1.顏色特征提取

計(ji)算(suan)(suan)機視覺(jue)的(de)(de)(de)特(te)(te)征(zheng)提取(qu)算(suan)(suan)法(fa)研究(jiu)至關重要(yao)。在一(yi)些算(suan)(suan)法(fa)中(zhong)，一(yi)個高(gao)復(fu)雜(za)度特(te)(te)征(zheng)的(de)(de)(de)提取(qu)可(ke)能能夠解決問題（進(jin)行(xing)目標檢測等目的(de)(de)(de)），但這將以處理更多(duo)數(shu)據，需要(yao)更高(gao)的(de)(de)(de)處理效果為代(dai)價。而(er)顏(yan)色(se)特(te)(te)征(zheng)無需進(jin)行(xing)大量計(ji)算(suan)(suan)。只需將數(shu)字圖(tu)像中(zhong)的(de)(de)(de)像素(su)值(zhi)進(jin)行(xing)相應轉換，表(biao)現(xian)為數(shu)值(zhi)即(ji)可(ke)。因此顏(yan)色(se)特(te)(te)征(zheng)以其低復(fu)雜(za)度成(cheng)為了一(yi)個較好的(de)(de)(de)特(te)(te)征(zheng)。

在(zai)(zai)圖(tu)像處理中，我們(men)可以將一個(ge)(ge)具體(ti)的(de)像素點所呈現的(de)顏色(se)(se)分(fen)多(duo)種(zhong)方(fang)法分(fen)析(xi)，并提取(qu)出其(qi)顏色(se)(se)特(te)征(zheng)分(fen)量(liang)。比如通過手工(gong)標記(ji)區域(yu)提取(qu)一個(ge)(ge)特(te)定區域(yu)（region）的(de)顏色(se)(se)特(te)征(zheng)，用該區域(yu)在(zai)(zai)一個(ge)(ge)顏色(se)(se)空間三個(ge)(ge)分(fen)量(liang)各自的(de)平(ping)均值表(biao)示(shi)，或者可以建立三個(ge)(ge)顏色(se)(se)直(zhi)方(fang)圖(tu)等方(fang)法。下面我們(men)介紹一下顏色(se)(se)直(zhi)方(fang)圖(tu)和顏色(se)(se)矩的(de)概念(nian)。

（1）顏色直方圖：

顏(yan)(yan)(yan)(yan)色(se)(se)直方(fang)(fang)(fang)(fang)(fang)圖(tu)(tu)用(yong)以(yi)反(fan)映圖(tu)(tu)像(xiang)(xiang)顏(yan)(yan)(yan)(yan)色(se)(se)的(de)(de)組成分布(bu)，即各種(zhong)顏(yan)(yan)(yan)(yan)色(se)(se)出現(xian)的(de)(de)概率。Swain和Ballard最先提(ti)出了應用(yong)顏(yan)(yan)(yan)(yan)色(se)(se)直方(fang)(fang)(fang)(fang)(fang)圖(tu)(tu)進行圖(tu)(tu)像(xiang)(xiang)特征提(ti)取的(de)(de)方(fang)(fang)(fang)(fang)(fang)法(fa)[40]，首先利用(yong)顏(yan)(yan)(yan)(yan)色(se)(se)空間三個分量的(de)(de)剝離得到顏(yan)(yan)(yan)(yan)色(se)(se)直方(fang)(fang)(fang)(fang)(fang)圖(tu)(tu)，之后(hou)通過觀察實驗數據發現(xian)將(jiang)圖(tu)(tu)像(xiang)(xiang)進行旋(xuan)轉(zhuan)變換(huan)、縮放變換(huan)、模糊變換(huan)后(hou)圖(tu)(tu)像(xiang)(xiang)的(de)(de)顏(yan)(yan)(yan)(yan)色(se)(se)直方(fang)(fang)(fang)(fang)(fang)圖(tu)(tu)改變不大，即圖(tu)(tu)像(xiang)(xiang)直方(fang)(fang)(fang)(fang)(fang)圖(tu)(tu)對圖(tu)(tu)像(xiang)(xiang)的(de)(de)物理變換(huan)是不敏(min)感的(de)(de)。因此(ci)常提(ti)取顏(yan)(yan)(yan)(yan)色(se)(se)特征并(bing)用(yong)顏(yan)(yan)(yan)(yan)色(se)(se)直方(fang)(fang)(fang)(fang)(fang)圖(tu)(tu)應用(yong)于衡(heng)量和比較兩幅圖(tu)(tu)像(xiang)(xiang)的(de)(de)全局差(cha)。另外，如果圖(tu)(tu)像(xiang)(xiang)可以(yi)分為多個區域，并(bing)且前景與背景顏(yan)(yan)(yan)(yan)色(se)(se)分布(bu)具有(you)明顯(xian)差(cha)異，則顏(yan)(yan)(yan)(yan)色(se)(se)直方(fang)(fang)(fang)(fang)(fang)圖(tu)(tu)呈現(xian)雙峰形(xing)。

