封閉邊緣處理

(a) (b)

(c) (d)

(f)

圖 3-9 Th=0.05 時，由真實場景中所分離的物體 (a) 物體 1 (b)物體 2 (c)物體 3 (d)物體 4 (e)物體 5

3.4 封閉邊緣處理

一般而言，在深度影像中分離完場景後，然後再進一步的分離出個別物體，就可以 抽取出單一物體的特徵來進行三維物體的比對，但是考慮單一物體的比對時，往往沒法 處理當物體彼此有遮蔽情形的時候或是深度資訊受到大量的雜訊影響的時候，故本論文 提出了一個根據單一物體之表面變化特性，包括表面上的點之深度變化與表面上的點之 法向量變化，依據某規則有效地切割此單一物體的表面，形成一個封閉的邊緣圖像 [28][32]，每一個封閉邊緣形成一個區塊，其中每個區塊會形成一種基礎曲面，然後對 每個區塊抽取其特徵，最後去比對此物體的每個區塊特徵，如此一來，即使物體有遮蔽 情形發生或是某部分有嚴重雜訊，仍可確保其他區塊的比對是正確的。圖 3-15 為形成

57

邊緣影像並將邊緣影像的邊緣使之封閉，形成邊緣圖像的系統架構。

單一物體的深度資訊 單一物體的深度影像

圖 3-10 邊緣處理架構

3.4.1 邊緣影像

在本論文中，使用 2.4.1 節所介紹的 Canny 邊緣偵測器來偵測出深度影像的邊緣，

邊緣偵測器原本偵測強度影像中像素的強度值變化，改成偵測深度影像中像素的深度變 化，並設定 Canny 邊緣偵測器中的σ 2，見(2.29)式，最後形成步階邊緣影像。圖 3-11 為實際拍攝中兩個不同物體的步階邊緣。

偵測物體的步階邊緣 canny 邊緣偵測

偵測物體的屋脊邊緣 法向量梯度影像&canny 邊緣偵測

物體邊緣封閉處理 形態學運算 形成物體的邊緣影像

兩影像重疊

單一物體的邊緣圖像

58

(a) (b) 圖 3-11 物體的步階邊緣影像 (a)椅子 (b)電腦

除了找尋因為深度變化所造成的邊緣，也找尋表面法向量變化所造成的邊緣，即屋 脊邊緣，本論文改良 1989 N. Yokoya 以及 M. Levine [29]所提出的屋脊邊緣偵測概念，

因為 N. Yokoya 計算屋脊邊緣的演算法會受到三維雜訊的影像，導致效果過差。首先，

利用 2.1.2 節來計算深度資訊中每點的法向量，其中選擇5 5的遮罩且遮罩內係數均為 1，見(2.1)式，然後使用 2.4.2 節來計算出法向量變化所造成的梯度影像，之後計算法向 量之梯度影像時，再使用3 3遮罩且遮罩內係數均為 1 於梯度影像上，使用3 3的大 小是避免遮罩尺寸過大，使得梯度變化模糊；此外，在(2.31)式中，選擇 γ 1，避免後 來屋脊細節過多。形成法向量的梯度影像後，再使用 Canny 邊緣偵測器來偵測法向量之 梯度影像，但在實際拍攝的架構，Canny 邊緣偵測器中的σ 2，因為實際拍攝所得的 深度資訊，解析度較低且受到雜訊影響程度較高，故σ 2。

圖 3-12 為實際拍攝中兩個不同物體的屋脊邊緣。

(a) (b) 圖 3-12 物體的屋脊邊緣影像 (a)椅子 (b)電腦

59

最後將這步階影像與屋脊影像重疊，就形成了邊緣影像，如圖 3-13 所示。

(a) (b) 圖 3-13 物體的邊緣影像(a)狗 (b)機器

3.4.2 邊緣圖像

形成了單一物體的邊緣影像後，必須使邊緣影像中的開放邊緣成為封閉邊緣，之後 才能使用區域成長法，取出每一個封閉區塊內的特徵，做為區塊辨識比對用。本論文使 用一連串的形態學運算將邊緣影像經過形態學閉合、形態學收縮，最後再移除掉每個區 塊內部的孤立像素，即完成了邊緣圖像，邊緣圖像中的每個區域是封閉區域，使邊緣封 閉的目的是為了之後對每個封閉區域使用區域成長法，以取得每個區域對應的特徵。

首先要對邊緣影像進行形態學閉合，使用 2.4.3 節所介紹過的概念，使用 3 3的結 構元素，利用(2.32)式，最後經過形態學閉合的影像，如圖 3-14 所示。

(a) (b) 圖 3-14 形態學閉合後的邊緣影像 (a)椅子 (b)電腦

60

然後，再對經過形態學閉合後的影像，利用 2.4.3 節介紹的形態學收縮，使用3 3大

小的結構元素收縮邊緣使之細化，將有洞的邊緣將收縮成環，沒洞的邊緣將收縮成點，

如圖 3-15 所示。

(a) (b) 圖 3-15 形態學收縮後的邊緣影像 (a)椅子 (b)電腦

最後，利用 2.3.2 節連通量分析的概念，移除內部孤立像素，該像素的 4 鄰域像素 皆是背景像素，則移除該孤立像素，最後所得到的就是邊緣圖像，如圖 3-16 所示。

(a) (b) 圖 3-16 物體的邊緣圖像 (a)椅子 (b)電腦