Abstract: 数字图像处理:第43天
Keywords: Prewitt算子,边缘检测
本文最初发表于csdn,于2018年2月17日迁移至此
开篇废话
废话开始,发现CSDN有了新的博客写作方式-MarkDown看起来很腻害的样子,有空试一下,希望以后能有更好的知识分享总结出来,当然要用更好的方式,更鲜明的表达出自己对知识的理解和观点,翻了下以前写的博客,感觉自己写博客的调理更清楚了,而且发现博客最好别写太长,当然,大牛除外,因为太长了可能有点驾驭不住。
今天来学习Prewitt算子,这个算子也是一阶微分算子,所以和前面说的Sobel有些类似,但不同的是平滑模板和不同情况下的效果。
Prewitt算子
来看prewitt算子,这个算子形式简单,基本形式如下:
一排1减去另一排1,差分被它体现的淋漓尽致,当然我们观察它的性质还是要看分解形式,也就是前两个小模板,$[1,0,-1]$ 不用解释,差分的形式,为什么不用 $[1,-1]$ 进行差分?首先对于2x3的模板和3x3的模板,我们更倾向于3x3,因为3x3的模板中心落在实数上 ,其次$[1,0,-1]$的差分结果能够在一定程度上减少噪声影响。这个差分的性质,Sobel,Prewitt以及后面的Scharr都是一样的,所以这里并不是他们的差异,他们的差异主要集中在平滑算子上。Sobel算子的平滑算子是一个接近高斯的小模板,而Prewitt的平滑算子则是一个均值模板,也就是 $\frac{1}{3}[1,1,1]$ ,其原理与Sobel也保持一致,横向平滑,纵向差分产生Y方向的一阶微分,或者纵向平滑横向差分,产生X方向一阶微分,当然要注意按照这个模板做出的梯度方向是左手坐标系,也就是和图像坐标系一致的,即 $(0,0)$ 在左上角,x轴向右为正,y轴向下为正,为了使用习惯,可以把y轴取负,就能得到传统的右手坐标系了。。。
关于扩展,没有见过有人扩展prewitt,但是按照理论是绝对可行的,我猜想,可以扩展成
代码和结果
代码:1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21/////////////////////////////////////////////////////////////////////////////////////////////
/////////////////////////////////////////////////////////////////////////////////////////////
double Prewitt(double *src,double *dst,int width,int height){
double PrewittMask1[3]={1.0/3.0,1.0/3.0,1.0/3.0};
double PrewittMask2[3]={-1.0,0.0,1.0};
double *dst_x=(double *)malloc(sizeof(double)*width*height);
double *dst_y=(double *)malloc(sizeof(double)*width*height);
RealRelevant(src, dst_x, PrewittMask1, width, height, 1, 3);
RealRelevant(dst_x, dst_x, PrewittMask2, width, height, 3, 1);
RealRelevant(src, dst_y, PrewittMask2, width, height, 1, 3);
RealRelevant(dst_y, dst_y, PrewittMask1, width, height, 3, 1);
for(int j=0;j<height;j++)
for(int i=0;i<width;i++){
dst[j*width+i]=abs(dst_x[j*width+i])+abs(dst_y[j*width+i]);
}
free(dst_x);
free(dst_y);
return findMatrixMax(dst,width,height);
}
结果如下:
原图:
prewitt算子的处理结果:
局部放大:
在观察下阈值
结论
结论是prewitt会使灰度值相对集中,相比于Sobel并不会凸显出边界响应,整体边缘候选点区域接近,不适合做阈值后处理,但优点是速度快,计算简单。