顏(yan)色(se)直(zhi)方(fang)圖(tu)(tu)也有(you)其缺點：由(you)于顏(yan)色(se)直(zhi)方(fang)圖(tu)(tu)是全局顏(yan)色(se)統計的結果(guo)(guo)，因此(ci)丟失了像素(su)點間的位置特征。可(ke)能有(you)幾幅圖(tu)(tu)像具(ju)有(you)相同或相近的顏(yan)色(se)直(zhi)方(fang)圖(tu)(tu)，但其圖(tu)(tu)像像素(su)位置分布完(wan)全不同。因此(ci)，圖(tu)(tu)像與顏(yan)色(se)直(zhi)方(fang)圖(tu)(tu)得(de)多對一關(guan)系使得(de)顏(yan)色(se)直(zhi)方(fang)圖(tu)(tu)在識(shi)別前(qian)景(jing)物體上(shang)不能獲得(de)很好的效果(guo)(guo)。

考慮到顏(yan)色(se)直(zhi)(zhi)方圖(tu)的以上問題(ti)，主(zhu)色(se)調(diao)直(zhi)(zhi)方圖(tu)便產生了(le)。所謂主(zhu)色(se)調(diao)直(zhi)(zhi)方圖(tu)基于假設少(shao)數幾個像素的值能夠表示圖(tu)像中的絕大部分(fen)像素，即(ji)出現頻(pin)率(lv)最高的幾個像素被(bei)選為主(zhu)色(se)，僅用主(zhu)色(se)構成的主(zhu)色(se)調(diao)直(zhi)(zhi)方圖(tu)描(miao)述一幅圖(tu)像。這樣的描(miao)述子(zi)并不會降低通過顏(yan)色(se)特征進行匹配的效果，因為從某種角度將，頻(pin)度出現很(hen)小的像素點可以被(bei)視為噪聲。

（2）顏色矩：

顏(yan)(yan)色(se)(se)(se)矩是一種(zhong)有效的(de)顏(yan)(yan)色(se)(se)(se)特征(zheng)，由Stricker和Orengo提出[41]，該方法(fa)利用線(xian)性代(dai)數中矩的(de)概念，將(jiang)(jiang)圖(tu)(tu)(tu)像(xiang)中的(de)顏(yan)(yan)色(se)(se)(se)分布用其(qi)矩表(biao)示。利用顏(yan)(yan)色(se)(se)(se)一階矩（平均值Average）、顏(yan)(yan)色(se)(se)(se)二(er)階矩（方差Variance）和顏(yan)(yan)色(se)(se)(se)三階矩（偏斜度(du)Skewness）來(lai)描述顏(yan)(yan)色(se)(se)(se)分布。與(yu)顏(yan)(yan)色(se)(se)(se)直方圖(tu)(tu)(tu)不同(tong)，利用顏(yan)(yan)色(se)(se)(se)矩進行圖(tu)(tu)(tu)像(xiang)描述無(wu)需量(liang)化圖(tu)(tu)(tu)像(xiang)特征(zheng)。由于每個像(xiang)素(su)具(ju)有顏(yan)(yan)色(se)(se)(se)空間的(de)三個顏(yan)(yan)色(se)(se)(se)通道，因(yin)此(ci)圖(tu)(tu)(tu)像(xiang)的(de)顏(yan)(yan)色(se)(se)(se)矩有9個分量(liang)來(lai)描述。由于顏(yan)(yan)色(se)(se)(se)矩的(de)維度(du)較(jiao)少(shao)，因(yin)此(ci)常將(jiang)(jiang)顏(yan)(yan)色(se)(se)(se)矩與(yu)其(qi)他圖(tu)(tu)(tu)像(xiang)特征(zheng)綜合使用。

