Овладейте принципом осторожного обнаружения краев, завершите эксперименты по обнаружению краев изображения и отобразите результаты обработки каждой ссылки (карта градиента, NMS, краевая ссылка).
Условия, которые должны быть соблюдены: подавление шума, точное определение края. Выразите математически три критерия [критерий отношения сигнал-шум (низкая частота ошибок), критерий точности позиционирования, критерий отклика одного фронта] и найдите наилучшее l решение выражения. Он относится к методу сначала сглаживания, а затем деривации. Основные шаги алгоритма
Гладкое изображение с использованием фильтра Гаусса
Пусть f( x , y ) обозначает данные (входные исходные данные), G( x , y ) обозначает двумерную функцию Гаусса (операнд свертки), а fs ( x , y ) пусть f(x, y) обозначает данные (входные исходные данные), G(x,y) представляет двумерную функцию Гаусса (операнд свертки), f_s(x,y) пусть f(x,y) представляет данные (входные исходные данные), G(x, y) представляет двумерную функцию Гаусса (операнд свертки), fs(x,y) представляет собой изображение после свертки и сглаживания.
Угадай процесс
Используйте координатную точку ( x , y ) для представления окрестности 3 × 3, пусть координаты центральной точки будут ( 0 , 0 ) (x, y) представляют окрестность 3 x 3, пусть координаты центральной точки будут (0 ,0)(x,y) представляет окрестность 3×3, установите координаты центральной точки как (0,0) и так далее для соседних точек. Вычислите весовую матрицу. Установите значение дисперсии σ 2 = 0,64 \sigma^2 = 0,64 σ2 = 0,64 и приведите соответствующие координатные точки ( x , y ) (x, y) (x, y) в двумерную формулу Гаусса G ( x , y )) G(x,y)G(x,y), получить матрицу весов, нормализовать матрицу весов (каждую точку в матрице разделить на сумму весов) и получить стандартную матрицу весов, то есть , шаблон Гаусса.
Вычисляет размытие по Гауссу. Установите на изображении область 3 × 3 3×33 × 3, умножьте значение серого каждого пикселя на вес соответствующей точки.
Сумма полученных 9 значений и есть значение размытия по Гауссу центральной точки.
Проще говоря, это процесс сдвига, умножения и добавления шаблона Guess в исходное изображение.
Рассчитать величину изображения
При вычислении скорости изменения изображения угла для функции с одной переменной получить производную, для функции с двумя переменными получить частную производную. При цифровой обработке изображений значение градиента (скорость изменения) значения серого получается с помощью аппроксимации конечных разностей первого порядка. Чтобы найти скорость изменения уровня серого, возьмите разницу между соседними пикселями в направлениях x и y вместо того, чтобы находить частные производные первого порядка в направлениях x и y)
Немаксимальное подавление изображений величины
Шаги: 1. Разделите угол по четырем направлениям, чтобы сформировать новую карту углов 2. В соответствии с картой углов (представляющей направление градиента) выполните немаксимальное подавление амплитуды. Сначала разделите угол на четыре диапазона направлений: горизонтальный (0°), -45°, вертикальный (90°), +45° (0°), -45°, вертикальный (90°), +45° (0°) , −45°, по вертикали (90°), +45°. Далее мы обсудим немаксимальное подавление для четырех основных граничных направлений области 3x3. Подход: если центральная точка (т. е. точка доступа) имеет наибольшую величину градиента окрестности вдоль своего направления, сохраните ее, в противном случае подавите.
Обнаружение двойного порога и связанные края
Выберите высокий порог T_H и низкий порог T_L с соотношением 2:1 или 3:1. (Обычно берите T_H=0,3 или 0,2, T_L=0,1) Удалите максимальную амплитуду градиента на изображении после немаксимального подавления и переопределите верхний и нижний пороги. Отбросить точки меньше T_L и присвоить 0; Сразу отметить точки больше T_H (это крайние точки), присвоить 1 Точки больше T_L и меньше T_H определяются с использованием 8 связанных областей (то есть только те, которые связаны с пикселями T_H, будут приняты в качестве краевых точек и им будет присвоено значение 1). Примечание. Метод двойного порога заключается в объединении пикселей-кандидатов в контуры. При формировании к этим пикселям применяется порог гистерезиса.
clear all;
close all;
clc;
img=imread('testc.jpg');
imshow(img);
[m n]=size(img);
img=double(img);
%%canny边缘检测的前两步相对不复杂，所以我就直接调用系统函数了
%%高斯滤波
w=fspecial('gaussian',[5 5]);
img=imfilter(img,w,'replicate');
figure;
imshow(uint8(img))
%%sobel边缘检测
w=fspecial('sobel');
img_w=imfilter(img,w,'replicate'); %求横边缘
w=w';
img_h=imfilter(img,w,'replicate'); %求竖边缘
img=sqrt(img_w.^2+img_h.^2); %注意这里不是简单的求平均，而是平方和在开方。我曾经好长一段时间都搞错了
figure;
imshow(uint8(img))
%%下面是非极大抑制
new_edge=zeros(m,n);
for i=2:m-1
for j=2:n-1
Mx=img_w(i,j);
My=img_h(i,j);
if My~=0
o=atan(Mx/My); %边缘的法线弧度
elseif My==0 && Mx>0
o=pi/2;
else
o=-pi/2;
end
%Mx处用My和img进行插值
adds=get_coords(o); %边缘像素法线一侧求得的两点坐标，插值需要
M1=My*img(i+adds(2),j+adds(1))+(Mx-My)*img(i+adds(4),j+adds(3)); %插值后得到的像素，用此像素和当前像素比较
adds=get_coords(o+pi);%边缘法线另一侧求得的两点坐标，插值需要
M2=My*img(i+adds(2),j+adds(1))+(Mx-My)*img(i+adds(4),j+adds(3)); %另一侧插值得到的像素，同样和当前像素比较
isbigger=(Mx*img(i,j)>M1)*(Mx*img(i,j)>=M2)+(Mx*img(i,j)<M1)*(Mx*img(i,j)<=M2); %如果当前点比两边点都大置1
if isbigger
new_edge(i,j)=img(i,j);
end
end
end
figure;
imshow(uint8(new_edge))
%%下面是滞后阈值处理
up=120; %上阈值
low=100; %下阈值
set(0,'RecursionLimit',10000); %设置最大递归深度
for i=1:m
for j=1:n
if new_edge(i,j)>up &&new_edge(i,j)~=255 %判断上阈值
new_edge(i,j)=255;
new_edge=connect(new_edge,i,j,low);
end
end
end
figure;
imshow(new_edge==255)
function nedge=connect(nedge,y,x,low) %种子定位后的连通分析
neighbour=[-1 -1;-1 0;-1 1;0 -1;0 1;1 -1;1 0;1 1]; %八连通搜寻
[m n]=size(nedge);
for k=1:8
yy=y+neighbour(k,1);
xx=x+neighbour(k,2);
if yy>=1 &&yy<=m &&xx>=1 && xx<=n
if nedge(yy,xx)>=low && nedge(yy,xx)~=255 %判断下阈值
nedge(yy,xx)=255;
nedge=connect(nedge,yy,xx,low);
end
end
end
end
исходное изображение
После размытия по Гауссу
После обнаружения края
после немаксимального подавления
Верхний порог — 120, а нижний порог — 100 результатов обнаружения.