Canny边缘检测（高斯滤波，计算图像的梯度和梯度方向，非极大值抑制NMS，双阈值筛选边缘） - CSDN文库

141 浏览量更新于2023-03-03 1 收藏 537KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源推荐

Canny边缘检测（高斯滤波，计算图像的梯度和梯度方向，非极大值抑制边缘检测（高斯滤波，计算图像的梯度和梯度方向，非极大值抑制NMS，双阈值筛，双阈值筛

选边缘）选边缘）

Canny边缘检测：边缘检测：

计算机如何识别边缘：即颜色变化强度大的地方，即像素变化大的地方。

1.高斯滤波：高斯滤波的就是先找到高斯滤波：高斯滤波的就是先找到高斯滤波核高斯滤波核然后再进行然后再进行卷积卷积

1.1高斯噪声高斯噪声

首先我们先说一下，什么是高斯噪声？高斯噪声高斯噪声就是它的概率密度函数服从高斯分布（即正态分布）的一类噪声。其其在图像当中常表现为能引起较强视觉效果的孤立像素点或像素孤立像素点或像素

块块。噪声的出现会给图像带来干扰，让图像变得不清楚。

高斯滤波就是对整幅图像进行加权平均加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。消除图像在数字化过程中产生或者混入的噪声。

1.2高斯滤波核计算高斯滤波核计算

二维高斯分布：

假定中心点的坐标是（0,0），那么取距离它最近的8个点坐标，为了计算，需要设定σ的值。假定假定σ=1，则高斯滤波核计算如下：

将坐标带入高斯分布得到：

有表中数据可得到结论：中心的值最大，越往外侧值约小。

再归一化处理：我们还要确保这九个值加起来为1（高斯滤波核的特性），这9个点的权重总和等于0.7792，因此给上面9个值还要分别除以0.7792，得到最终的高斯滤波核的值。

1.3卷积卷积

具体计算方法：

与对应位相乘对应位相乘得到结果为1.58左右则将原来3的位置改为1。然后依次向左向下移动小橘框与滤波核进行计算。（加外围一排的原因是为了保持

计算完后）

最终结果：

注：在原图加一层的做法是为了使在计算后得到与原图大小相同的图。通俗的讲就是，原图大小是5×5的，在外围加了一层变为了6×6，计算结束后又变成了原图5×5的大小。

高斯滤波的作用：原图的灰度强度变化是很大的（225旁边是2，4，差值很大）通过高斯滤波之后，差值变小了，说明图变平滑多了

2.计算图像的梯度和梯度方向计算图像的梯度和梯度方向

Sobel计算方法大致与高斯相同，对应位相乘，但计算卷积因子Gx，Gy是固定不变固定不变的。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

weixin_38722607

粉丝: 5
资源: 865

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