圖像邊緣是兩個(gè)具有不同灰度的均勻圖像區(qū)域的邊界，邊緣檢測(cè)是圖像處理的基本問(wèn)題，目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的邊緣點(diǎn)，不斷向上構(gòu)成更高層次的特征描述。并且剔除不相關(guān)的特征信息，保留圖像重要的結(jié)構(gòu)屬性。

在視覺(jué)計(jì)算理論框架中，抽取二維圖像上的邊緣、角點(diǎn)、紋理等基本特征，是整個(gè)系統(tǒng)框架中的第一步，圖像中局部灰度級(jí)以簡(jiǎn)單的方式作極快變換的小區(qū)域特征所組成的圖稱為基元圖，在不同"尺度"意義下的邊緣點(diǎn)，在一定條件下包含了原圖像的全部信息。

檢測(cè)原理基本思想是通過(guò)檢測(cè)每個(gè)像素和其鄰域的狀態(tài)，以決定該像素是否位于一個(gè)物體的邊界上。如果一個(gè)像素位于一個(gè)目標(biāo)物體的邊界上，則其鄰域像素的灰度值的變化就比較大，可以通過(guò)細(xì)微的間距移動(dòng)狹窄的區(qū)段，檢測(cè)每個(gè)點(diǎn)的邊緣寬度與邊緣位置，確定目標(biāo)對(duì)象的邊界。

檢測(cè)方法

濾波

邊緣檢測(cè)算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)的計(jì)算對(duì)噪聲很敏感，因此使用濾波器來(lái)改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。大多數(shù)濾波器在降低噪聲的同時(shí)也導(dǎo)致了邊緣強(qiáng)度的損失，因此，增強(qiáng)邊緣和降低噪聲之間需要折中。

增強(qiáng)邊緣增強(qiáng)一般是通過(guò)計(jì)算梯度幅值來(lái)完成，增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法可以將鄰域(或局部)強(qiáng)度值有顯著變化的點(diǎn)突顯出來(lái)。

檢測(cè)

在圖像中有許多點(diǎn)的梯度幅值比較大，這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是目標(biāo)邊緣，所以應(yīng)該用某種算法來(lái)確定哪些點(diǎn)是邊緣點(diǎn)。

定位邊緣的位置可在子像素分辨率上來(lái)估計(jì)，邊緣的方位也可以被估計(jì)出來(lái)。大多數(shù)場(chǎng)合下，僅僅需要邊緣檢測(cè)器指出邊緣出現(xiàn)在圖像某一像素點(diǎn)的附近，而沒(méi)有必要指出邊緣的精確位置或方向。

算法應(yīng)用可以將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界，圖像灰度的變化情況可以用圖像灰度分布的梯度來(lái)反映，因此我們可以用局部圖像微分技術(shù)來(lái)獲得邊緣檢測(cè)算子。而邊緣檢測(cè)的實(shí)質(zhì)是采用某種算法來(lái)提取出圖像中對(duì)象與背景間的交界線。

在圖像邊緣檢測(cè)中，抑制噪聲和邊緣精確定位是無(wú)法同時(shí)滿足的，一些邊緣檢測(cè)算法通過(guò)平滑濾波去除噪聲的同時(shí)，也增加了邊緣定位的不確定性。而提高邊緣檢測(cè)算子對(duì)邊緣的敏感性的同時(shí)，也提高了對(duì)噪聲的敏感性。

如上述所說(shuō)，一階算子檢測(cè)邊緣，如Robert，雖然對(duì)邊緣定位精度較高，但是容易丟失邊緣，對(duì)噪聲無(wú)抑制能力。又如Sobel，對(duì)噪聲僅有一點(diǎn)抑制能力，但無(wú)法完全排除虛假邊緣。又如二階拉普拉斯算子，對(duì)噪聲響應(yīng)很高?；蛘吒倪M(jìn)后的高斯-拉普拉斯算法，雖然經(jīng)過(guò)高斯模糊，但是這些模糊不能完全去除噪聲，沒(méi)處理的好，反而會(huì)影響邊緣檢測(cè)的效果。

審核編輯：郭婷