图像边缘算法复现研究-优快云博客

本文链接：https://blog.youkuaiyun.com/Srlua/article/details/144063575

✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨

🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢，在这里我会分享我的知识和经验。🎥

希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏：传知代码论文复现

欢迎访问我的主页：Srlua小谢获取更多信息和资源。✨✨🌙🌙

本文所有资源均可在该地址处获取。

一、背景及意义介绍

以下是关于图像边缘检测算法研究的背景及意义介绍：

背景

数字图像处理需求增长
- 在当今数字化时代，数字图像处理技术在各个领域的应用日益广泛。例如，在交通领域用于车牌识别、交通流量监测；在地理领域用于卫星图像分析、地形测绘；在人脸识别领域用于身份验证；在生物医疗领域用于医学影像诊断等。随着这些应用的不断拓展和深入，对数字图像处理技术的要求也越来越高。
边缘检测是关键步骤
图像边缘包含了图像的许多重要信息，它是图像中局部变化显著的部分，通常是周围像素灰度有阶跃状或屋顶状变化的像素集合。这些边缘信息对于理解图像的内容、结构和特征至关重要。例如，在物体识别中，物体的轮廓边缘是区分不同物体的关键特征；在医学影像中，器官的边缘轮廓对于疾病诊断具有重要参考价值。因此，边缘检测作为数字图像处理的重要步骤之一，其重要性日益凸显。

意义

理论研究意义
推动图像处理算法发展：对图像边缘检测算法的研究有助于深入理解图像的本质特征和信息表示方式。通过不断探索和优化不同的边缘检测算子，能够进一步完善数字图像处理的理论体系，为开发更先进、更高效的图像处理算法奠定基础。
丰富数学工具应用：边缘检测算法涉及到多种数学工具和概念的应用，如导数、卷积、滤波等。对这些算法的研究促进了数学在图像处理领域的应用和发展，同时也为数学理论的创新提供了实践场景。
实际应用意义
提高图像分析准确性：准确的边缘检测能够提取出图像中更清晰、更准确的边缘信息，从而提高后续图像分析任务的准确性。例如，在目标检测和识别中，清晰的边缘有助于更准确地定位和识别目标物体；在图像分割中，边缘信息可以作为分割的重要依据，提高分割的精度和效果。
增强图像质量改善效果：在一些图像增强和恢复应用中，边缘检测可以帮助确定图像中需要重点处理的区域和特征。例如，在去除图像噪声的同时保留边缘信息，可以提高图像的视觉质量和清晰度，使图像更符合实际应用的需求。
优化自动化系统性能：在许多自动化系统中，如智能监控系统、自动驾驶系统等，图像边缘检测是其视觉感知模块的重要组成部分。通过使用高效的边缘检测算法，可以提高这些系统对环境的感知能力和决策准确性，从而优化系统的整体性能。

二、概述

图像边缘检测在数字图像处理中至关重要，随着相关应用增多需求渐增，其研究对理论发展和实际应用都有重要意义，包括推动算法进步、提高图像分析准确性等。https://kns.cnki.net/kcms2/article/abstract?v=SY7jeTtuViI6iEbNF3ysB3XOcSZjTrV2olqJ37Q4QTDm7eyIgp0klPNkVZiS8IaYOerz2fnVkGQMJsfLfyXUWYQy4S0hoo7SYpQznWGN_Yy435N1kNtASxodAOdebJH3cTMBANgOkdpgtNw-y18fLQhGVGSLM_PqS3lVPbhi_Jg=&uniplatform=NZKPT

三、算法原理

（一）Roberts算子

原理：Roberts算子利用局部差分法寻找边缘点，主要考虑对角线方向和相邻像素之差。
数学表达式：对于图像中的像素点(x,y)(x,y)，其边缘检测结果g(x,y)g(x,y)的计算公式为g(x,y)=∣f(x,y)−f(x+1,y+1)∣+∣f(x+1,y)−f(x,y+1)∣g(x,y)=∣f(x,y)−f(x+1,y+1)∣+∣f(x+1,y)−f(x,y+1)∣，其中f(x,y)f(x,y)表示原始图像在(x,y)(x,y)处的像素值。

（二）Sobel算子

原理：Sobel算子通过计算图像各点的灰度值梯度来检测边缘。它具有两个卷积计算核，分别用于计算水平方向和垂直方向的灰度加权差，本质上是一种梯度计算方法。
数学表达式：
- 水平方向梯度GxGx：Gx=f(x+1,y−1)+2f(x+1,y)+f(x+1,y+1)−f(x−1,y−1)−2f(x−1,y)−f(x−1,y+1)Gx=f(x+1,y−1)+2f(x+1,y)+f(x+1,y+1)−f(x−1,y−1)−2f(x−1,y)−f(x−1,y+1)
- 垂直方向梯度GyGy：Gy=f(x−1,y+1)+2f(x,y+1)+f(x+1,y+1)−f(x−1,y−1)−2f(x,y−1)−f(x+1,y−1)Gy=f(x−1,y+1)+2f(x,y+1)+f(x+1,y+1)−f(x−1,y−1)−2f(x,y−1)−f(x+1,y−1)

