灰度图像--图像分割 Prewitt算子，prewitt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：
       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      

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：
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。

相关内容