文档库 最新最全的文档下载
当前位置:文档库 › 边缘检测算子比较

边缘检测算子比较

边缘检测算子比较
边缘检测算子比较

边缘检测算子比较

不同图像灰度不同,边界处一般会有明显的边缘,利用此特征可以分割图像。需要说明的是:边缘和物体间的边界并不等同,边缘指的是图像中像素的值有突变的地方,而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界,也有可能边界的地方并无边缘,因为现实世界中的物体是三维的,而图像只具有二维信息,从三维到二维的投影成像不可避免的会丢失一部分信息;另外,成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因,基于边缘的图像分割仍然是当前图像研究中的世界级难题,目前研究者正在试图在边缘提取中加入高层的语义信息。

课题所用图像边缘与边界应该算是等同的。

在实际的图像分割中,往往只用到一阶和二阶导数,虽然,原理上,可以用更高阶的导数,但是,因为噪声的影响,在纯粹二阶的导数操作中就会出现对噪声的敏感现象,三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下,如灰度变化均匀的图像,只利用一阶导数可能找不到边界,此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感,解决的方法是先对图像进行平滑滤波,消除部分噪声,再进行边缘检测。不过,利用二阶导数信息的算法是基于过零检测的,因此得到的边缘点数比较少,有利于后继的处理和识别工作。

各种算子的存在就是对这种导数分割原理进行的实例化计算,是为了在计算过程中直接使用的一种计算单位;

Roberts算子:边缘定位准,但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析,由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应,故采用上述算子检测的边缘图像常需做细化处理,边缘定位的精度不是很高。Prewitt算子:对噪声有抑制作用,抑制噪声的原理是通过像素平均,但是像素平均相当于对图像的低通滤波,所以Prewitt算子对边缘的定位不如Roberts算子。

Sobel算子:Sobel算子和Prewitt算子都是加权平均,但是Sobel算子认为,邻域的像素对当前像素产生的影响不是等价的,所以距离不同的像素具有不同的权值,对算子结果产生的影响也不同。一般来说,距离越远,产生的影响越小。

Isotropic Sobel算子:加权平均算子,权值反比于邻点与中心点的距离,当沿不同方向检测边缘时梯度幅度一致,就是通常所说的各向同性。

在边沿检测中,常用的一种模板是Sobel 算子。Sobel 算子有两个,一个是检测水平边沿的;另一个是检测垂直平边沿的。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子,也有两个,一个是检测水平边沿的,另一个是检测垂直平边沿的。各向同性Sobel

算子和普通Sobel算子相比,它的位置加权系数更为准确,在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性,我们可以发现,处理该类型图像轮廓时,并不需要对梯度方向进行运算,所以程序并没有给出各向同性Sobel算子的处理方法。

由于Sobel算子是滤波算子的形式,用于提取边缘,可以利用快速卷积函数,简单有效,因此应用广泛。美中不足的是,Sobel算子并没有将图像的主体与背景严格地区分开来,换言之就是Sobel算子没有基于图像灰度进行处理,由于Sobel算子没有严格地模拟人的视觉生理特征,所以提取的图像轮廓有时并不能令人满意。在观测一幅图像的时候,我们往往首先注意的是图像与背景不同的部分,正是这个部分将主体突出显示,基于该理论,我们可以给出阈值化轮廓提取算法,该算法已在数学上证明当像素点满足正态分布时所求解是最优的。

上面的算子是利用一阶导数的信息,属于梯度算子范畴。

Laplacian算子:这是二阶微分算子。其具有各向同性,即与坐标轴方向无关,坐标轴旋转后梯度结果不变。但是,其对噪声比较敏感,所以,图像一般先经过平滑处理,因为平滑处理也是用模板进行的,所以,通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。

Laplacian算子一般不以其原始形式用于边缘检测,因为其作为一个二阶导数,Laplacian算子对噪声具有无法接受的敏感性;同时其幅值产生算边缘,这是复杂的分割不希望有的结果;最后Laplacian算子不能检测边缘的方向;所以Laplacian在分割中所起的作用包括:(1)利用它的零交叉性质进行边缘定位;(2)确定一个像素是在一条边缘暗的一面还是亮的一面;一般使用的是高斯型拉普拉斯算子(Laplacian of a Gaussian,LoG),由于二阶导数是线性运算,利用LoG卷积一幅图像与首先使用高斯型平滑函数卷积改图像,然后计算所得结果的拉普拉斯是一样的。所以在LoG公式中使用高斯函数的目的就是对图像进行平滑处理,使用Laplacian算子的目的是提供一幅用零交叉确定边缘位置的图像;图像的平滑处理减少了噪声的影响并且它的主要作用还是抵消由Laplacian算子的二阶导数引起的逐渐增加的噪声影响。

