邊緣檢測是圖像處理領(lǐng)域中的不可回避的問題，對(duì)于邊緣檢測，我們應(yīng)該有所了解。為增進(jìn)大家對(duì)邊緣檢測的認(rèn)識(shí)，本文將對(duì)邊緣檢測以及邊緣檢測方案予以介紹。如果你對(duì)邊緣檢測具有興趣，不妨一起和小編繼續(xù)往下閱讀哦。

所謂邊緣是指其周圍像素灰度急劇變化的那些象素的集合，它是圖像最基本的特征。邊緣存在于目標(biāo)、背景和區(qū)域之間，所以，它是圖像分割所依賴的最重要的依據(jù)。由于邊緣是位置的標(biāo)志，對(duì)灰度的變化不敏感，因此，邊緣也是圖像匹配的重要的特征。

邊緣檢測和區(qū)域劃分是圖像分割的兩種不同的方法，二者具有相互補(bǔ)充的特點(diǎn)。在邊緣檢測中，是提取圖像中不連續(xù)部分的特征，根據(jù)閉合的邊緣確定區(qū)域。而在區(qū)域劃分中，是把圖像分割成特征相同的區(qū)域，區(qū)域之間的邊界就是邊緣。由于邊緣檢測方法不需要將圖像逐個(gè)像素地分割，因此更適合大圖像的分割。

邊緣大致可以分為兩種，一種是階躍狀邊緣，邊緣兩邊像素的灰度值明顯不同;另一種為屋頂狀邊緣，邊緣處于灰度值由小到大再到小的變化轉(zhuǎn)折點(diǎn)處。邊緣檢測的主要工具是邊緣檢測模板。我們以一個(gè)一維模板為例來考察邊緣檢測模板是如何作用的。

模板的作用是將右鄰點(diǎn)的灰度值減去左鄰點(diǎn)的灰度值作為該點(diǎn)的灰度值。在灰度相近的區(qū)域內(nèi)，這么做的結(jié)果使得該點(diǎn)的灰度值接近于0;而在邊緣附近，灰度值有明顯的跳變，這么做的結(jié)果使得該點(diǎn)的灰度值很大，這樣就出現(xiàn)了上面的結(jié)果。這種模板就是一種邊緣檢測器，它在數(shù)學(xué)上的涵義是一種基于梯度的濾波器，習(xí)慣上又稱邊緣算子。我們知道，梯度是有方向的，和邊緣的方向總是垂直的。模板 是水平方向的，而上面那幅圖像的邊緣恰好是垂直方向的，使用模板 就可以將它檢測出來。如果圖像的邊緣是水平方向的，我們可以用梯度是垂直

方向的模板 檢測它的邊緣。如果圖像的邊緣是45。方向的，我們可以用模板檢測它的邊緣。

常用的邊緣檢測模板有Laplacian算子、Roberts算子、Sobel算子、log(Laplacian-Gauss)算子、Kirsch算子和Prewitt算子等。

邊緣檢測一般是提取輪廓部分梯度變化最大的地方，既然是提取變化最大的地方，那么直接求取二階導(dǎo)數(shù)不就可以了嘛，順著這個(gè)思路繼續(xù)思考，如果直接提取圖像像素值的二階導(dǎo)，確實(shí)是可以得到圖像邊緣部分的，也就是說求取圖像像素值的二階導(dǎo)會(huì)避免只求取一階導(dǎo)而導(dǎo)致圖像輪廓線段雜亂的現(xiàn)象。

但是如果只是求取圖像像素值的二階導(dǎo)數(shù)獲取圖像邊緣的話，其實(shí)得到的結(jié)果是不太理想的，最主要問題就是圖像的邊緣部分可能是斷斷續(xù)續(xù)的，或者邊緣連接部分不夠平滑，這主要是由于圖像的噪聲、以及圖像當(dāng)中的漏洞造成的。所以在對(duì)圖像進(jìn)行梯度計(jì)算之前，應(yīng)該先進(jìn)行圖像形態(tài)學(xué)操作，使用開操作和閉操作分別進(jìn)行去噪和填補(bǔ)漏洞，讓所有的邊緣盡量都連接成完整閉合的線段，這樣提取圖像邊緣的時(shí)候才不會(huì)出現(xiàn)斷斷續(xù)續(xù)、或者雜亂的線段。

到此，好像能夠影響圖像邊緣檢測的因素都被排除了，但是還有一種情況要說明，就是當(dāng)被檢測的圖像邊緣部分的像素變化不夠明顯的時(shí)候，是否還能夠正常的檢測分割出圖像的邊緣呢?以文章后面的人臉CT圖片為例，要檢測出人臉的輪廓部分是有很大難度的。

一般這種情況如果直接按照上面的流程進(jìn)行檢測，實(shí)際上效果是非常不理想的。由于圖像本身應(yīng)該被分割的邊緣部分由于像素差異過小，從而導(dǎo)致計(jì)算出來的梯度也非常的小，這種情況求取像素值的二階導(dǎo)會(huì)忽略掉這部分，二階導(dǎo)數(shù)求取是圖像像素梯度變化最大的地方，很明顯，在這一點(diǎn)上，我們所要求應(yīng)該被分割的“邊緣”是不符合算法的要求的。

接著這個(gè)問題繼續(xù)探討，我們可以從兩方面去思考解決方案，第一種解決方案就是直接拋棄圖像梯度計(jì)算的這種方法，使用一種完全按照我們對(duì)圖像邊緣要求分割的方法;第二種方案就是繼續(xù)按照?qǐng)D像像素梯度的計(jì)算方法改進(jìn)當(dāng)前的算法。

如果按照第一種方案的話，就不需要計(jì)算圖像像素的梯度了，目前傳統(tǒng)算法對(duì)于圖像邊緣分割都是基于像素梯度的計(jì)算，而不需要圖像梯度就能實(shí)現(xiàn)圖像分割的就只有深度學(xué)習(xí)的算法了，深度學(xué)習(xí)算法是一種基于端到端的學(xué)習(xí)方法，對(duì)于算法的設(shè)計(jì)難度較低，只需要指定輸入和輸出，以及對(duì)于標(biāo)簽的設(shè)定就可以了，深度學(xué)習(xí)方法除了對(duì)于設(shè)備的要求較高之外，訓(xùn)練技巧也較多，是需要一定的經(jīng)驗(yàn)和技術(shù)積累的。

第二種方案是我們要探討的重點(diǎn)，如何按照?qǐng)D像像素梯度計(jì)算的方法對(duì)弱邊緣圖像進(jìn)行分割呢?其實(shí)答案的線索就藏在這個(gè)問題里面，既然圖像的邊緣較弱，那么意味著這部分圖像的像素梯度也較弱，如果有一種方法能夠增加這部分圖像的像素梯度，那么問題就迎刃而解了。

以上便是此次小編帶來的檢測相關(guān)內(nèi)容，通過本文，希望大家對(duì)邊緣檢測具備一定的認(rèn)知。如果你喜歡本文，不妨持續(xù)關(guān)注我們網(wǎng)站哦，小編將于后期帶來更多精彩內(nèi)容。最后，十分感謝大家的閱讀，have a nice day!