（3）顏色集：

以(yi)上兩種方法(fa)(fa)通(tong)常用于兩幅(fu)圖(tu)(tu)像(xiang)間(jian)全局(ju)或region之間(jian)的(de)(de)(de)顏(yan)(yan)色(se)(se)(se)比(bi)較、匹配等，而顏(yan)(yan)色(se)(se)(se)集(ji)的(de)(de)(de)方法(fa)(fa)致力于實現基(ji)于顏(yan)(yan)色(se)(se)(se)實現對(dui)大規模圖(tu)(tu)像(xiang)的(de)(de)(de)檢索(suo)(suo)。顏(yan)(yan)色(se)(se)(se)集(ji)的(de)(de)(de)方法(fa)(fa)由(you)Smith和Chang提出[42]，該方法(fa)(fa)將顏(yan)(yan)色(se)(se)(se)轉化(hua)到HSV顏(yan)(yan)色(se)(se)(se)空(kong)間(jian)后，將圖(tu)(tu)像(xiang)根據其顏(yan)(yan)色(se)(se)(se)信息進(jin)(jin)行圖(tu)(tu)像(xiang)分割成若干region，并將顏(yan)(yan)色(se)(se)(se)分為多個(ge)bin，每個(ge)region進(jin)(jin)行顏(yan)(yan)色(se)(se)(se)空(kong)間(jian)量化(hua)建立(li)顏(yan)(yan)色(se)(se)(se)索(suo)(suo)引(yin)，進(jin)(jin)而建立(li)二進(jin)(jin)制圖(tu)(tu)像(xiang)顏(yan)(yan)色(se)(se)(se)索(suo)(suo)引(yin)表。為加快(kuai)查找(zhao)速度，還可以(yi)構造二分查找(zhao)樹進(jin)(jin)行特征檢索(suo)(suo)。

2.紋理特征提取

一幅(fu)圖(tu)(tu)像(xiang)(xiang)的(de)(de)(de)(de)紋(wen)(wen)理(li)(li)是在(zai)圖(tu)(tu)像(xiang)(xiang)計(ji)(ji)算(suan)中(zhong)(zhong)經過量(liang)化的(de)(de)(de)(de)圖(tu)(tu)像(xiang)(xiang)特征。圖(tu)(tu)像(xiang)(xiang)紋(wen)(wen)理(li)(li)描述圖(tu)(tu)像(xiang)(xiang)或(huo)其中(zhong)(zhong)小塊(kuai)區域的(de)(de)(de)(de)空(kong)間顏(yan)色分布和(he)光強分布。紋(wen)(wen)理(li)(li)特征的(de)(de)(de)(de)提(ti)取分為(wei)基(ji)于(yu)結(jie)構的(de)(de)(de)(de)方(fang)(fang)法(fa)和(he)基(ji)于(yu)統計(ji)(ji)數據的(de)(de)(de)(de)方(fang)(fang)法(fa)。一個基(ji)于(yu)結(jie)構的(de)(de)(de)(de)紋(wen)(wen)理(li)(li)特征提(ti)取方(fang)(fang)法(fa)是將所要檢測的(de)(de)(de)(de)紋(wen)(wen)理(li)(li)進(jin)行建模，在(zai)圖(tu)(tu)像(xiang)(xiang)中(zhong)(zhong)搜索(suo)重復的(de)(de)(de)(de)模式。該方(fang)(fang)法(fa)對人工合成的(de)(de)(de)(de)紋(wen)(wen)理(li)(li)識(shi)別(bie)(bie)效果(guo)較好。但(dan)對于(yu)交通(tong)圖(tu)(tu)像(xiang)(xiang)中(zhong)(zhong)的(de)(de)(de)(de)紋(wen)(wen)理(li)(li)識(shi)別(bie)(bie)，基(ji)于(yu)統計(ji)(ji)數據的(de)(de)(de)(de)方(fang)(fang)法(fa)效果(guo)更好。