微分算子在图像处理中扮演重要的角色,其算法实现简单,而且边缘检测的效果又较好,因此这些基本的微分算子是学习图像处理过程中的必备方法,下面着重讨论几种常见的微分算子。

1.Sobel

其主要用于边缘检测,在技术上它是以离散型的差分算子,用来运算图像亮度函数的梯度的近似值,缺点是Sobel算子并没有将图像的主题与背景严格地区分开来,换言之就是Sobel 算子并没有基于图像灰度进行处理,由于Sobel算子并没有严格地模拟人的视觉生理特征,所以提取的图像轮廓有时并不能令人满意,算法具体实现很简单,就是3*3的两个不同方向上的模板运算,这里不再写出。

2.Robert算子

根据任一相互垂直方向上的差分都用来估计梯度,Robert算子采用对角方向相邻像素只差3.Prewitt算子

该算子与Sobel算子类似,只是权值有所变化,但两者实现起来功能还是有差距的,据经验得知Sobel要比Prewitt更能准确检测图像边缘。

https://www.wendangku.net/doc/d0371422.html,placian算子

拉普拉斯算子是一种二阶微分算子,若只考虑边缘点的位置而不考虑周围的灰度差时可用该算子进行检测。对于阶跃状边缘,其二阶导数在边缘点出现零交叉,并且边缘点两旁的像素的二阶导数异号。

5.Canny算子

该算子功能比前面几种都要好,但是它实现起来较为麻烦,Canny算子是一个具有滤波,增强,检测的多阶段的优化算子,在进行处理前,Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声,Canny分割算法采用一阶偏导的有限差分来计算梯度幅值和方向,在处理过程中,Canny算子还将经过一个非极大值抑制的过程,最后Canny算子还采用两个阈值来连接边缘。

下面算法是基于的算法不可能直接运行,只是我把Canny的具体实现步骤写了出来,若需用还要自己写。

该算子具体实现方法:

// anny.cpp: implementation of the Canny class.

//

//////////////////////////////////////////////////////////////////////

#include "anny.h"

#include "math.h"

//#include "algorithms.h"

//#include "algorithm.h"

#include "stdlib.h"

//#include "maths.h"

//using namespace std;

//////////////////////////////////////////////////////////////////////

// Construction/Destruction

////////////////////////////////////////////////////////////////////// Canny::Canny(int PicHeight,int PicWidth,double ** PicData,double PicSigma,double PicRatioLow,double PicRatioHigh)

{

iHeight=PicHeight;

iWidth=PicWidth;

iData=PicData;

sigma=PicSigma;

dRatioLow=PicRatioLow;

dRatioHigh=PicRatioHigh;

}

Canny::~Canny()

{

}

void Canny::CannyArith(int **iEdgePoint)

{

int i;

int **iGradX ; // 指向x方向导数的指针int **iGradY ; // 指向y方向导数的指针

int **iExtent ; // 梯度的幅度

iGradX=new int *[iHeight];

for(i=0;i

iGradX[i]=new int[iWidth];

iGradY=new int *[iHeight];

for(i=0;i

iGradY[i]=new int[iWidth];

iExtent=new int *[iHeight];

for(i=0;i

iExtent[i]=new int[iWidth];

// 对原图象进行滤波

GaussionSmooth();

// 计算X,Y方向上的方向导数

DirGrad(iGradX,iGradY);

// 计算梯度的幅度

GradExtent(iGradX,iGradY,iExtent);

// 应用non-maximum 抑制

NonMaxSuppress(iExtent,iGradX,iGradY,iEdgePoint);

// 应用Hysteresis,找到所有的边界

Hysteresis(iExtent,iEdgePoint);

// 释放内存

for(i=0;i

delete []*(iGradX+i);

delete iGradX;

for(i=0;i

delete []*(iGradY+i);

delete iGradY;

for(i=0;i

delete []*(iExtent+i);

delete iExtent;

}

void Canny::GaussionSmooth()

{

int i,j,k; //循环变量

int iWindowSize; //记录模板大小的变量

int iHalfLen; //模板大小的一半

double *pdKernel; //模板各点的权值

double dDotMul; //模板与对应像素点的卷积和 double dWeightSum; //模板的权值累加和

double **dTemp; //记录图像数据的中间变量 //开辟空间

dTemp=new double *[iHeight];

for(i=0;i

dTemp[i]=new double[iWidth];

//获得模板长度和模板的各个权值

MakeGauss(&pdKernel,&iWindowSize);

//得到模板的一半长度

iHalfLen=iWindowSize/2;

//对图像对水方向根据模板进行平滑

for(i=0;i

{

for(j=0;j

{

dDotMul=0;

dWeightSum=0;

for(k=(-iHalfLen);k<=iHalfLen;k++)

