Image Processing
Lecture 13: Edge Detection c Bryan S. Morse, Brigham Young University, 1998–2000 Last modified on February 12, 2000 at 10:00 AM
Contents
13.1 Introduction . . . . . . . . . . . . . . 13.2 First-Derivative Methods . . . . . . . 13.2.1 Roberts Kernels . . . . . . . . . 13.2.2 Kirsch Compass Kernels . . . . 13.2.3 Prewitt Kernels . . . . . . . . . 13.2.4 Sobel Kernels . . . . . . . . . . 13.2.5 Edge Extraction . . . . . . . . . 13.3 Second-Derivative Methods . . . . . . 13.3.1 Laplacian Operators . . . . . . . 13.3.2 Laplacian of Gaussian Operators 13.3.3 Difference of Gaussians Operator 13.4 Laplacians and Gradients . . . . . . . 13.5 Combined Detection . . . . . . . . . . 13.6 The Effect of Window Size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 2 2 3 3 3 4 5 5 6 6 6
Reading
SH&B, 4.3.2–4.3.3 Castleman 18.4–18.5.1
13.1 Introduction
Remember back in Lecture 2 that we defined an edge as a place of local transition from one object to another. They aren’t complete borders, just locally-identifiable probable transitions. In this lecture and the next, we’ll discuss ways for detecting edges locally. To do
Contents
13.1 Introduction . . . . . . . . . . . . . . 13.2 First-Derivative Methods . . . . . . . 13.2.1 Roberts Kernels . . . . . . . . . 13.2.2 Kirsch Compass Kernels . . . . 13.2.3 Prewitt Kernels . . . . . . . . . 13.2.4 Sobel Kernels . . . . . . . . . . 13.2.5 Edge Extraction . . . . . . . . . 13.3 Second-Derivative Methods . . . . . . 13.3.1 Laplacian Operators . . . . . . . 13.3.2 Laplacian of Gaussian Operators 13.3.3 Difference of Gaussians Operator 13.4 Laplacians and Gradients . . . . . . . 13.5 Combined Detection . . . . . . . . . . 13.6 The Effect of Window Size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 2 2 3 3 3 4 5 5 6 6 6
Reading
SH&B, 4.3.2–4.3.3 Castleman 18.4–18.5.1
13.1 Introduction
Remember back in Lecture 2 that we defined an edge as a place of local transition from one object to another. They aren’t complete borders, just locally-identifiable probable transitions. In this lecture and the next, we’ll discuss ways for detecting edges locally. To do