（1）LBP特征

LBP方(fang)法(fa)（Local binary patterns）是一(yi)個(ge)計算機視覺中用(yong)(yong)于(yu)圖像特征分類(lei)的一(yi)個(ge)方(fang)法(fa)。LBP方(fang)法(fa)在1994年首先由T. Ojala, M.Pietik?inen, 和(he) D. Harwood 提(ti)(ti)出[43][44]，用(yong)(yong)于(yu)紋(wen)理特征提(ti)(ti)取。后來(lai)LBP方(fang)法(fa)與(yu)HOG特征分類(lei)器聯合(he)使用(yong)(yong)，改(gai)善(shan)了一(yi)些(xie)數(shu)據集[45]上的檢測效果。

對LBP特征向(xiang)量進行提取(qu)的步驟如(ru)下：

首(shou)先將檢(jian)測窗口劃(hua)分(fen)(fen)為(wei)16×16的(de)(de)(de)(de)(de)小區(qu)域(yu)(yu)（cell），對(dui)于每個(ge)(ge)(ge)(ge)cell中的(de)(de)(de)(de)(de)一(yi)個(ge)(ge)(ge)(ge)像素(su)，將其環形(xing)鄰域(yu)(yu)內(nei)的(de)(de)(de)(de)(de)8個(ge)(ge)(ge)(ge)點(dian)(dian)（也(ye)可(ke)以是(shi)(shi)環形(xing)鄰域(yu)(yu)多個(ge)(ge)(ge)(ge)點(dian)(dian)，如圖(tu) 3?4. 應用(yong)LBP算法(fa)的(de)(de)(de)(de)(de)三個(ge)(ge)(ge)(ge)鄰域(yu)(yu)示例所(suo)示）進(jin)(jin)行(xing)(xing)(xing)順時(shi)針或逆(ni)時(shi)針的(de)(de)(de)(de)(de)比較，如果(guo)中心像素(su)值(zhi)比該(gai)(gai)鄰點(dian)(dian)大，則(ze)將鄰點(dian)(dian)賦(fu)值(zhi)為(wei)1，否(fou)則(ze)賦(fu)值(zhi)為(wei)0，這樣每個(ge)(ge)(ge)(ge)點(dian)(dian)都會獲得一(yi)個(ge)(ge)(ge)(ge)8位二進(jin)(jin)制數(shu)（通(tong)常轉換(huan)為(wei)十進(jin)(jin)制數(shu)）。然(ran)后(hou)(hou)計算每個(ge)(ge)(ge)(ge)cell的(de)(de)(de)(de)(de)直(zhi)方圖(tu)，即每個(ge)(ge)(ge)(ge)數(shu)字(zi)（假定是(shi)(shi)十進(jin)(jin)制數(shu)）出現(xian)的(de)(de)(de)(de)(de)頻(pin)率(lv)（也(ye)就是(shi)(shi)一(yi)個(ge)(ge)(ge)(ge)關于每一(yi)個(ge)(ge)(ge)(ge)像素(su)點(dian)(dian)是(shi)(shi)否(fou)比鄰域(yu)(yu)內(nei)點(dian)(dian)大的(de)(de)(de)(de)(de)一(yi)個(ge)(ge)(ge)(ge)二進(jin)(jin)制序(xu)列進(jin)(jin)行(xing)(xing)(xing)統計），然(ran)后(hou)(hou)對(dui)該(gai)(gai)直(zhi)方圖(tu)進(jin)(jin)行(xing)(xing)(xing)歸一(yi)化處理。最(zui)后(hou)(hou)將得到的(de)(de)(de)(de)(de)每個(ge)(ge)(ge)(ge)cell的(de)(de)(de)(de)(de)統計直(zhi)方圖(tu)進(jin)(jin)行(xing)(xing)(xing)連接，就得到了整幅圖(tu)的(de)(de)(de)(de)(de)LBP紋理特征(zheng)，然(ran)后(hou)(hou)便可(ke)利用(yong)SVM或者其他機器學習算法(fa)進(jin)(jin)行(xing)(xing)(xing)分(fen)(fen)類(lei)了。

