6.边缘检测:梯度——回顾、简化的图像、边缘概念_1

本文探讨了图像处理中边缘检测的重要性,介绍了边缘如何反映图像中的深度、光照和形状变化。通过简化图像的例子,展示了即使少量像素也能传达大量信息。文章还区分了不同类型的边缘,包括由深度不连续性、阴影、光照不连续性和颜色不连续性引起的边缘。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

回顾

简化的图像

边缘概念


回顾

上环节,我们开始讨论过滤作为一种在图像中找到特定模式的方法。

我们讨论了模板查找。这个想法是给定一些模式,相关或卷积是在图像中找到那个模式的一种方法。

我们假设,我们要找的目标是交给我们的。然后还有一个想法,也许我们可以取这个模式出现的位置。

这就成了我们寻找的东西的描述。你甚至可以把它看作是对图像的描述,尽管我们没有讲太多。

但同样,这就是你的想法,你知道你所看到的最重要的东西是什么。

但是一般的图像呢? 你事先不知道的。图片里会有什么。什么是好的,我们有时用的是特征,

什么是好的东西在图片中可以找到,这可能会捕捉到很多信息,并给你一些你需要工作的本质。

简化的图像

因此,为了深入了解这个问题,我想给你们展示一些非常缩小的图像,它们仍然很有意义,

我所做的就是让你们能告诉我照片里是什么,如果你们知道就告诉我吧。

我将展示这个:

每个人都会说这是一只看起来很傻的狮子。

我会继续给他们看一张像这样的图片:

好的,这是一只大象。

有一辆很酷的旧车:

我永远也不会拥有的一架私人飞机:

但是,关于这些图片,你可以看到,实际上并没有太多的像素被使用,在这些不同灰度值的图片中。

相反,有些人只是在边缘画出来。然而,这向你传达了很多信息。

所以,在某种意义上,图像的边缘似乎很重要,它们似乎传达了正在发生的事情。

边缘概念

我们来谈谈一般图像中的边,以及边是如何在图像中出现的。

所以你能看到的是这是一幅古老的画有人画了出来。这里有一个:

那就是深度不连续性。

首先我们看瓶子,然后我们看背景。这是阴影边缘。

当然,阴影并不是那么刺眼,但是,请继续。

有一种观点认为光照是不连续性。

在这里,从这个顶部到那里,是外观不规则的表面。这是一种形状,然后形状改变了,它指向不同的方向。

最后,边缘可以做到本质上是颜色的不连续性,所以我们在相同的外观,相同的照明,相同的形状和一切上从白色变成黑色,

但是反射率实际上是不同的。

这就是边的样子。

我们可以用真实的图片来观察它们:

在真实图像中我们有深度不连续性。如图:

在建筑的一侧,我们有阴影。

在那里你可以看到太阳投下的阴影。

有趣的是,我们有纹理。如图:

如果你要炸掉这个区域。如图:

也许我们以后会看到一些纹理。

从纹理或者你可以把它想成是在表面上的颜料,你会看到不同的边缘。

最后,那个小水泥的顶部山脊,顶部桥的边缘,就像瓶盖的顶部。

同样的东西,同样的颜色,但是表面方向是不连续性的。

我们这环节的目标就是要找到图像中的边。

或者换句话说,我们希望将图像(x y的函数)转换为一组缩小的像素或曲线等等,这些都是图像的重要元素。

小测验:

边缘似乎出现在与形状或光照相关的“改变边界”处。哪一个不是这样的边界?

A、两个人之间的遮挡;

B、一道阴影投射在人行道上;

C、在纸上的折痕或标志上的条纹;

D、符号上的条纹;

答案:D。正如我们之前说过的,在那个瓶子的图片中,最后一个,一个标记上的条纹,

这实际上不是由于物理,形状或光照的改变。这实际上是由于反射函数的变化。

稍后我们会讲到反射函数。

但这个想法是,它不是物体或场景形状的几何性质的一部分。但与反射的纹理有关,或者反射的颜色。


——学会编写自己的代码,才能练出真功夫。

### 数字图像处理期末考试复习指南 #### 一、课程概述 数字图像处理是一门涉及如何通过计算机技术对图像数据进行分析、转换和增强的学科。该领域涵盖了从基础理论到实际应用的各种知识点,对于学生来说理解这些概念至关重要。 #### 二、核心知识点总结 ##### (一)基础知识 - **定义与范围** 计算机图形学是研究怎样利用计算机来生成、处理和显示图形的原理、方法和技术的学科[^1]。虽然这里提到的是更广泛的计算机图形学范畴,但对于专注于图像处理的学生而言,这部分内容同样适用。 - **图像表示形式** 学生应掌握灰度图、彩色图以及多光谱图像等多种类型的图像表示方式及其特点。 ##### (二)预处理技术 - **噪声去除** 掌握常见的去噪算法如均值滤波器、高斯滤波器等,并了解其应用场景。 - **边缘检测** 使用Sobel, Canny等经典算子实现边界提取功能;熟悉梯度计算公式并能解释工作原理。 ##### (三)特征抽取与识别 - **卷积神经网络(CNN)的应用** 对于现代图像分类任务,CNN因其优秀的性能而被广泛采用。权值共享机制使得模型可以在图片相同位置保持一致的学习效果,这不仅有助于降低参数数量,同时也更好地反映了图像本身的特性——即相邻像素间存在较强的相关性[^2]。此外,下采样的操作可以有效地简化特征空间维度,在保留关键信息的基础上进一步提高泛化能力。 ```python import tensorflow as tf from tensorflow.keras import layers model = tf.keras.Sequential([ layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)), layers.MaxPooling2D((2, 2)), # 下采样层 ... ]) ``` ##### (四)高级主题探讨 深入学习一些前沿话题比如超分辨率重建、风格迁移等项目实践案例可以帮助加深对该领域的认识。 --- #### 三、备考建议 针对即将来临的期末测试,除了上述重点外还需要注意以下几点: - 定期回顾课堂笔记和个人作业; - 参加小组讨论分享心得经验; - 利用在线平台获取更多练习题目; - 关注学校官网发布的官方通知及补充材料。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值