基于海森矩阵的亚像素图像边缘特征提取

CompanyLOGO基于海森矩阵的亚像素图像边缘特征提取班级：信研1403姓名：杨明亚像素边缘检测意义1亚像素边缘检测方法2海森矩阵检测方法原理3程序流程设计4实验结果分析5亚像素边缘检测意义数字图像的边缘检测是图像分割、目标识别、区域形状提取等图像分析领域的基础。亚像素边缘检测意义传统的边缘检测方法的检测精度最高只能达到一个像素级。工业检测等应用对精确度的要求不断提高，传统的像素级边缘检测方法已经不能满足实际测量的需求，需要更高精度的边缘检测方法。在视觉检测系统中，系统的测量精度与边缘检测的精度成正比关系。提高视觉检测系统精度的方法有两种，第一、提高硬件分辨率，但其将导致成本提高；第二、采取亚像素边缘提取的方法提高边缘检测精度。亚像素边缘检测方法传统的像素级边缘检测方法有：Roberts算子，Sobel算子,Prewitt算子，Canny算子，二阶微分拉普拉斯算子。像素级边缘检测方法的缺点：在除去噪声的同时，易将某些边缘除去；只对阶跃型边缘效果较好。像素级方法能够检测出边缘点位于具体的像素点内，边缘存在于像素点的任何位置，最大误差为0.5个像素。亚像素级边缘检测方法有：曲线拟合法，矩法，数字相关法，基于海森矩阵的方法。亚像素级边缘检测方法的边缘点最大误差为-1/2~1/2个像素。基于海森矩阵的亚像素检测方法正常边缘常见的边缘形状有斜坡型、阶跃型、高斯型等。高斯型边缘横截面零阶极大值点、一阶过零点、二阶极小值点将位于同一点。颜色吸收区域强漫反射区域镜面反射区域实际测量中受噪声的影响和干扰,极可能出现边缘的横截面的二阶极小值点与一阶过零点不是同一点。且灰度零阶极大值点与二阶极小值点也不重合。高斯函数：的选择？越大，图像平滑越厉害，对边缘的检测不利。高斯卷积核22221σxσeσπxgygxgyx,gygxgyx,gygxgyx,gygxgyx,gygxgyx,g''σσσyy,'σ'σσxy,σ''σσxx,'σσσy,σ'σσx,像素的海森矩阵为：该点法线方向的二阶梯度值及法线方向为该点Hessian矩阵的最大绝对特征值和相应的特征向量。yyxyxyxxrrrryx,H00,yxyxn,n时，即边缘的一阶过零点在当前像素内,且二阶梯度值与法线方向的二阶导数大于指定的阈值,则该点为边缘中心点。那么以为基准点的一阶过零点亚像素坐标为：yxyxtny,tnxp,p00yyyxyyxxxxyyxxrnrnnrnrnrnt22200,yx5.0,5.05.0，5.0-xtn,tnyx某一像素点是边缘点，其Hessian矩阵的绝对值最大的特征值为负，且该特征值可近似为该点所对应的局部图像灰度的二阶方向导数负极值，相应特征向量的单位形式可近似为该点的法线方向。流程设计高斯核函数图像FHessian矩阵二阶梯度值、一阶过零点、法线方向二阶导数特征值与特征向量亚像素坐标是否内插细分实验结果分析海森矩阵的亚像素边缘提取方法，Canny算子边缘提取方法。海森矩阵的亚像素边缘提取方法中的关键参数：高斯函数，二阶梯度阈值，法线方向二阶导数阈值。本方法的优点：总体精度比像素级高，对于阶跃型、高斯型、模糊、强度较低边缘的提取精度高。CompanyLOGO