（三）LOG算子

原理：LOG算子（拉普拉斯高斯算子）是通过改进拉普拉斯算子得到的更优算子，属于二阶导数算子。它先将拉普拉斯算子和高斯滤波器结合，利用高斯平滑处理去除噪声，然后利用拉普拉斯算子增强图像，最后通过二阶导数的零交叉点检测边缘。
5×5模板：

0 0 -1 0 0
0 -1 -2 -1 0
-1 -2 -16 -2 -1
0 -1 -2 -1 0
0 0 -1 0 0

（四）Canny算子

原理：Canny算子是基于一阶导数改进而来的边缘检测算子。它首先对图像进行平滑处理以消除噪声，然后对平滑后的图像求一阶偏导得到图像梯度的幅值和方向，接着进行非极大值抑制处理初步得到边缘点，最后使用两个阈值确定强边缘和弱边缘，只有当弱边缘与强边缘连接时，弱边缘才会输出。

四、实验过程

（一）图像准备

读取彩色图像
- 使用MATLAB的imread函数读取原始彩色图像。例如，如果图像文件名为test.jpg，则代码为originalImage = imread('test.jpg');
转换为灰度图像
- 利用rgb2gray函数将彩色图像转换为灰度图像，以便后续处理。代码为grayImage = rgb2gray(originalImage);

（二）添加噪声

添加高斯噪声
- 使用imnoise函数对灰度图像添加高斯噪声。设置均值为0，标准差为0.04。代码为noisyImageGaussian = imnoise(grayImage, 'gaussian', 0, 0.04);
添加椒盐噪声
- 同样使用imnoise函数对灰度图像添加椒盐噪声，设置噪声密度为0.004。代码为noisyImageSaltPepper = imnoise(grayImage,'salt & pepper', 0.004);

（三）边缘检测

Roberts算子边缘检测
- 定义模板
  - 定义Roberts算子模板为[−100−1;0110][−100−1;0110]。在MATLAB中可以使用矩阵形式表示，例如robertsFilter = [-1 0 0 -1;0 1 1 0];
- 卷积计算
  - 使用imfilter函数将模板与原始灰度图像进行卷积运算，得到水平和垂直方向的梯度。分别计算水平方向梯度和垂直方向梯度。
  - 计算边缘检测结果，将水平和垂直方向的梯度绝对值相加。
Sobel算子边缘检测
- 定义模板
  - 定义Sobel算子水平方向模板为[−101;−202;−101][−101;−202;−101]，垂直方向模板为[−1−2−1;000;121][−1−2−1;000;121]。在MATLAB中可以分别表示为sobelFilterX = [-1 0 1; -2 0 2; -1 0 1];和sobelFilterY = [-1 -2 -1;0 0 0;1 2 1];
- 卷积计算
  - 使用imfilter函数将水平方向模板与原始灰度图像进行卷积运算得到水平方向梯度，将垂直方向模板与原始灰度图像进行卷积运算得到垂直方向梯度。
  - 计算边缘检测结果，先将水平和垂直方向的梯度分别平方，然后相加，最后取平方根得到边缘检测图像的幅值。
LOG算子边缘检测
- 获取模板
  - 使用fspecial函数获取LOG算子的5×5模板，设置标准差为0.5（与原始研究可能不同，可根据需要调整）。代码为logFilter = fspecial('log', 5, 0.5);
- 卷积计算
  - 使用imfilter函数将模板与原始灰度图像进行卷积运算得到边缘检测结果。
Canny算子边缘检测
- 直接使用MATLAB中的edge函数对原始灰度图像进行Canny算子边缘检测，设置为canny模式。