（2）灰度共生矩陣

灰(hui)度(du)共生(sheng)(sheng)(sheng)矩(ju)(ju)陣(zhen)(zhen)是另一(yi)種紋理特征提取方法，首先對于(yu)一(yi)幅圖像定(ding)義(yi)一(yi)個(ge)方向(xiang)(xiang)(xiang)（orientation）和一(yi)個(ge)以pixel為(wei)單位的(de)(de)步長(chang)(chang)(step)，灰(hui)度(du)共生(sheng)(sheng)(sheng)矩(ju)(ju)陣(zhen)(zhen)T（N×N），則定(ding)義(yi)M(i,j)為(wei)灰(hui)度(du)級為(wei)i和j的(de)(de)像素同時出現(xian)在一(yi)個(ge)點和沿所定(ding)義(yi)的(de)(de)方向(xiang)(xiang)(xiang)跨度(du)步長(chang)(chang)的(de)(de)點上的(de)(de)頻(pin)(pin)率。其中(zhong)N是灰(hui)度(du)級劃(hua)分(fen)數(shu)目(mu)。由于(yu)共生(sheng)(sheng)(sheng)矩(ju)(ju)陣(zhen)(zhen)有(you)方向(xiang)(xiang)(xiang)和步長(chang)(chang)的(de)(de)組合定(ding)義(yi)，而決定(ding)頻(pin)(pin)率的(de)(de)一(yi)個(ge)因素是對矩(ju)(ju)陣(zhen)(zhen)有(you)貢獻的(de)(de)像素數(shu)目(mu)，而這個(ge)數(shu)目(mu)要(yao)比總共數(shu)目(mu)少，且隨著(zhu)步長(chang)(chang)的(de)(de)增加而減少。因此所得到(dao)的(de)(de)共生(sheng)(sheng)(sheng)矩(ju)(ju)陣(zhen)(zhen)是一(yi)個(ge)稀疏矩(ju)(ju)陣(zhen)(zhen)，所以灰(hui)度(du)級劃(hua)分(fen)N常常減少到(dao)8級。如在水平方向(xiang)(xiang)(xiang)上計算(suan)左右方向(xiang)(xiang)(xiang)上像素的(de)(de)共生(sheng)(sheng)(sheng)矩(ju)(ju)陣(zhen)(zhen)，則為(wei)對稱共生(sheng)(sheng)(sheng)矩(ju)(ju)陣(zhen)(zhen)。類似的(de)(de)，如果僅考慮當前(qian)像素單方向(xiang)(xiang)(xiang)（左或右）上的(de)(de)像素，則稱為(wei)非對稱共生(sheng)(sheng)(sheng)矩(ju)(ju)陣(zhen)(zhen)。

3.邊緣特征提取

邊緣檢測是圖形圖像處理、計算機視覺和機器視覺中(zhong)的(de)(de)一個基本工具，通(tong)常用于(yu)特征提取和特征檢測(ce)，旨在(zai)(zai)檢測(ce)一張數字圖(tu)像(xiang)(xiang)中(zhong)有(you)明顯變化的(de)(de)邊緣或者不(bu)連(lian)續的(de)(de)區(qu)域(yu)，在(zai)(zai)一維空間(jian)中(zhong)，類(lei)似的(de)(de)操(cao)作(zuo)被稱作(zuo)步長檢測(ce)（step detection）。邊緣是一幅(fu)圖(tu)像(xiang)(xiang)中(zhong)不(bu)同屈原之(zhi)間(jian)的(de)(de)邊界線，通(tong)常一個邊緣圖(tu)像(xiang)(xiang)是一個二(er)值(zhi)圖(tu)像(xiang)(xiang)。邊緣檢測(ce)的(de)(de)目(mu)的(de)(de)是捕捉(zhuo)亮度(du)急劇(ju)變化的(de)(de)區(qu)域(yu)，而這些區(qu)域(yu)通(tong)常是我(wo)們關注的(de)(de)。在(zai)(zai)一幅(fu)圖(tu)像(xiang)(xiang)中(zhong)兩度(du)不(bu)連(lian)續的(de)(de)區(qu)域(yu)通(tong)常是以(yi)下(xia)幾項之(zhi)一：

