2. 程式人生 > >影象處理中各種邊緣檢測的微分運算元簡單比較(Sobel，Robert， Prewitt，Laplacian，Canny)

影象處理中各種邊緣檢測的微分運算元簡單比較(Sobel，Robert， Prewitt，Laplacian，Canny)

阿新 • • 發佈：2019-01-27
在邊沿檢測中，常用的一種模板是Sobel 運算元。Sobel 運算元有兩個，一個是檢測水平邊沿的；另一個是檢測垂直平邊沿的 。Sobel運算元另一種形式是各向同性Sobel(Isotropic Sobel)運算元，也有兩個，一個是檢測水平邊沿的，另一個是檢測垂直平邊沿的 。各向同性Sobel運算元和普通Sobel運算元相比，它的位置加權係數更為準確，在檢測不同方向的邊沿時梯度的幅度一致。由於建築物影象的特殊性，我們可以發現，處理該型別影象輪廓時，並不需要對梯度方向進行運算，所以程式並沒有給出各向同性Sobel運算元的處理方法。
由於Sobel運算元是濾波運算元的形式，用於提取邊緣，可以利用快速卷積函式，簡單有效，因此應用廣泛。美中不足的是，Sobel
運算元並沒有將影象的主體與背景嚴格地區分開來，換言之就是Sobel運算元沒有基於影象灰度進行處理，由於Sobel運算元沒有嚴格地模擬人的視覺生理特徵，所以提取的影象輪廓有時並不能令人滿意。在觀測一幅影象的時候，我們往往首先注意的是影象與背景不同的部分，正是這個部分將主體突出顯示，基於該理論，我們可以給出閾值化輪廓提取演算法，該演算法已在數學上證明當畫素點滿足正態分佈時所求解是最優的。

相關推薦

影象處理中各種邊緣檢測的微分運算元簡單比較(Sobel，Robert， Prewitt，Laplacian，Canny)

在邊沿檢測中，常用的一種模板是Sobel 運算元。Sobel 運算元有兩個，一個是檢測水平邊沿的；另一個是檢測垂直平邊沿的 。Sobel運算元另一種形式是各向同性Sobel(Isotropic Sobel)運算元，也有兩個，一個是檢測水平邊沿的，另一個是檢測垂直平邊沿的 。各向同性Sobel運算元和普通Sob

邊緣檢測的微分運算元簡單比較【1】

在實際的影象分割中，往往只用到一階和二階導數，雖然，原理上，可以用更高階的導數，但是，因為噪聲的影響，在純粹二階的導數操作中就會出現對噪聲的敏感現象，三階以上的導數資訊往往失去了應用價值。二階導數還可以說明灰度突變的型別。在有些情況下，如灰度變化均勻的影象，只利

數字影象處理實驗三 影象輪廓提取與邊緣檢測

實驗三   影象輪廓提取與邊緣檢測 一、實驗目的： 理解並掌握對二值影象進行輪廓提取的相關演算法（比如，掏空內部點法），以及用於影象邊緣檢測和提取的典型微分運算元（梯度運算元和拉普拉斯運算元）。 二

影象邊緣檢測經典運算元及MATLAB實現

一、邊緣檢測 邊緣是圖象最基本的特徵. 邊緣檢測在計算機視覺、圖象分析等應用中起著重要的作用,是圖象分析與識別的重要環節,這是因為子圖象的邊緣包含了用於識別的有用資訊. 所以邊緣檢測是影象分析和模式識別的主要特徵提取手段。所謂邊緣是指其周圍畫素灰度後階變化或屋頂狀變化的

徹底理解數字影象處理中的卷積-以Sobel運算元為例

連結： 原文出處 作者： FreeBlues 概述 卷積在訊號處理領域有極其廣泛的應用, 也有嚴格的物理和數學定義. 本文只討論卷積在數字影象處理中的應用. 在數字影象處理中, 有一種基本的處理方法:線性濾波. 待處理的平面數字影象可被看

深度學習影象處理（分類or檢測）中結果的評價方法-mAP簡介

多標籤影象分類（Multi-label Image Classification）任務中圖片的標籤不止一個，因此評價不能用普通單標籤影象分類的標準，即mean accuracy，該任務採用的是和資訊檢索中類似的方法—mAP（mean Average

影象處理中的增強演算法---灰級窗切片增強

灰級窗切片增強--相比較X光更適合於CT，程式如下： import cv2 import numpy as np I = cv2.imread('*.png',0) h, w = I.shape fa = 40 fb = 160 k = 255/(160-45) J = np.zeros((h,