{

if((k+j>=0)&&(k+j

{

dDotMul+=iData[i][j+k]*pdKernel[k+iHalfLen];

dWeightSum+=pdKernel[k+iHalfLen];

}

}

dTemp[i][j]=dDotMul/dWeightSum;

}

}

//对图像垂直方向上根据模板的转置进行平滑(注意图像数据是在水平平滑之后进行的) for(i=0;i

{

for(j=0;j

{

dDotMul=0;

dWeightSum=0;

for(k=(-iHalfLen);k<=iHalfLen;k++)

{

if((k+j>=0)&&(k+j

{

dDotMul+=dTemp[j+k][i]*pdKernel[k+iHalfLen];

dWeightSum+=pdKernel[k+iHalfLen];

}

}

iData[j][i]=dDotMul/dWeightSum;

}

}

//空间释放

delete []pdKernel;

pdKernel=NULL;

for(i=0;i

delete []*(dTemp+i);

delete dTemp;

}

void Canny::MakeGauss(double **pdKernel,int *iWindowSize)

{

int i; //循环变量

int nCenter; //确定高斯模板的一半长度

double dDistance; //一维高斯模板各点离中心点的距离

double PI=3.1415926; //圆周率

double dValue; //中间变量,记录高斯模板各点的权值(未经归一化)

double dSum=0; //中间变量,记录高斯模板各点权值的总和

*iWindowSize=int(1+2*int(3*sigma+0.5)); //确定一维高斯模板长度,根据概率论的知识,选取[-3*sigma, 3*sigma]以内的数据。

nCenter=(*iWindowSize)/2; //得到一半长度

*pdKernel=new double[*iWindowSize];//开辟记录各点权值的空间

//利用高斯分布函数(正太分布)确定各点的权值,主要是根据高斯分布离中心点的距离越远,所取的值就越小,这与图像有些

//相似,离中心点越远,对中心点的影响就越小。

for(i=0;i<(*iWindowSize);i++)

{

dDistance=double(i-nCenter);

//高斯分布函数求值

dValue=exp((-1/2)*dDistance*dDistance/(sigma*sigma))/(sqrt(2*PI)*sigma);

(*pdKernel)[i]=dValue;

dSum+=dValue;

}

//归一化(因为要不改变原图像的灰度区域,就必须保证各权值之和为1

for(i=0;i<(*iWindowSize);i++)

{

(*pdKernel)[i] /= dSum;

}

}

void Canny::DirGrad(int **iGradX,int **iGradY)

{

int i,j,temp1,temp2;

//水平方向的方向导数(下面都是用min和max对边界值做了相应的处理)

for(i=0;i

{

for(j=0;j

{

if(iWidth-1

temp1=iWidth-1;

else

temp1=j+1;

if(0

temp2=j-1;

else

temp2=0;

iGradX[i][j]=int(iData[i][temp1]-iData[i][temp2]);

}

}

//垂直方向的方向导数

for(i=0;i

{

for(j=0;j

{

if(iHeight-1

temp1=iHeight-1;

else

temp1=j+1;

if(0

temp2=j-1;

else

temp2=0;

iGradY[j][i]=int(iData[temp1][i]-iData[temp2][i]);

}

}

}

void Canny::GradExtent(int **iGradX,int **iGradY,int **iExtent)

{

int i,j;

double iTemp1,iTemp2;

for(i=0;i

{

for(j=0;j

{

iTemp1=iGradX[i][j]*iGradX[i][j];

iTemp2=iGradY[i][j]*iGradY[i][j];

iExtent[i][j]=int(sqrt(iTemp1+iTemp2)+0.5);

}

}

}

void Canny::NonMaxSuppress(int **iExtent,int **iGradX,int **iGradY,int **dUnchRst)

{

int i,j;

int gx,gy; //记录像素点X,Y 方向的方向导数值

int g1,g2,g3,g4; //各个领域的梯度值

double weight; //比重

double dTemp1,dTemp2,dTemp; //中间变量

//处理边缘值(边缘点不可能是边界点

for(i=0;i

{

dUnchRst[i][0]=0;

dUnchRst[i][iWidth-1]=0;

}

for(j=0;j

{

dUnchRst[0][j]=0;

dUnchRst[iHeight-1][j]=0;

}

//标记有可能是边界点的像素点

for(i=1;i

{

for(j=1;j

{

//梯度值是0的像素点不可能是边界点

if(iExtent[i][j]==0)

dUnchRst[i][j]=0;

else

{

dTemp=iExtent[i][j];

gx=iGradX[i][j];

gy=iGradY[i][j];

//下面都是判断当前像素点的梯度值和其领域像素点的梯度值,如大于就有可能是边界点,如小于就不可能是边界点

if(abs(gy)>abs(gx))

