码迷,mamicode.com
首页 > 其他好文 > 详细

灰度图像--图像分割 Prewitt算子

时间:2015-02-11 10:52:57      阅读:183      评论:0      收藏:0      [点我收藏+]

标签:图像分割   prewitt算子   边缘检测算子   

学习DIP第45天

转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意。有些网站转载了我的博文,很开心的是自己写的东西被更多人看到了,但不开心的是这段话被去掉了,也没标明转载来源,虽然这并没有版权保护,但感觉还是不太好,出于尊重文章作者的劳动,转载请标明出处!!!!

文章代码已托管,欢迎共同开发:https://github.com/Tony-Tan/DIPpro

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:
技术分享
       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
     技术分享

代码和结果

代码:
/////////////////////////////////////////////////////////////////////////////////////////////
/////////////////////////////////////////////////////////////////////////////////////////////
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:
技术分享
prewitt算子的处理结果:
技术分享
局部放大:
技术分享 
技术分享 
技术分享 
技术分享 
技术分享 
技术分享
技术分享 
技术分享 
技术分享 
技术分享
在观察下阈值
技术分享技术分享技术分享技术分享

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。

灰度图像--图像分割 Prewitt算子

标签:图像分割   prewitt算子   边缘检测算子   

原文地址:http://blog.csdn.net/tonyshengtan/article/details/43730361

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!