模糊集理論在影象處理中的應用

本文選自：http://www.cnblogs.com/Imageshop/p/3302850.html，作者寫的非常不錯，包括另外一篇文章：http://www.cnblogs.com/Imageshop/p/3307308.html，感謝作者的辛勤勞動！自己整理過來備份。 這是篇

梯度與邊緣檢測常用運算元：Roberts、Prewitt、Sobel、LOG，Canny、Lapacian運算元

原文：https://blog.csdn.net/swj110119/article/details/51777422 原文：https://blog.csdn.net/gdut2015go/article/details/46779251 幾種邊緣檢測運算元的比較Robert

影象處理中的數學原理歸類

影象處理中的數學原理歸類 原文：https://blog.csdn.net/baimafujinji/article/details/48467225 我的“影象處理中的數學原理”專欄中之系列文章已經以《影象處理中的數學修煉》為名結集出版（清華大學出版社）。該書詳細介紹影象處理中的數學原

膨脹、腐蝕、開、閉運算——數字影象處理中的形態學

轉自：https://blog.csdn.net/welcome_xu/article/details/6694985 膨脹、腐蝕、開、閉運算是數學形態學最基本的變換。 本文主要針對二值影象的形態學 膨脹：把二值影象各1畫素連線成分的邊界擴大一層（填充邊緣或0畫素內部的孔）； 腐蝕：把二

數字影象處理——中值濾波

原理：模板中心對準待處理畫素，對模板下的對應畫素進行灰度值排序，將中值賦給當前畫素 Matlab程式碼： clear,clc; car = imread('sport car.pgm'); noise_car = imnoise(car,'salt & pepper',0.02);

影象處理中的模板匹配c++實現

一、理論基礎 基於相關的模板匹配技術可直接用於在一幅影象中，尋找某種子影象模式。對於大小為MxN的影象f(x,y)和大小為JxK的子影象模式w(x,y),f與w的相關可表示為： 其種，x=0,1,2,…N-K,y=0,1,2,…M-J。此處 的目的是尋找

5.4.4 邊緣檢測-拉普拉斯運算元

拉普拉斯運算元是一個二階邊緣運算元，即梯度的散度。拉普拉斯運算元的實現也是通過模板實現。常用的拉普拉斯模板定義如下：                         &nb

5.4.1 邊緣檢測—梯度運算元

影象中不連續的灰度值會產生邊緣，影象的邊緣檢測是基於邊界的影象分割方法，如分水嶺演算法，通常是分割原圖的梯度影象，梯度實際上也是反應的影象邊緣資訊。影象邊緣一般常用影象一階導數和二階導數來檢測。 梯度運算元對應於影象一階導數。影象一階導數計算一般是通過差分運算來近似的。VTK中可以使用vtkIm

影象處理中飽和度、色調、對比度的定義

目錄   飽和度 色調 對比度   轉自這裡   影象處理(image processing)，用計算機對影象進行分析，以達到所需結果的技術。又稱影像處理。影象處理一般指數字影象處理。數字影象是指用工業相機、攝像機、掃描器等裝置經

數字影象處理中的頻率域濾波

作者是一名在讀的碩士研究僧，方向是機器視覺。由於視覺是一門相對複雜的學科，作者在課堂上學到的東西只是非常淺顯的內容，我們老師說是，領我們進了個門。現在打算利用圖書館和網路上的資源進行自學。由於是剛開始寫自己的部落格，並且所具備的專業知識非常的有限，難免有出錯之處，如果有朋友發現一些毛病，希望能夠指正

高斯濾波在影象處理中的應用

卷積： 相信很多時候，當我們在看到“卷積”時，總是處於一臉懵逼的狀態，不但因為它的本義概念比較難理解，還因為它在不同的應用中發揮出的變幻莫測的作用也時常讓人迷糊。但這些應用其實本質上都是同一種東西，理解了卷積的來源，就可以舉一反三。其實我個人對於卷積的理解，很長時間都處於似

影象處理中的概念總結

本問儘量追求以說人話的方法把所謂的高深概念概括清楚 此篇博文會動態更新 1.Gamma 校正 一句話總結：Gamma 校正其實就是冪指數校正，目的是將灰度較窄的區域拉伸為較寬的區域，如圖，紅框內的輸入區間，對映之後變成了綠框的區間。 2. 直方圖均衡化 一句

數字影象處理中的空間濾波

影象的空間濾波 空間卷積：                                                     卷積是處理線性系統的基礎，以下介紹的濾波計算方式，都與卷積計算有密切關係，其計算形式與卷積的計算方式有高度的相似性。如果下面介紹的濾波運算