# 圖像深度不連續處

# 圖像(xiang)（梯度）朝(chao)向不連續處(chu)

# 圖像光(guang)照（強度(du)）不連續(xu)處

# 紋理變化處

理想情況下(xia)，對所(suo)(suo)給圖(tu)像(xiang)(xiang)應用邊(bian)緣(yuan)(yuan)(yuan)(yuan)檢(jian)(jian)測(ce)器可(ke)以得到一(yi)系列連續(xu)的(de)曲(qu)(qu)線(xian)(xian)，用于(yu)表示(shi)對象的(de)邊(bian)界。因(yin)此(ci)應用邊(bian)緣(yuan)(yuan)(yuan)(yuan)檢(jian)(jian)測(ce)算(suan)(suan)(suan)法(fa)所(suo)(suo)得到的(de)結(jie)果將會(hui)大大減(jian)少圖(tu)像(xiang)(xiang)數據量，從(cong)而過濾掉(diao)很多我(wo)們(men)不(bu)(bu)需要(yao)的(de)信(xin)息，留下(xia)圖(tu)像(xiang)(xiang)的(de)重要(yao)結(jie)構，所(suo)(suo)要(yao)處理的(de)工作即被(bei)大大簡化。然而，從(cong)普通(tong)(tong)圖(tu)片上提(ti)取的(de)邊(bian)緣(yuan)(yuan)(yuan)(yuan)往往被(bei)圖(tu)像(xiang)(xiang)的(de)分(fen)割所(suo)(suo)破壞(huai)，也就(jiu)是說，檢(jian)(jian)測(ce)到的(de)曲(qu)(qu)線(xian)(xian)通(tong)(tong)常不(bu)(bu)是連續(xu)的(de)，有一(yi)些邊(bian)緣(yuan)(yuan)(yuan)(yuan)曲(qu)(qu)線(xian)(xian)段開，就(jiu)會(hui)丟失邊(bian)緣(yuan)(yuan)(yuan)(yuan)線(xian)(xian)段，而且會(hui)出現(xian)一(yi)些我(wo)們(men)不(bu)(bu)感(gan)興趣的(de)邊(bian)緣(yuan)(yuan)(yuan)(yuan)。這(zhe)就(jiu)需要(yao)邊(bian)緣(yuan)(yuan)(yuan)(yuan)檢(jian)(jian)測(ce)算(suan)(suan)(suan)法(fa)的(de)準確(que)性。下(xia)面介紹(shao)兩個本文實現(xian)的(de)邊(bian)緣(yuan)(yuan)(yuan)(yuan)檢(jian)(jian)測(ce)算(suan)(suan)(suan)法(fa)：canny算(suan)(suan)(suan)子和sobel算(suan)(suan)(suan)子進(jin)行(xing)邊(bian)緣(yuan)(yuan)(yuan)(yuan)檢(jian)(jian)測(ce)。

（1）Canny算子邊緣檢測

Canny邊(bian)(bian)緣(yuan)檢(jian)測(ce)(ce)算法基于一個多(duo)階邊(bian)(bian)緣(yuan)算子，是由John F. Canny于1986年首先提出的(de)[46]，他(ta)不但給出了邊(bian)(bian)緣(yuan)檢(jian)測(ce)(ce)的(de)方(fang)法，也提出了邊(bian)(bian)緣(yuan)檢(jian)測(ce)(ce)的(de)計算理論(lun)。

Canny邊緣檢測器(qi)使用(yong)一個(ge)基于(yu)高斯模型(xing)派生(sheng)的(de)檢測模型(xing)，因(yin)為未(wei)處(chu)理圖像可能含(han)有噪(zao)(zao)聲(sheng)，所以開始在(zai)原始圖像上應用(yong)一個(ge)高斯濾波器(qi)，結果(guo)是一個(ge)輕(qing)度平滑的(de)圖像，以至(zhi)于(yu)不至(zhi)于(yu)被單個(ge)噪(zao)(zao)聲(sheng)像素(su)干擾全局重要參數(shu)。

以一個5×5的高斯濾波(bo)模板為例（見公式3-7），對圖(tu)像A應用高斯濾波(bo)可得B。下面(mian)對圖(tu)像的光強梯(ti)度統(tong)計都(dou)基于圖(tu)B。

一幅圖像中的邊緣可能在方(fang)向上各有(you)所異(yi)，所以Canny算(suan)法用四個(ge)濾波(bo)器(qi)(qi)分別(bie)檢(jian)測圖像中的水平(ping)、垂直和(he)對角線邊緣。邊緣檢(jian)測器(qi)(qi)（如(ru) Roberts, Prewitt, Sobel）值返回一個(ge)水平(ping)方(fang)向分量Gx和(he)豎直方(fang)向分量Gy，由此(ci)邊緣梯度和(he)方(fang)向即可確定：

所有邊緣(yuan)的角度都(dou)在上述(shu)選(xuan)定的四(si)個方向(xiang)（0°，45°，90°，135°）周圍。下一步通過滯后性門限跟蹤邊緣(yuan)線。

與小的(de)光強(qiang)梯度(du)相比，數(shu)值(zhi)較大(da)(da)的(de)光強(qiang)梯度(du)更容易(yi)作為邊緣(yuan)線。在大(da)(da)多數(shu)圖像(xiang)(xiang)中定(ding)(ding)義一(yi)個門限(xian)值(zhi)來確定(ding)(ding)光強(qiang)梯度(du)取值(zhi)多少適合作為邊緣(yuan)線通常是(shi)(shi)不(bu)可(ke)行的(de)，因此Canny算法使用(yong)滯后(hou)作用(yong)確定(ding)(ding)門限(xian)值(zhi)。該(gai)方(fang)法使用(yong)兩個門限(xian)分別(bie)定(ding)(ding)義高低(di)邊界。假設所有(you)的(de)邊緣(yuan)應該(gai)不(bu)受噪聲影(ying)響而且(qie)是(shi)(shi)連續的(de)曲(qu)線。因此我們設置(zhi)一(yi)個高門限(xian)用(yong)于判(pan)定(ding)(ding)確定(ding)(ding)是(shi)(shi)邊緣(yuan)的(de)曲(qu)線，再由此出發，利用(yong)方(fang)向信(xin)息跟蹤(zong)那些可(ke)追蹤(zong)的(de)圖像(xiang)(xiang)邊緣(yuan)。當追蹤(zong)該(gai)邊緣(yuan)時(shi)，應用(yong)低(di)門限(xian)可(ke)以讓我們追蹤(zong)那些含有(you)邊緣(yuan)的(de)區域直到找到下一(yi)個曲(qu)線的(de)起(qi)點。

如圖(tu) 3?5所示，(a)為(wei)原圖(tu)的(de)灰度圖(tu)，(b)為(wei)高斯濾波(bo)平滑圖(tu)，(c)和(d)分(fen)別(bie)是手動設置的(de)高低門(men)限(xian)值如圖(tu)所示的(de)canny邊緣檢(jian)測結果。根(gen)據多組圖(tu)像數(shu)據測試發現(xian)，當canny高低門(men)限(xian)值分(fen)別(bie)設置為(wei)50,150時能夠(gou)保證大部分(fen)有效信息的(de)保留且不會有過多冗余信息。因此后文中采(cai)用門(men)限(xian)值[Thres1,Thres2]= 50，120 作為(wei)canny邊緣檢(jian)測參數(shu)。Opencv中以下(xia)代(dai)碼實現(xian)：

      cvCanny( dst,src, 50, 120, 3 );

