数字图像处理（冈萨雷斯版）学习笔记(6)第10章 |
您所在的位置：网站首页 › 冈萨雷斯数字图像处理第四版第三章课后答案 › 数字图像处理（冈萨雷斯版）学习笔记(6)第10章 |
数字图像处理（冈萨雷斯版）学习笔记(6)第10章
|
10.1.2 线检测
检测指定方向的线 f = imread('c:\图像\线检测样本.tif'); g = abs(imfilter(double(f),w)); figure,imshow(f) figure,imshow(g) gtop = g(1:120,1:120); gtop = pixeldup(gtop,4); figure,imshow(gtop,[]) gbot = g(end-119:end,end-119:end); gbot = pixeldup(gbot,4); figure,imshow(gbot,[]); g = abs(g); figure,imshow(g,[]) T = max(g(:)); g = g >= T; figure,imshow(g)图像1为原始图像 图像2使用-45度检测器处理后的结果 图像3是图像2的左上角放大图 图像4是图像2的右下角放大图 图像5为图像2的绝对值 图像6为值满足条件 g >= T的所有点(白色），其中g是图像5所示的图像
[g, t] = edge(f,‘sobel’,T,dir) 其中，f是输入图像，T是一个指定的阈值，dir指定检测边缘的首选方向：‘horizontal’,‘vertical’或’both’(默认值)。g是在被检测到边缘的位置处为1而在其他位置为0的逻辑类图像。输出参数是可选的，它是函数edge所用的阈值。若指定了T的值，则t = T。否则，若T未被赋值（或为空，[]),则函数edge会令t等于它自动确定的一个阈值，然后用于边缘检测。在输出参量中要包括t的主要原因之一是为了得到一个阈值的初始值。若使用语法g = edge(f)或[g,t] = egde(f),则函数edge会默认使用Sobel检测器。 图像1为原始图像 图像2为使用带有自动确定的阈值的一个垂直Sobel掩模后，函数edge导致的结果； 图像3为使用指定阈值后的结果 图像4是使用指定阈值来决定垂直边缘和水平边缘的结果 图像5使用函数imfilter(具有指定掩模和阈值）计算45度边缘的结果； 图像6是-45度边缘的结果
Prewitt边缘检测器(使用图10.5©) 基本语法：[g,t] = edge(f,‘prewitt’,T,dir) 该函数的参数和Sobel的参数相同。Prewitt检测器比Sobel检测器在计算上要简单一些，但比较容易产生一些噪声(系数为2的Sobel检测器可提供一种平滑作用）。 Roberts边缘检测器(使用图10.5(d)) 基本语法：[g,t] = edge(f,‘roberts’,T,dir) Laplacian of a Gaussian
零交叉检测器 这种检测器基于与LoG方法相同的概念，但卷积是使用指定的滤波函数H执行。调用语法为 [g, t] = edge(f,‘zerocross’,T,H) 其他参数的解释与LoG中的参数相同 Canny边缘检测器
Sobel,LoG和Canny边缘检测器的比较 f = imread('c:\图像\边缘检测样本.tif'); [g_sobel_default,ts] = edge(f,'sobel'); [g_log_default,tlog] = edge(f,'log'); [g_canny_default,tc] = edge(f,'canny'); figure,imshow(g_sobel_default) figure,imshow(g_log_default) figure,imshow(g_canny_default) g_sobel_best = edge(f,'sobel',0.05); g_log_best = edge(f,'log',0.003,2.25); g_canny_best = edge(f,'canny',[0.04 0.10],1.5); figure,imshow(g_sobel_best) figure,imshow(g_log_best) figure,imshow(g_canny_best)图像1 - 3分别为使用默认选项’Sobel’,'log’和’canny’得到的边缘图像：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-E9EdThVV-1593138195503)(https://s2.ax1x.com/2019/07/13/Zhl4vn.png)] f = imread('c:\图像\Hough函数样本.tif'); f = zeros(101,101); f(1,1) = 1; f(101,1) = 1; f(1,101) = 1; f(101,101) = 1; f(51,51) = 1; H = hough(f); figure,imshow(H,[]) figure,imshow(f) figure,imshow(H,[])
函数graythresh能够计算阈值，其语法为：T = graythresh(f) 其中，f是输入图像，T是产生的阈值。为了分割图像，我们在函数im2bw中使用阈值T。因为阈值已被归一化到范围[0,1]内，因此必须在使用阈值之前将其缩放到合适范围。例如，若f是uint8类图像，则我们在使用T之前要让T乘以255. 计算全局阈值 f = imread('c:\图像\计算阈值样本.tif'); T = 0.5*(double(min(f(:))) + double(max(f(:)))); done = false; while~done g = f >= T; Tnext = 0.5*(mean(f(g)) + mean(f(~g))); done = abs(T - Tnext) < 0.5; T = Tnext; end figure,imshow(f) T2 = graythresh(f) T2 = 0.3961 >> T2 * 255 ans = 101 while~done g = f >= T2; T2next = 0.5*(mean(f(g)) + mean(f(~g))); done = abs(T2 - Tnext) < 0.5; T2 = T2next; end figure,imshow(g)图1为原图像，图2为策略迭代的结果，图3为使用graythresh的结果
|
图像4 - 6交互地显示原图像的主要特征所得到的结果，该结果减少了无关的细节。这是到目前为止Canny边缘检测器产生的最好结果 
f = imread(‘c:\图像\计算阈值样本.tif’);
【本文地址】
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |