边缘检测阈值分割论文

问题： 我在提取图像边缘的时候，首先对图像进行灰度变换，之后进行二值处理，最后进行边缘检测得到边缘图像。 但是在查阅资料的过程中我经常发现很多人忽略二值化的步骤，直接进行边缘检测；还有很多人在实现某些功能的时候先进行边缘检测之后再阈值分割，让我感到非常迷惑，这篇文章旨在探求二者的关系。

首先要知道图像二值化和边缘检测的目的。

图像的阈值处理一般使得图像的像素值更单一、图像更简单。阈值可以分为全局阈值和局部阈值，可以是单阈值也可以是多阈值。 图像二值化是设置单阈值，为了将图像中感兴趣的像素分离出来作为前景像素，不感兴趣的部分作为背景像素。

最简单的二值化操作是使用以下函数：（这是全局化的阈值）

上述的二值化处理是设置一个全局阈值，让所有像素值与该阈值比较，下面还可以通过自适应阈值实现图像的二值化处理。 自适应阈值不需要确定一个固定的阈值，根据其对应的自适应方法，通过图像的局部特征自适应的设定阈值，做出二值化处理。 自适应阈值是一种局部阈值，要在图像中确定一个区域，求出该区域内的像素平均值，再与阈值比较

adaptiveMethod - 指定计算阈值的方法。   cv2.ADPTIVE_THRESH_MEAN_C：阈值取相邻区域的平均值   cv2.ADPTIVE_THRESH_GAUSSIAN_C：阈值取相邻区域的加权和，权重为一个高斯窗口。

thresholdType - 和上面一样 blockSize - 邻域大小（用来计算阈值的区域大小），计算图像的像素区域一般取3×3、5×5、7×7..... C - 常数，阈值等于平均值或者加权平均值减去这个常数。该参数用于微调阈值，可以为负数

还有一种非常多人提及的方法——Otsu’s 二值化，这种方法下次再记录。

要对图像进行边缘检测，首先对图像进行灰度变换，使图像只包含一个通道的信息，然后比较各相邻像素间的亮度差别，亮度产生突变的地方就是边缘像素，将这些边缘像素点连接到一起就形成了边缘图像。 那么首先要知道如何检测出边缘： 边缘有方向和幅值两个要素，通常对图像相邻域像素求取梯度来描述和检测边缘。 为何要求梯度？ 图像梯度是对多个方向分别求偏导得到的导数组。比如下图是亮度在x方向上变化，在y方向上没有变化，所以此时只需对x求偏导，该处关于y的偏导为0。

同样图像的亮度在y轴变化时，x方向的偏导为0。

我们知道，当一个函数在某处变化大的时候，它的导数在该处得到极值。

可以看到，图像由亮变暗时函数陡然下降，导数得到极小值，由暗变亮时函数又陡然上升，导数得到极大值，接下来只要找到导数的峰值就行。

这里主要了解Canny边缘检测算法。 Canny算子首先对图像进行平滑滤波，滤除图像的噪声以减少噪声对图像边缘检测的干扰。 下面这两篇文章对Canny算子的介绍非常清晰，在此附上链接以供学习。 在进行边缘检测之前至少要将图像灰度化，因为梯度运算并不能反映色彩的变化差异，所以转换成只有一种颜色通道的灰度图像能够更好地进行边缘检测。

深入了解过图像二值化和边缘检测之后，我认为既可以直接使用灰度图像进行边缘检测，也可以二值化之后再进行边缘检测，二值化的目的是进一步简化灰度图像，使图像中的信息更加纯粹，边缘亮度变化更加明显。如果阈值选的较好还可以滤除不需要的弱边缘，使边缘处理后的图像轮廓更加清晰。

还有一种方法是先进行边缘检测，再二值化，这种情况一般适用于： 想得到二值化图像，但由于原图出现光照不均、前景和背景灰度差别很小等情况，我们不能直接得到完整的目标，这时就可以利用边缘检测对光线变化的不敏感性，先对图像作边缘检测，检测出我们想要进一步研究的目标轮廓，然后再根据只有边缘的图像，求出原图像所有边缘点的像素平均值，将该值作为阈值对原图像进行二值处理，就能很好得获得目标区域，并且目标区域的连通性也很好。

笔者刚刚开始学习图像处理与计算机视觉，可能会出现许多错误，欢迎各位提出改进意见！

区别如下：1、阈值分割是为了突出图像中我们感兴趣的部分的方法，通过二值化（或多值化）以后目标物体会以特定的灰度值呈现出来，主要侧重在物体本来就已经有灰度特征，使用阈值分割将其表现出来。边缘检测是为了找出物体边缘的方法，主要侧重的是通过算法体现边缘的灰度特征。2、二值阈值分割的重点在于找二值化的阈值，然后利用阈值将目标和背景分离。大多数边缘检测的重点在于确定差分算子，进行邻域内的灰度差分。3、一般的处理过程为先边缘检测得到差分的灰度图，然后使用阈值分割二值化。4、平时我们说的这两个概念都比较模糊，属于有交集。边缘的灰度本来就突出不需要算法处理就可以直接二值化体现，那阈值分割就可以算是边缘检测的方法了。如果边缘不突出需要先利用差分算子或其他方法突出边缘，那阈值分割只是体现边缘的手段。