{

weight=double(abs(gx)/abs(gy));

g2=iExtent[i-1][j];

g4=iExtent[i+1][j];

if(gx*gy>0)

{

g1=iExtent[i-1][j-1];

g3=iExtent[i+1][j+1];

}

else

{

g1=iExtent[i-1][j+1];

g3=iExtent[i+1][j-1];

}

}

else

{

weight=double(abs(gy)/abs(gx));

g2=iExtent[i][j+1];

g4=iExtent[i][j-1];

if(gx*gy>0)

{

g1=iExtent[i+1][j+1];

g3=iExtent[i-1][j-1];

}

else

{

g1=iExtent[i-1][j+1];

g3=iExtent[i+1][j-1];

}

}

dTemp1=weight*g1+(1-weight)*g2;

dTemp2=weight*g3+(1-weight)*g4;

//当大于的时候就有可能是边界点

if(dTemp>=dTemp1&&dTemp>=dTemp2)

{

dUnchRst[i][j] = 128 ;

}

else

{

dUnchRst[i][j]=0 ;

}

}

}

}

}

void Canny::Hysteresis(int **iExtent,int **iEdgePoint) {

int i,j;

int iThreHigh;

int iThreLow;

SetThreshold(iExtent,&iThreHigh,&iThreLow,iEdgePoint); for(i=0;i

for(j=0;j

{

if((iEdgePoint[i][j]==128)&&(iExtent[i][j]>=iThreHigh))

{

iEdgePoint[i][j]=255;

TraceEdge(i,j,iThreLow,iEdgePoint,iExtent);

}

}

}

// 那些还没有被设置为边界点的象素已经不可能成为边界点

for(i=0;i

{

for(j=0;j

{

if(iEdgePoint[i][j]!=255)

{

// 设置为非边界点

iEdgePoint[i][j] = 0 ;

}

}

}

}

void Canny::SetThreshold(int **iExtent,int *iThreHigh,int *iThreLow,int **iEdgePoint) {

int i,j,k;

int GradHist[1024]; //统计梯度直方图的数据,梯度最大值不可能超过1024 int iEdgeNum; //边界点的数量

int iGradMax=0; //边界点的梯度最大值

int iHighCount; //根据iRatioHigh小于高阈值像素的个数

//初始化

for(i=0;i<1024;i++)

GradHist[i]=0;

//梯度直方图统计

for(i=0;i

{

for(j=0;j

{

if(iEdgePoint[i][j]==128)

{

GradHist[iExtent[i][j]]++;

}

}

iEdgeNum=0;

//找出最大梯度和统计边界点的个数

for(i=0;i<1024;i++)

{

if(GradHist[i]!=0)

iGradMax=i;

iEdgeNum+=GradHist[i];

}

//获得小于高阈值的个数

iHighCount=int(iEdgeNum*dRatioHigh+0.5);

k=1;

iEdgeNum=GradHist[1];

//求出高阈值

while((k<=(iGradMax-1))&&(iEdgeNum

{

k++;

iEdgeNum+=GradHist[k];

}

*iThreHigh=k;

//根据高阈值和比例关系求得低阈值

*iThreLow=int((*iThreHigh)*dRatioLow+0.5);

}

void Canny::TraceEdge(int y,int x,int iThreLow,int **iEdgePoint,int **iExtent) {

// 对8邻域象素进行查询

int xNb[8] = {1, 1, 0,-1,-1,-1, 0, 1} ;

int yNb[8] = {0, 1, 1, 1,0 ,-1,-1,-1} ;

int yy ;

int xx ;

int k ;

for(k=0;k<8;k++)

{

yy=y+yNb[k] ;

xx=x+xNb[k] ;

// 如果该象素为可能的边界点,又没有处理过, 并且梯度大于阈值

if(iEdgePoint[yy][xx]==128&&iExtent[yy][xx]>=iThreLow)

{

// 把该点设置成为边界点

iEdgePoint[yy][xx]=255 ;

// 以该点为中心进行跟踪

//TraceEdge(yy,xx,iThreLow,iEdgePoint,iExtent);

} }

}

----转载

几种常用边缘检测算法的比较

几种常用边缘检测算法的比较摘要:边缘是图像最基本的特征,边缘检测是图像分析与识别的重要环节。基于微分算子的边缘检测是目前较为常用的边缘检测方法。通过对Roberts,Sobel,Prewitt,Canny 和Log 及一种改进Sobel等几个微分算子的算法分析以及MATLAB 仿真实验对比,结果表明,Roberts,Sobel 和Prewitt 算子的算法简单,但检测精度不高,Canny 和Log 算子的算法复杂,但检测精度较高,基于Sobel的改进方法具有较好的可调性,可针对不同的图像得到较好的效果,但是边缘较粗糙。在应用中应根据实际情况选择不同的算子。 0 引言 边缘检测是图像分析与识别的第一步,边缘检测在计算机视觉、图像分析等应用中起着重要作用,图像的其他特征都是由边缘和区域这些基本特征推导出来的,边缘检测的效果会直接影响图像的分割和识别性能。边缘检测法的种类很多,如微分算子法、样板匹配法、小波检测法、神经网络法等等,每一类检测法又有不同的具体方法。目前,微分算子法中有Roberts,Sobel,Prewitt,Canny,Laplacian,Log 以及二阶方向导数等算子检测法,本文仅将讨论微分算子法中的几个常用算子法及一个改进Sobel算法。 1 边缘检测

