitKey(0); } 操作：载入图像，并将其转成灰度图，再用 blur 函数进行图形模糊以降噪，然后用 canny 函数进行边缘检测，最后进行显示。 效果： 来源： https://www.cnblogs.com/bjxqmy/p/11884715.html