（四）对添加噪声后的图像进行边缘检测

对添加高斯噪声的图像进行边缘检测（以各算子分别说明）
- Roberts算子
  - 按照上述Roberts算子边缘检测步骤，将模板与添加高斯噪声后的图像noisyImageGaussian进行卷积运算，得到水平和垂直方向的梯度。
- Sobel算子
  - 同样按照Sobel算子边缘检测步骤，将水平和垂直方向模板与添加高斯噪声后的图像进行卷积运算得到水平和垂直方向梯度。
- LOG算子
  - 使用上述获取的LOG算子模板与添加高斯噪声后的图像进行卷积运算得到边缘检测结果。
- Canny算子
  - 使用edge函数对添加高斯噪声后的图像进行Canny算子边缘检测。
对添加椒盐噪声的图像进行边缘检测（以各算子分别说明）
- Roberts算子
  - 按照Roberts算子边缘检测步骤，将模板与添加椒盐噪声后的图像noisyImageSaltPepper进行卷积运算，得到水平和垂直方向的梯度。
  - 计算边缘检测结果。
- Sobel算子
  - 按照Sobel算子边缘检测步骤，将水平和垂直方向模板与添加椒盐噪声后的图像进行卷积运算得到水平和垂直方向梯度。
- LOG算子
  - 使用上述获取的LOG算子模板与添加椒盐噪声后的图像进行卷积运算得到边缘检测结果。
  - 此处可能需要根据实际情况对LOG算子的参数进行调整，因为椒盐噪声可能对其效果影响较大。
- Canny算子
  - 使用edge函数对添加椒盐噪声后的图像进行Canny算子边缘检测。

五、结果展示与分析

（一）结果展示

原始图像及各算子边缘检测结果展示
- 使用subplot和imshow函数在MATLAB中展示原始图像以及使用Roberts、Sobel、LOG和Canny算子对原始图像进行边缘检测的结果。例如：

subplot(2, 3, 1);
imshow(originalImage);
title('原始图像');
subplot(2, 3, 2);
imshow(robertsEdgeImage, []);
title('Roberts算子边缘检测');
subplot(2, 3, 3);
imshow(sobelEdgeImage, []);
title('Sobel算子边缘检测');
subplot(2, 3, 4);
imshow(logEdgeImage, []);
title('LOG算子边缘检测');
subplot(2, 3, 5);
imshow(cannyEdgeImage, []);
title('Canny算子边缘检测');

添加高斯噪声图像及各算子边缘检测结果展示
- 同样使用subplot和imshow函数展示添加高斯噪声的图像以及各算子对其进行边缘检测的结果。例如：

subplot(2, 3, 1);
imshow(noisyImageGaussian);
title('添加高斯噪声的图像');
subplot(2, 3, 2);
imshow(robertsEdgeImage_noisyGaussian, []);
title('Roberts算子边缘检测');
subplot(2, 3, 3);
imshow(sobelEdgeImage_noisyGaussian, []);
title('Sobel算子边缘检测');
subplot(2, 3, 4);
imshow(logEdgeImage_noisyGaussian, []);
title('LOG算子边缘检测');
subplot(2, 3, 5);
imshow(cannyEdgeImage_noisyGaussian, []);
title('Canny算子边缘检测');

添加椒盐噪声图像及各算子边缘检测结果展示
- 使用subplot和imshow函数展示添加椒盐噪声的图像以及各算子对其进行边缘检测的结果。例如：

subplot(2, 3, 1);
imshow(noisyImageSaltPepper);
title('添加椒盐噪声的图像');
subplot(2, 3, 2);
imshow(robertsEdgeImage_noisySaltPeppedr, []);
title('Roberts算子边缘检测');
subplot(2, 3, 3);
imshow(sobelEdgeImage_noisySaltPepper, []);
title('Sobel算子边缘检测');
subplot(2, 3, 4);
imshow(logEdgeImage_noisySaltPepper, []);
title('LOG算子边缘检测');
subplot(2, 3, 5);
imshow(cannyEdgeImage_noisySaltPepper, []);
title('Canny算子边缘检测');

（二）分析比较

检测精度比较
- 根据原始图像的边缘检测结果观察各算子对边缘的定位准确性。Roberts算子和Sobel算子检测精度较高，但Sobel算子检测结果可能相对粗糙。Canny算子在定位准确性上表现较好，能较准确地检测出边缘位置。LOG算子可能会因为平滑处理而丢失一些边缘信息，影响检测精度。
噪声抑制能力比较
- 从添加高斯噪声和椒盐噪声后的图像边缘检测结果分析各算子的噪声抑制能力。Roberts算子和Sobel算子对噪声抑制效果较差，其中Sobel算子相对Roberts算子抗噪声能力稍强。LOG算子能减弱并抑制部分噪声，但可能过度平滑导致边缘信息丢失。Canny算子对噪声的抑制效果较好，能在一定程度上保留边缘信息的同时去除噪声干扰。

六、结论

通过对Roberts、Sobel、LOG和Canny算子的复现实验，我们可以得出以下结论：

Roberts算子定位准确性较好，但对噪声敏感，不适用于噪声较高的图像。
Sobel算子抗噪声能力稍强于Roberts算子，但检测结果较粗糙，容易出现伪边缘现象。
LOG算子能抑制部分噪声，但可能过度平滑而丢失一些边缘点。
Canny算子在边缘检测效果上整体表现较好，无论是定位准确性还是对噪声的抑制效果都较为出色，但可能会平滑部分边缘信息。在实际应用中，应根据图像的特点和噪声情况选择合适的边缘检测算子。