在图像中,边缘是图像局部强度变化最明显的地方,它主要存在于目标与目标、目标与背景、区域与区域( 包括不同色彩) 之间。边缘表明一个特征区域的终结和另一特征区域的开始。边缘所分开区域的内部特征或属性是一致的,而不同的区域内部特征或属性是不同的。边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测,这些差异包括灰度、颜色或纹理特征,边缘检测实际上就是检测图像特征发生变化的位置。边缘的类型很多,常见的有以下三种: 第一种是阶梯形边缘,其灰度从低跳跃到高; 第二种是屋顶形边缘,其灰度从低逐渐到高然后慢慢减小; 第三种是线性边缘,其灰度呈脉冲跳跃变化。如图1 所示。 (a) 阶梯形边缘(b) 屋顶形边缘 (b) 线性边缘 图像中的边缘是由许多边缘元组成,边缘元可以看作是一个短的直线段,每一个边缘元都由一个位置和一个角度确定。边缘元对应着图像上灰度曲面N 阶导数的不连续性。如果灰度曲面在一个点的N 阶导数是一个Delta 函数,那么就

经典图像边缘检测

经典图像边缘检测(微分法思想)——Sobel算子 2008-05-15 15:29Sobel于1970年提出了Sobel算子,与Prewitt算子相比较,Sobel算子对检测点的上下左右进一步加权。其加权模板如下: 经典图像边缘检测(微分法思想)——Roberts交叉算子 2008-05-14 17:16 如果我们沿如下图方向角度求其交叉方向的偏导数,则得到Roberts于1963年提出的交叉算子边缘检测方法。该方法最大优点是计算量小,速度快。但该方法由于是采用偶数模板,如下图所示,所求的(x,y)点处梯度幅度值,其实是图中交叉点处的值,从而导致在图像(x,y)点所求的梯度幅度值偏移了半个像素(见下图)。

上述偶数模板使得提取的点(x,y)梯度幅度值有半个像素的错位。为了解决这个定位偏移问题,目前一般是采用奇数模板。 奇数模板: 在图像处理中,一般都是取奇数模板来求其梯度幅度值,即:以某一点(x,y)为中心,取其两边相邻点来构建导数的近似公式:

这样就保证了在图像空间点(x,y)所求的梯度幅度值定位在梯度幅度值空间对应的(x,y)点上(如下图所示)。 前面我们讲过,判断某一点的梯度幅度值是否是边缘点,需要判断它是否大于设定的阈值。所以,只要我们设定阈值时考虑到加权系数产生的影响便可解决,偏导数值的倍数不是一个问题。 经典图像边缘检测(微分法思想)——Prewitt算子 2008-05-15 11:29 Prewitt算子 在一个较大区域中,用两点的偏导数值来求梯度幅度值,受噪声干扰很大。若对两个点的各自一定领域内的灰度值求和,并根据两个灰度值和的差来计算x,y的偏导数,则会在很

图像边缘检测各种算子MATLAB实现以及实际应用

《图像处理中的数学方法》实验报告 学生姓名:赵芳舟 教师姓名:曾理 学院:数学与统计学院 专业:信息与计算科学 学号: 联系方式: 梯度和拉普拉斯算子在图像边缘检测中的应用

一、数学方法 边缘检测最通用的方法是检测灰度值的不连续性,这种不连续性用一阶和二阶导数来检测。 1.(1)一阶导数:一阶导数即为梯度,对于平面上的图像来说,我们只需用到二维函数 的梯度,即:,该向量的幅值: ,为简化计算,省略上式平方根,得到近似值;或通过取绝对值来近似,得到:。 (2)二阶导数:二阶导数通常用拉普拉斯算子来计算,由二阶微分构成: 2.边缘检测的基本思想: (1)寻找灰度的一阶导数的幅度大于某个指定阈值的位置; (2)寻找灰度的二阶导数有零交叉的位置。 3.几种方法简介 (1)Sobel边缘检测器:以差分来代替一阶导数。Sobel边缘检测器使用一个3×3邻域的行和列之间的离散差来计算梯度,其中,每行或每列的中心像素用2来 加权,以提供平滑效果。 -1-21 000 121 -101 -202 -101

