Edge Detection

數字圖像的邊緣檢測是圖像分(fēn)割、目标區域的識别、區域形狀提取等圖像分(fēn)析領域十分(fēn)重要的基礎，圖像理解和分(fēn)析的第一(yī)步往往就是邊緣檢測，目前它已成爲機器視覺研究領域最活躍的課題之一(yī)，在工(gōng)程應用中(zhōng)占有十分(fēn)重要的地位。

圖像的特征指圖像場中(zhōng)可用作标志(zhì)的屬性，而圖像的邊緣是圖像最基本的特征。在數字圖像中(zhōng)，所謂邊緣是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。由于物(wù)體(tǐ)的邊緣是由灰度不連續性所反映的，因此一(yī)般邊緣檢測方法是考察圖像的每個像素在某個領域内灰度的變化，利用邊緣鄰近一(yī)階或二階方向導數變化規律來檢測邊緣，這種方法通常稱爲邊緣檢測局部算子法。目前主要的幾種經典的邊緣檢測算子有：

1. 基于一(yī)階微分(fēn)的邊緣檢測算子，這其中(zhōng)包括Roberts算子，Sobel算子，Prewitt算子以及Krisch算子。該類算子，利用梯度最大(dà)值或對應于一(yī)階微分(fēn)幅度最大(dà)的方法提取邊界。在算法實現過程中(zhōng)，通過2x2（Robert）或者3x3的模塊作爲核與圖像中(zhōng)的每個像素點做卷積和運算，然後選取合适的阈值以提取邊緣。

2. 基于二階微分(fēn)算子，Laplacian邊緣檢測算子就是其中(zhōng)的代表，該算子利用二階微分(fēn)過零點的原理提取邊界點。在算法實現過程中(zhōng)，也是通過3x3卷積核運算，選取合适的阈值以提取邊緣。

基于最優化方法算子，這類方法的目的是根據信噪比求得檢測邊緣的最優化算子。現在常用的有Marr-Hildreth算子和Canny算子。

邊緣檢測算法有如下(xià)四個步驟：

濾波：邊緣檢測算法主要是基于圖像強度的一(yī)階和二階導數，但導數的計算對噪聲很敏感，因此必須使用濾波器來改善與噪聲有關的邊緣檢測器的性能．需要指出，大(dà)多數濾波器在降低噪聲的同時也導緻了邊緣強度的損失，因此，增強邊緣和降低噪聲之間需要折衷．

增強：增強邊緣的基礎是确定圖像各點鄰域強度的變化值．增強算法可以将鄰域（或局部）強度值有顯著變化的點突顯出來．邊緣增強一(yī)般是通過計算梯度幅值來完成的．

檢測：在圖像中(zhōng)有許多點的梯度幅值比較大(dà)，而這些點在特定的應用領域中(zhōng)并不都是邊緣，所以應該用某種方法來确定哪些點是邊緣點．最簡單的邊緣檢測判據是梯度幅值阈值判據．

定位：如果某一(yī)應用場合要求确定邊緣位置，則邊緣的位置可在子像素分(fēn)辨率上來估計，邊緣的方位也可以被估計出來．

邊緣檢測的三種方法：

直接利用阈值。這種方法簡便，快速。但是精确度不高。用在光源比較穩定的環境中(zhōng)。

利用灰度值投影曲線的一(yī)階導數，返回值爲指定的阈值處的一(yī)階導數,此阈值比實際的阈值要小(xiǎo)。此方法優點：周圍環境的影響小(xiǎo)，可以在環境光照變化大(dà)時用此方法。速度和精确度在這三種方法中(zhōng)居中(zhōng)。

灰度值投影曲線的二階導數，判斷零點。

精确度高，但速度低、噪聲大(dà)的圖像不易用此法。

應用：

檢測芯片針腳是否規則整齊。目标定位。存在/缺席檢測