0 前言
边缘检测是基于边界的图像分割方法的第一步,边缘就是两个不同的相邻区域之间灰度值不连续或者突变的地方。因此,检测边缘就是,检测灰度明显变化的地方。而边缘位置处灰度的明显变化是可以借助计算灰度的微分来检测的。一般使用一阶微分和二阶微分检测边缘,在边缘位置,一阶微分的幅度值会有局部极值,二阶微分的幅度值会出现过零点。本文主要介绍边缘检测中的一阶微分算子----梯度算子,包括Roberts、Prewitt和Sobel三种算子。
1 基本概念
1.1 图像显示方式(图像坐标系)
想要计算梯度图,就要设计模板卷积,首先要搞明白图像在计算时的坐标系,很多博文对应的模板和坐标系都不匹配,我们在后面的卷积操作中主要使用计算坐标系。
(1)计算坐标系
左图Cameraman所用的坐标系统,常用在图像计算中。其坐标原点在左上角,x轴是水平的,并且向右延伸;y是垂直的,并且向下延伸。既可以代表这幅图像,也可以表示坐标处像素的值。
(2)显示坐标系
右图Lena的坐标系统,常用在屏幕显示中,因为屏幕扫描是从左向右,从上向下进行的,原点在图像的左上角,纵轴标记图像的行,横轴标记图像的列。既可以代表这个图像,也可以代表行列交点处的图像值。
1.2 梯度
首先我们要知道的是梯度是一个向量,向量的话有方向和大小,梯度方向指向函数变化最快的方向,大小就是它的模,也是最大的变化率。对于二元函数,它在点的梯度就是, 或者,就是:
其中,,这个梯度向量的幅度和方向角为
1.3 图像的梯度
下图展示了一个灰度图的数学化表达,像素点的灰度值是,它有八个邻域。
图像在点的梯度为
其中
即对应图像的水平方向,即对应水图像的竖直方向。
1.4 模板卷积
要理解梯度图的生成,就要先了解模板卷积的过程。
模板卷积是模板运算的一种方式,其步骤如下:
(1)将模板在输入图像中漫游,并将模板中心与图像中某个像素位置重合;
(2)将模板上各个系数与模板下各对应像素的灰度相乘;
(3)将所有乘积相加(为保持灰度范围,常将结果再除以模板系数之和,后面梯度算子模板和为0的话就不需要除了);
(4)将上述运算结果(模板的响应输出)赋给输出图像中对应模板中心位置的像素。
1.5 梯度图
(1)梯度图的生成和模板卷积有什么不同呢?
其实梯度图生成前面和模板卷积相同,不同的是要生成梯度图,还需要在模板卷积完成后计算在点梯度的幅值,将幅值作为像素值,这样才算完。。
(2)生成梯度图的模板
下图是生成梯度图用到的的水平模板和竖直模板:
例如,如果只想生成水平方向的梯度图,那么只计算水平方向的梯度,则梯度图上对应点的灰度值就是
- 如果使用上图的水平方向模板那么点处的灰度值就是
- 如果使用上图的竖直方向模板那么点处的灰度值就是
(3)实际计算中梯度图的生成
一般是水平方向的和竖直方向的各用一个模板,然后结合,那么得到梯度图在点的灰度值就是
它就是我们上面说到的梯度的幅值,是以计算以2为范数,对应欧式距离,由于涉及平方和开方运算,计算量比较大。(怎么简化计算呢??换一种近似计算方式吧!!!)
在真实的梯度图输出计算中,采用以1为范数(对应城区距离)的简单计算方式,即
另一种简单的方式是以为范数(对应棋盘距离),即
2 梯度算子
2.1 什么是梯度算子呢?
- 梯度算子是一阶导数算子,像拉普拉斯算子就不是梯度算子,因为它是一个二阶导数算子。
- 梯度算子其实就是和对应模板的组合,也就是说梯度算子包含两个模板(甚至是两个以上,如果还有对角线模板)!!
2.2 常用的梯度算子有哪些呢?
首先了解下梯度算子的设计,一般是水平方向和竖直方向,水平方向模板转置再对折就是竖直方向。
(1) Roberts交叉算子
其本质是一个对角线方向的梯度算子,对应的水平方向和竖直方向的梯度分别为
输出梯度图在的灰度值为
优点:边缘定位较准
缺点:(1)没有描述水平和竖直方向的灰度变化,只关注了对角线方向,容易造成遗漏。(2)鲁棒性差。由于点本身参加了梯度计算,不能有效的抑制噪声的干扰。
适用于边缘明显且噪声较少的图像。
(2) Prewitt算子
Prewitt算子是典型的模板,其模板中心对应要求梯度的原图像坐标,对应的8-邻域的像素灰度值如下表所示:
通过Prewitt算子的水平模板卷积后,对应的水平方向梯度为
通过Prewitt算子的竖直模板卷积后,对应的竖直方向梯度为
输出梯度图在的灰度值为
Prewitt算子引入了类似局部平均的运算,对噪声具有平滑作用,较Roberts算子更能抑制噪声。
(3) Sobel算子
Sobel算子其实就是是增加了权重系数的Prewitt算子,其模板中心对应要求梯度的原图像坐标,对应的8-邻域的像素灰度值如下表所示:
通过Prewitt算子的水平模板卷积后,对应的水平方向梯度为
通过Prewitt算子的竖直模板卷积后,对应的竖直方向梯度为
输出梯度图在的灰度值为
Sobel算子引入了类似局部加权平均的运算,对边缘的定位比要比Prewitt算子好。
3 代码实现
Python调用OpenCV接口实现Sobel算子边缘检测
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = [cv.imread]('dave.jpg',0)
laplacian = [cv.Laplacian](img,cv.CV_64F)
sobelx = [cv.Sobel](img,cv.CV_64F,1,0,ksize=5)
sobely = [cv.Sobel](img,cv.CV_64F,0,1,ksize=5)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()