(2)Prewitt边缘检测器:使用下图所示模板来数字化地近似一阶导数。与Sobel检测器相比,计算上简单一些,但产生的结果中噪声可能会稍微大一些。 -1-1-1 000 111 -101 -101 -101 (3)Roberts边缘检测器:使用下图所示模板来数字化地将一阶导数近似为相邻像素之间的差,它与前述检测器相比功能有限(非对称,且不能检测多种45°倍数的边缘)。 -10 01 0-1 10 (4)Laplace边缘检测器:二维函数的拉普拉斯是一个二阶的微分定义: 010 1-41 010

边缘提取不同算子方法的分析比较

目录 摘要....................................................................... I 1简介. (1) 1.1MATLAB 简介 (1) 1.2数字图像处理简介 (1) 2边缘检测 (3) 2.1边缘的含义 (3) 2.2边缘检测的含义 (3) 2.3边缘检测的步骤 (3) 3常用的边缘检测算子 (5) 3.1微分算子 (5) 3.1.1 Sobel算子 (5) 3.1.2 robert算子 (6) 3.1.3 prewitt算子 (6) 3.2 Laplacian算子 (6) 3.3 Log算法 (7) 3.4 Canny边缘检测法 (7) 4程序设计 (8) 5运行结果 (10) 6边缘检测结果比较 (12) 7心得体会 (13) 参考文献 (14)

摘要 边缘检测是利用边缘增强算子,突出图像中的局部边缘,然后定义象素的“边缘强度”,通过设置阈值的方法提取边缘点集。本设计利用MATLAB软件分析几种应用于数字图像处理中的边缘检测算子,根据它们在实践中的应用结果进行研究,主要包括:Robert 边缘算子、Prewitt 边缘算子、Sobel 边缘算子、LoG边缘算子以及Laplacian 算子等对图像边缘检测,根据实验处理结果对几种算子进行比较。 关键词:Matlab边缘检测算子

1简介 1.1MATLAB简介 Matlab是国际上最流行的科学与工程计算的软件工具,它起源于矩阵运算,已经发展成一种高度集成的计算机语言。有人称它为“第四代”计算机语言,它提供了强大的科学运算、灵活的程序设计流程、高质量的图形可视化界面设计、便捷的与其它程序和语言接口的功能。随着Matlab语言功能越来越强大,不断适应新的要求并提出新的解决方法,可以预见,在科学运算,自动控制与科学绘图领域,Matlab语言将长期保持其独一无二的地位。 Matlab 的特点如下: (1) 高效的数值计算及符号计算功能,能使用户从繁杂的数学运算分析中解脱出来; (2) 具有完备的图形处理功能,实现计算结果和编程的可视化; (3) 友好的用户界面及接近数学表达式的自然化语言,使学者易于学习和掌握; (4) 功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等) ,为用户提供了大量方便实用的处理工具. Matlab的优势如下: (1)友好的工作平台和编程环境 (2)简单易用的程序语言 (3)强大的科学计算机数据处理能力 (4)出色的图形处理功能 (5)应用广泛的模块集合工具箱 (6)实用的程序接口和发布平台 (7)应用软件开发(包括用户界面) 1.2数字图像处理简介 数字图像处理又称为计算机图像处理,它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程,以提高图像的实用性,达到人们所要求的预期结果。从处理的目的来讲主要有:

Sobel边缘检测算子

经典边缘检测算子比较 一 各种经典边缘检测算子原理简介 图像的边缘对人的视觉具有重要的意义,一般而言,当人们看一个有边缘的物体时,首先感觉到的便是边缘。灰度或结构等信息的突变处称为边缘。边缘是一个区域的结束,也是另一个区域的开始,利用该特征可以分割图像。需要指出的是,检测出的边缘并不等同于实际目标的真实边缘。由于图像数据时二维的,而实际物体是三维的,从三维到二维的投影必然会造成信息的丢失,再加上成像过程中的光照不均和噪声等因素的影响,使得有边缘的地方不一定能被检测出来,而检测出的边缘也不一定代表实际边缘。图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来,通常用一阶或两阶导数来检测边缘,如下图所以。不同的是一阶导数认为最大值对应边缘位置,而二阶导数则以过零点对应边缘位置。 (a )图像灰度变化 (b )一阶导数 (c )二阶导数 基于一阶导数的边缘检测算子包括Roberts 算子、Sobel 算子、Prewitt 算子等,在算法实现过程中,通过22?(Roberts 算子)或者33?模板作为核与图像中的每个像素点做卷积和运算,然后选取合适的阈值以提取边缘。拉普拉斯边缘检测算子是基于二阶导数的边缘检测算子,该算子对噪声敏感。一种改进方式是先对图像进行平滑处理,然后再应用二阶导数的边缘检测算子,其代表是LOG 算子。前边介绍的边缘检测算子法是基于微分方法的,其依据是图像的边缘对应一阶导数的极大值点和二阶导数的过零点。Canny 算子是另外一类边缘检测算子,它不是通过微分算子检测边缘,而是在满足一定约束条件下推导出的边缘检测最优化算子。 1 Roberts (罗伯特)边缘检测算子 景物的边缘总是以图像中强度的突变形式出现的,所以景物边缘包含着大量的信息。由于景物的边缘具有十分复杂的形态,因此,最常用的边缘检测方法是所谓的“梯度检测法”。 设(,)f x y 是图像灰度分布函数; (,)s x y 是图像边缘的梯度值;(,)x y ?是梯度的方向。则有 [][]{} 1 2 22 (,)(,)(,)(,)(,)s x y f x n y f x y f x y n f x y = +-++- (1) (n=1,2,...) [][]{}1 (,)tan (,)(,)/(,)(,)x y f x y n f x y f x n y f x y ?-=+-+- (2)

