边缘检测的概念

边缘检测的概念用于通过改变图像的强度来检测边缘的位置和存在。图像处理中使用不同的操作来检测边缘。 它可以检测灰度级的变化，但是当检测到噪声时会快速响应。 在图像处理中，边缘检测是一项非常重要的任务。 边缘检测是模式识别，图像分割和场景分析中的主要工具。 它是一种滤波器，用于提取图像中的边缘点。 当图像轮廓的边缘跨越图像的亮度时，图像会发生突然变化。

在图像处理中，边缘被解释为奇异性的单个类别。 在函数中，奇异性的特征在于梯度接近无穷大的不连续性。

我们知道图像数据是离散形式的，因此图像的边缘被定义为梯度的局部最大值。 lll

大多数边缘存在于对象和对象，基元和基元，对象和背景之间。 反射回的对象是不连续的形式。 边缘检测方法研究改变灰色区域中图像的单个像素。

边缘检测主要用于测量，检测和定位图像灰度中的变化。 边缘是图像的基本特征。 在对象中，最清晰的部分是边缘和线条。 借助边缘和线条，可以知道对象的结构。 这就是为什么提取边缘是图形处理和特征提取中非常重要的技术。

边缘检测背后的基本思想如下

1. 要突出显示局部边缘算子，请使用边缘增强算子。
2. 定义边缘强度并设置边缘点。

注意：当存在噪声和模糊图像时，无法执行边缘检测。

有5个边缘检测算子，它们如下

1. Sobel 边缘检测算子

Sobel 边缘检测算子提取图像的所有边缘，而无需担心方向。 Sobel 算子的主要优点是它可以提供差分和平滑效果。

Sobel 边缘检测算子实现为两个方向边缘的总和。 结果图像是原始图像中的单向轮廓。

Sobel 边缘检测算子由 3x3 卷积核组成。 Gx 是一个简单的内核，Gy 旋转 90°

这些内核分别应用于输入图像，因为可以在每个方向（即 Gx 和 Gy）上产生单独的测量结果。

以下是梯度幅值

由于计算速度更快，因此计算了近似幅度

2. Robert 的交叉算子

Robert 的交叉算子用于对图像执行二维空间梯度测量，该测量简单且计算速度快。 在 Robert 的交叉算子中，每个点的像素值表示该点处输入图像的绝对幅度。

Robert 的交叉算子由 2x2 卷积核组成。 Gx 是一个简单的内核，Gy 旋转 90 度

以下是梯度幅值

由于计算速度更快，因此计算了近似幅度

3. 高斯拉普拉斯算子

高斯拉普拉斯算子是图像的二维各向同性测量。 在图像中，拉普拉斯算子是突出显示快速强度变化的区域，也用于边缘检测。 拉普拉斯算子应用于已使用高斯平滑滤波器平滑的图像，以降低对噪声的敏感度。 该算子将单个灰度图像作为输入，并生成单个灰度图像作为输出。

以下是具有像素强度值 I(x, y) 的图像的拉普拉斯算子 L(x,y)。

在拉普拉斯算子中，输入图像表示为一组离散像素。 因此，可以找到一个离散卷积核，它可以近似定义中的二阶导数。

以下是 3 个常用内核

这是拉普拉斯滤波器中常用的 3 个离散近似。

以下是具有高斯标准差的二维 Log 函数

4. Prewitt 算子

Prewitt 算子是微分算子。 Prewitt 算子用于计算图像强度函数的近似梯度。 在图像中，在每个点，Prewitt 算子都会产生梯度向量或法线向量。 在 Prewitt 算子中，图像在水平和垂直方向上与小型，可分离和整数值滤波器进行卷积。 在计算方面，它的成本不高。