何形状)中，边缘提取就是前提步骤。
这里我们只考虑灰度图像，用于图像识别的边缘提取比起仅仅用于视觉效果增强的边缘提取要
复杂一些。要给图像的边缘下一个定义还挺困难的，从人的直观感受来说，边缘对应于物体的边界。图
像上灰度变化剧烈的区域比较符合这个要求，我们一般会以这个特征来提取图像的边缘。但在遇到包含
纹理的图像上，这有点问题，比如说，图像中的人穿了黑白格子的衣服，我们往往不希望提取出来的边
缘包括衣服上的方格。但这个比较困难，涉及到纹理图像的处理等方法。
好了，既然边缘提取是要保留图像的灰度变化剧烈的区域，从数学上，最直观的方法就是微分
(对于数字图像来说就是差分)，在信号处理的角度来看，也可以说是用高通滤波器，即保留高频信号。
这是最关键的一步，在此之前有时需要对输入图像进行消除噪声的处理。
用于图像识别的边缘提取往往需要输出的边缘是二值图像，即只有黑白两个灰度的图像，其中
一个灰度代表边缘，另一个代表背景。此外，还需要把边缘细化成只有一个像素的宽度。总的说来边缘
提取的步骤如下：
1，去噪声
2，微分运算
3，2值化处理
4，细化
第二步是关键，有不少书把第二步就直接称为边缘提取。实现它的算法也有很多，一般的图像
处理教科书上都会介绍好几种，如拉普拉兹算子，索贝尔算子，罗伯特算子等等。这些都是模板运算，
首先定义一个模板，模板的大小以3*3的较常见，也有2*2，5*5或更大尺寸的。运算时，把模板中心对
应到图像的每一个像素位置，然后按照模板对应的公式对中心像素和它周围的像素进行数学运算，算出
的结果作为输出图像对应像素点的值。
需要说明的是，模板运算是图像的一种处理手段--邻域处理，有许多图像增强效果都可以采用
模板运算实现，如平滑效果，中值滤波(一种消除噪声的方法)，油画效果，图像的凹凸效果等等。这些
算法都比较简单，为人们常用。
关于前面提到的几种边缘提取算子(拉普拉兹算子，索贝尔算子，罗伯特算子)，教科书上都有
较为详细的介绍，我这里不多说了，(手头上没有教科书，也懒得翻译英文资料)，如果你们有时间，可
以把这些方法的具体情况仔细介绍一下。这里对拉普拉兹算子和索贝尔算子补充两句。拉普拉兹算子是
2阶微分算子，也就是说，相当于求取2次微分，它的精度还算比较高，但对噪声过于敏感(有噪声的情
况下效果很差)是它的重大缺点，所以这种算子并不是特别常用。索贝尔算子是最常用的算子之一(它是
一种一阶算子)，方法简单效果也不错，但提取出的边缘比较粗，要进行细化处理。另外，索贝尔算子
也可提取出图像边缘的方向信息来，有文章论证过，在不考虑噪声的情况下，它取得的边缘信息误差不
超过7度。
顺便说一句，往往我们在进行边缘提取时只注意到位置信息，而忽略了边缘的方向。事实上，
图像的边缘总有一定的走向，我们可以用边缘曲线的法线方向(和切线垂直的直线)来代表边缘点的方向
。在图像识别的应用中，这个方向是非常重要的信息。
上面的几种算子是属于比较简单的方法，边缘提取的精度都不算特别高，下面介绍几种高级算
法。首先是马尔(Marr)算子，马尔是计算机视觉这门学问的奠基人，很了不起，但这些理论很难懂。他
提出的边缘提取方法可以看成两个步骤，一个是平滑作用来消除噪声，另一个是微分提取边缘，也可以
说是由两个滤波器组成，低通滤波去除噪声，高通滤波提取边缘。人们也称这种方法为LOG滤波器，这也
是根据它数学表达式和滤波器形状起的名字。也可以采用模板运算来实现这种算法，但模板的大小一般
要在7*7以上，所以运算复杂程度比索贝尔算子等要大不少，运算时间当然也长许多。
另外一种非常重要的算法是坎尼(Canny)算子,这是坎尼在1986年写的一篇论文里仔细论述的。
他给出了判断边缘提取方法性能的指标。而坎尼算子也是图像处理领域里的标准方法，也可以说是默认
的方法。比较奇怪的是，国内的图像处理教科书中，介绍坎尼算子的很少。本人见过的书中，郑南宁的
‘计算机视觉与模式识别’(1998年)，算是介绍的比较详细的。坎尼算子在使用时要提供给一些参数，
用于控制算法的性能，实际上，对于不同的图像或不同的边缘提取目的，应该提供不同的参数，以达到
最佳效果。它也有模板运算方法，模板的大小也比较大,和提供的参数有关，标准的大小差不多是17*17
，可以根据算子的可分离性用快速算法(否则就会慢的一塌糊涂)，坎尼算子的2值化也很有特色，具有
一定的智能性。
还有一种算法：Shen-Castan算子，大概可称为沈峻算子，总之是中国人的成果，效果和坎尼
算子不相上下，这种算法在对边缘提取好坏的判别标准上有些不同。(这种方法我没用过，好象编起程
序来，要比坎尼算子还复杂)
在实际的图像处理与识别应用中，有时需要根据被处理图像的种类以及实际目的，量身定做算
法，边缘提取也是一样，但是基本原理都是一样的。
canny算子代码
void CreatGauss(double sigma, double **pdKernel, int *pnWidowSize);
void GaussianSmooth(SIZE sz, LPBYTE pGray, LPBYTE pResult, double sigma);
void Grad(SIZE sz, LPBYTE pGray, int *pGradX, int *pGradY, int *pMag);
void NonmaxSuppress(int *pMag, int *pGradX, int *pGradY, SIZE sz, LPBYTE pNSRst);
void EstimateThreshold(int *pMag, SIZE sz, int *pThrHigh, int *pThrLow, LPBYTE pGray,
上一篇:微软靠卖软件赚钱，Google OS靠什么赚钱
下一篇:05年的经典语录之计算机科学
|
精品推荐