数字图像课程设计报告:边缘检测算子的比较

数字图像处理课程设计报告题目数字图像课程设计—各边缘检测算子的对比 系别电气系 班级xxxxxxxxxxxxx学号xxxxxxxxxxxx 姓名xxxx指导老师xxxx 时间xxxxxxx

目录 一、课题设计的任务 (3) 1.1 课题选择 (3) 1.2 课题设计的背景 (3) 二、课题原理简介 (3) 三、经典边缘检测算子性能比较及程序 (6) 3.1MATLAB程序仿真 (6) 3.2实验结果的比较 (10) 四、实验结论 (11) 五、参考文献 (11)

一、课题设计的任务 1.1课题选择 各边缘检测的对比 1.2 课题设计的背景 我们感知外部世界的途径主要是听觉和视觉。而视觉主要是获取图像的信息,例如图片的特征和周围的背景区域的差别。这种灰度或结构等信息的突变,就称之为边缘。图像的边缘对人类视觉而言具有重要意义,有些差别很细微,人眼很难观察,这时就需要计算机图像处理技术,物体边缘上的这种变化可以用微分算子检测出来,通常用一阶或两阶导数来检测边缘。 本次我的课程设计就利用了MATLAB软件,通过实验,对各边缘检测算子进行了对比和研究,例如基于一阶导数的边缘检测算子Roberts算子、Sobel算子,基于二阶导数的拉普拉斯算子,canny边缘检测算子等。并且在4天内完成了课程设计作业,基本达到既定要求。 二、课题原理简介 边缘是一个区域的结束,也是另一个区域的开始,利用该特征可以分割图像。检测出的边缘并不等同于实际目标的真实边缘。图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来,通常用一阶或两阶导数来检测边缘,如下图所以。不同的是一阶导数认为最大值对应边缘位置,而二阶导数则以过零点对应边缘位置。 (a)图像灰度变化(b)一阶导数(c)二阶导数 下面是一些主要的边缘检测算子的原理介绍 1 Roberts(罗伯特)边缘检测算子 景物的边缘总是以图像中强度的突变形式出现的,所以景物边缘包含着大量的信息。由于景物的边缘具有十分复杂的形态,因此,最常用的边缘检测方法 是所谓的“梯度检测法”。设(,) s x y是图像边缘的 f x y是图像灰度分布函数;(,) 是梯度的方向。则有 梯度值;(,) x y

经典边缘检测算子对比

经典边缘检测算子比较 张丽 南京信息工程大学信息与计算科学系,南京210044 摘要:图像边缘检测技术是图像分割、目标识别、区域形态提取等图像分析领域中十分重要的基础。本文简要介绍各种经典图像边缘检测算子的基本原理,用Matlab仿真实验结果表明各种算子的特点及对噪声的敏感度,为学习和寻找更好的边缘检测方法提供参考价值。 关键字:图像处理;边缘检测;算子;比较 引言 图像的边缘时图像最基本的特征之一。所谓边缘(或边沿)是指周围像素灰度有阶跃性变化或“屋顶”变化的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间,因此它是图像分割依赖的重要特征。图像边缘对图像识别和计算机分析十分有用,边缘能勾划出目标物体,使观察者一目了然;边缘蕴含了丰富的内在信息(如方向、阶跃性质、形状等)。从本质上说,图像边缘是图像局部特性不连续性(灰度突变、颜色突变、纹理结构突变等)的反应,它标志着一个区域的终结和另一个区域的开始。 边缘检测技术是所有基于边界分割的图像分析方法的第一步,首先检测出图像局部特性的不连续性,再将它们连成边界,这些边界把图像分成不同的区域,检测出边缘的图像就可以进行特征提取和形状分析。为了得到较好的边缘效果,现在已经有了很多的边缘检测算法以及一些边缘检测算子的改进算法。但各算子有自己的优缺点和适用领域。本文着重对一些经典边缘检测算子进行理论分析、实际验证并对各自性能特点做出比较和评价,以便实际应用中更好地发挥其长处,为新方法的研究提供衡量尺度和改进依据。 一各种经典边缘检测算子原理简介 图像的边缘对人的视觉具有重要的意义,一般而言,当人们看一个有边缘的物体时,首先感觉到的便是边缘。灰度或结构等信息的突变处称为边缘。边缘是一个区域的结束,也是另一个区域的开始,利用该特征可以分割图像。需要指出的是,检测出的边缘并不等同于实际目标的真实边缘。由于图像数据时二维的,而实际物体是三维的,从三维到二维的投影必然会造成信息的丢失,再加上成像过程中的光照不均和噪声等因素的影响,使得有边缘的地