（2）Sobel算子邊緣檢測

和Canny算(suan)子(zi)(zi)類似，Sobel算(suan)子(zi)(zi)[47]也是(shi)利用(yong)梯(ti)度(du)(du)信息對圖(tu)像進行邊(bian)緣(yuan)檢(jian)(jian)測(ce)的(de)。對圖(tu)像進行邊(bian)緣(yuan)檢(jian)(jian)測(ce)時，計(ji)算(suan)每個(ge)(ge)(ge)像素的(de)梯(ti)度(du)(du)并(bing)給出不同方向(xiang)(xiang)(xiang)(xiang)從(cong)明到暗的(de)最(zui)大(da)變化(hua)及其變化(hua)率。這(zhe)個(ge)(ge)(ge)結果顯示出圖(tu)片在(zai)(zai)該(gai)(gai)點亮(liang)度(du)(du)變化(hua)為(wei)“急劇”還是(shi)“平滑”，由(you)此可(ke)以判斷該(gai)(gai)區域(yu)(yu)成(cheng)為(wei)邊(bian)緣(yuan)的(de)概率。在(zai)(zai)實際操作中，這(zhe)個(ge)(ge)(ge)成(cheng)為(wei)邊(bian)緣(yuan)的(de)可(ke)能性(稱(cheng)為(wei)magnitude)計(ji)算(suan)比計(ji)算(suan)方向(xiang)(xiang)(xiang)(xiang)更為(wei)可(ke)靠，也更為(wei)便捷。在(zai)(zai)圖(tu)像中的(de)每個(ge)(ge)(ge)像素點，梯(ti)度(du)(du)向(xiang)(xiang)(xiang)(xiang)量只想亮(liang)度(du)(du)增長最(zui)大(da)的(de)方向(xiang)(xiang)(xiang)(xiang)，該(gai)(gai)梯(ti)度(du)(du)向(xiang)(xiang)(xiang)(xiang)量的(de)長度(du)(du)對應(ying)于該(gai)(gai)方向(xiang)(xiang)(xiang)(xiang)的(de)光強變化(hua)率。這(zhe)就說明在(zai)(zai)同一像素圖(tu)像上(shang)一個(ge)(ge)(ge)區域(yu)(yu)的(de)某點的(de)sobel算(suan)子(zi)(zi)是(shi)一個(ge)(ge)(ge)零向(xiang)(xiang)(xiang)(xiang)量，而(er)且在(zai)(zai)邊(bian)緣(yuan)線上(shang)的(de)點上(shang)有一組向(xiang)(xiang)(xiang)(xiang)量值為(wei)亮(liang)度(du)(du)梯(ti)度(du)(du)。

數(shu)學上在原圖像(xiang)(xiang)上應(ying)用3×3的掩膜(mo)計算(suan)水平和垂直(zhi)兩個方向的變化梯(ti)度近似(si)值。如果我們定義A為源圖像(xiang)(xiang)，和分(fen)別(bie)作為一(yi)幅(fu)圖像(xiang)(xiang)的水平近似(si)梯(ti)度和垂直(zhi)近似(si)梯(ti)度，計算(suan)方式如下：

公式3-9中，*表示二維卷積(ji)運算。這(zhe)里(li)建立的(de)坐(zuo)標系在x坐(zuo)標方向(xiang)向(xiang)右(you)，y坐(zuo)標方向(xiang)向(xiang)下，在圖(tu)像(xiang)中的(de)每個點，用式3-8描述總(zong)梯度大小(xiao)及方向(xiang)。用Sobel算子進(jin)行邊(bian)緣檢測結果見圖(tu) 3?6所示。

深圳市雙翌光電科技有限公司是專注于視覺系統及機器視覺部件研發、生產和營銷的高科技企業，是專業的機器視覺核心(xin)部件(jian)及(ji)解(jie)決(jue)方案提供商。雙翌視覺堅守“持(chi)續(xu)創新(xin)”的理(li)念，目前已經成功(gong)在消(xiao)費電子、新(xin)能(neng)源、半導(dao)體(ti)、汽車(che)、物流、交通、醫藥、科研(yan)等行(xing)業為客(ke)戶提供優質的產品(pin)和定制化的視覺解(jie)決(jue)方案。