邊緣識別
5.1 介紹
邊緣識別一直作爲圖像分割的一個可供選擇的方式,因爲其在額外數據空間和計算量的優勢(典型的可以節約100倍)。
兩種主要的方式:
1.template matching(TM),模板匹配。
2.differential gradient(DG),梯度差分。
兩種方式都是尋找足夠大的梯度幅值g,以作爲邊緣的象徵。
兩種方式區別在於評價局部梯度g的方式不同,以及判斷邊緣方向的方式不同。
5.2 邊緣識別的基本理論
計算g:
TM:對12個評估不同方向梯度的模板卷積,取最大值。
DG:僅需兩個模板,分別評價x方向梯度
爲了節省計算量,通常被簡化爲
計算方向:
TM:使用g取最大值的i對應的方向。
DG:
比較:
DG需要更多計算量,儘管更加精確。由於很多時候不需要方向數據,或者圖像對比度範圍較大,取得精確的g值意義不大,所以TM被較爲廣泛的使用。兩者都涉及局部梯度的評估,TM和DG的卷積蒙版經常完全相同。
DG算子:
Roberts 2*2 | ||
Sobel 3*3 | ||
Prewitt 3*3 |
5.3 TM
另外6個角度可以通過外圈係數的旋轉或者對稱變換得到
Prewitt | ||
Kirsch | ||
Robinson 3-Level | ||
Robinson 5-Level |
5.4 3*3模板算子的理論
由於另外6個方向的蒙版和
由於
解得
進一步根據
其中
5.5 DG算子的設計
離散圖像取方形鄰域進行估計會導致梯度方向最大