文档介绍：---------------------------------作者:_____________-----------------------------日期::_____________图像识别算法论文翻译(前5页)---------------------------------------------------------------------编制:---------------------------------------------------------------------日期:索贝尔算法这个算法由一对3×3卷积和组成,如图一所示。其中一个核由另一个简单的旋转90°形成。图1:卷积核使用的模板这些算子被设计用来最大限度的回答垂直和水平运行的边缘,并且此边缘和像素网格有关系,这像素网格就是两个垂直正交的算子中的其中一个。这些算子可以被独立的应用到输入图像中,用来产生独立的在每个方向上(称为Gx和Gy)的梯度成分的测量数据。这些算子还可以连接在一起以便于发现在每一个点上梯度的绝对大小,以及梯度的方向[3]。梯度大小由下式给出:一个近似的大小通过下式来典型的计算:这个可以很快的计算出来。这个上升到空间梯度的边缘(和像素格子有关)的取向角度由下式给出:,快速的计算方式,在一个图像上的2-D空间梯度测量。在输出图像中每一个点上的像素测试值代表了这一点上输入图像的空间梯度的估计绝对大小。这个算法由一对2×2的卷积核组成,如图2所示。一个核简单的由另一个选择90°形成[4]。这和索贝尔算子非常相似。图2:罗伯特算子使用的模板。这些核被设计用来最大限度的回答运行在像素格子45°的边缘值,一个对于两个垂直方向上的核。这些卷积核可以分别应用在输入图像中,用来产生独立的在每个方向上(称为Gx和Gy)的梯度成分的测量数据。这些卷积核还可以连接起来以便于找到在每一个点上梯度的绝对大小,以及梯度的方向。梯度大小由下式给出:一个近似的大小通过下式来典型的计算:这种方法计算起来快多了。这个上升到空间梯度的边缘(和像素格子有关)的取向角度由下式给出:普瑞维特算法:普瑞维特算法[5]和索贝尔算法很相似,并且被用来检测图像中的水平和垂直边缘的测量。图3::拉普拉斯算法是一个图像第二种空间导数的2-D平面各向同性测量。一个图像强度变化快速的突出地区的拉普拉斯算法因此经常被用于边缘检测。拉普拉斯算法经常应用于一个图像,并且用趋近于高斯平滑滤波来第一次使它本身变得平滑,以减少其对噪声的敏感性。这个算法通常需要一个单一的灰度图像作为输入,并且制造另一个灰度图像作为输出。一个用像素强度测试值I(x,y)的图像的拉普拉斯数值L(x,y)由下式给出:由于输入图像是被描绘成一套离散像素,我们必须找到一个可以近似线性卷积内核第二衍生物在拉普拉斯的定义[5]。使用小卷积核的三个普通的计算如图4所示。图4:三个常用的离散逼近拉普拉斯滤波因为这些内核逼近这个图像的一个二阶微分方法,他们对噪声非常敏感。为了计数这个,这个图像经常在应用拉普拉斯过滤之前被高斯滤波。这个过程前的步骤减少了差异化步骤之前的高频噪声组成部分。实际上,自从卷积实现联想出来,我们就可以首先用拉普拉斯滤波器使高斯平滑滤波卷积