第三部分 锐化与边缘检测

第三部分：锐化与边缘检测

核心问题

平滑滤波可以减弱噪声，但也可能让边缘变得模糊。如果我们希望突出物体轮廓、纹理细节和结构变化，就需要进行锐化与边缘检测。

原始图像 → 锐化处理 → 边缘和细节更明显

锐化

边缘检测

一句话

边缘通常对应图像中灰度变化剧烈的地方。

什么是边缘？

直观理解

在图像中，如果相邻区域的灰度或颜色发生明显变化，我们通常认为那里存在边缘。

数学理解

边缘可以看作图像函数变化最快的位置。

边缘 \(\Longleftrightarrow\) 灰度变化大

一阶导数：用梯度描述边缘

基本思想

如果把图像看作二维函数 \(f(x, y)\) ，那么灰度变化可以用偏导数描述：

\[ f _ {x} = \frac {\partial f}{\partial x}, \quad f _ {y} = \frac {\partial f}{\partial y} \]

梯度向量为:

\[ \nabla f = (f _ {x}, f _ {y}) \]

梯度幅值为:

\[ | \nabla f | = \sqrt {f _ {x} ^ {2} + f _ {y} ^ {2}} \]

离散图像中的梯度近似

问题

数字图像不是连续函数，而是像素矩阵。因此，导数需要用差分来近似。

水平方向差分

\[ f _ {x} (i, j) \approx f (i, j + 1) - f (i, j) \]

竖直方向差分

\[ f _ {y} (i, j) \approx f (i + 1, j) - f (i, j) \]

理解

Sobel 算子：常用的边缘检测方法

基本思想

Sobel 算子用两个卷积模板分别估计水平方向和竖直方向的灰度变化。

\[ G _ {x} = \left[ \begin{array}{c c c} - 1 & 0 & 1 \\ - 2 & 0 & 2 \\ - 1 & 0 & 1 \end{array} \right], \qquad G _ {y} = \left[ \begin{array}{c c c} - 1 & - 2 & - 1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{array} \right] \]

\[ G = \sqrt {G _ {x} ^ {2} + G _ {y} ^ {2}} \]

特点

边缘检测例子

锐化：让细节更突出

基本思想

锐化的目标是增强图像中的高频成分，例如边缘、纹理和细节。

锐化图像 = 原图像 + 细节增强项

一种常见形式是：

\[ g = f + \alpha (f - f _ {\text { smooth }}) \]

其中：

直观理解

先找出图像中 “被平滑掉的细节”，再把这些细节加回去。

拉普拉斯算子：二阶导数锐化

基本思想

拉普拉斯算子利用二阶导数检测灰度变化，常用于图像锐化。

\[ \Delta f = \frac {\partial^ {2} f}{\partial x ^ {2}} + \frac {\partial^ {2} f}{\partial y ^ {2}} \]

常见离散模板：

\[ \left[ \begin{array}{c c c} {0} & {- 1} & {0} \\ {- 1} & {4} & {- 1} \\ {0} & {- 1} & {0} \end{array} \right] \quad \text {或} \quad \left[ \begin{array}{c c c} {- 1} & {- 1} & {- 1} \\ {- 1} & {8} & {- 1} \\ {- 1} & {- 1} & {- 1} \end{array} \right] \]

锐化形式

\[ g = f + \lambda \Delta f \]

注意

锐化可以增强边缘，但也可能同时放大噪声。

锐化例子

锐化与平滑的关系

看似相反，其实互补

平滑滤波

锐化处理

工程经验

实际处理中，常常需要先适当去噪，再进行边缘检测或锐化。

去噪 → 锐化 → 边缘检测

边缘检测有什么用？

边缘是图像理解的重要线索

一句话

边缘检测不是最终目的，而是许多图像分析任务的基础步骤。

第三部分阶段小结

下一步

有了边缘之后，我们还希望进一步把图像中的目标区域分离出来。这就进入下一部分：图像分割。