边缘检测算子比较

边缘检测算子比较 不同图像灰度不同,边界处一般会有明显的边缘,利用此特征可以分割图像。需要说明的是:边缘和物体间的边界并不等同,边缘指的是图像中像素的值有突变的地方,而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界,也有可能边界的地方并无边缘,因为现实世界中的物体是三维的,而图像只具有二维信息,从三维到二维的投影成像不可避免的会丢失一部分信息;另外,成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因,基于边缘的图像分割仍然是当前图像研究中的世界级难题,目前研究者正在试图在边缘提取中加入高层的语义信息。 课题所用图像边缘与边界应该算是等同的。 在实际的图像分割中,往往只用到一阶和二阶导数,虽然,原理上,可以用更高阶的导数,但是,因为噪声的影响,在纯粹二阶的导数操作中就会出现对噪声的敏感现象,三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下,如灰度变化均匀的图像,只利用一阶导数可能找不到边界,此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感,解决的方法是先对图像进行平滑滤波,消除部分噪声,再进行边缘检测。不过,利用二阶导数信息的算法是基于过零检测的,因此得到的边缘点数比较少,有利于后继的处理和识别工作。 各种算子的存在就是对这种导数分割原理进行的实例化计算,是为了在计算过程中直接使用的一种计算单位; Roberts算子:边缘定位准,但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析,由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应,故采用上述算子检测的边缘图像常需做细化处理,边缘定位的精度不是很高。Prewitt算子:对噪声有抑制作用,抑制噪声的原理是通过像素平均,但是像素平均相当于对图像的低通滤波,所以Prewitt算子对边缘的定位不如Roberts算子。 Sobel算子:Sobel算子和Prewitt算子都是加权平均,但是Sobel算子认为,邻域的像素对当前像素产生的影响不是等价的,所以距离不同的像素具有不同的权值,对算子结果产生的影响也不同。一般来说,距离越远,产生的影响越小。 Isotropic Sobel算子:加权平均算子,权值反比于邻点与中心点的距离,当沿不同方向检测边缘时梯度幅度一致,就是通常所说的各向同性。 在边沿检测中,常用的一种模板是Sobel 算子。Sobel 算子有两个,一个是检测水平边沿的;另一个是检测垂直平边沿的。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子,也有两个,一个是检测水平边沿的,另一个是检测垂直平边沿的。各向同性Sobel 算子和普通Sobel算子相比,它的位置加权系数更为准确,在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性,我们可以发现,处理该类型图像轮廓时,并不需要对梯度方向进行运算,所以程序并没有给出各向同性Sobel算子的处理方法。 由于Sobel算子是滤波算子的形式,用于提取边缘,可以利用快速卷积函数,简单有效,因此应用广泛。美中不足的是,Sobel算子并没有将图像的主体与背景严格地区分开来,换言之就是Sobel算子没有基于图像灰度进行处理,由于Sobel算子没有严格地模拟人的视觉生理特征,所以提取的图像轮廓有时并不能令人满意。在观测一幅图像的时候,我们往往首先注意的是图像与背景不同的部分,正是这个部分将主体突出显示,基于该理论,我们可以给出阈值化轮廓提取算法,该算法已在数学上证明当像素点满足正态分布时所求解是最优的。

图像边缘检测算子

课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名*** 班级学号09******* 课程设计题目图像边缘检测算子 课程设计目的与要求: 设计目的: 1.熟悉几种经典图像边缘检测算子的基本原理。 2.用Matlab编程实现边缘检测,比较不同边缘检测算子的实验结果。设计要求: 1.上述实验内容相应程序清单,并加上相应的注释。 2.完成目的内容相应图像,并提交原始图像。 3.用理论对实验内容进行分析。 工作计划与进度安排: 2012年 06月29 日选题目查阅资料 2012年 06月30 日编写软件源程序或建立仿真模块图 2012年 07月01 日调试程序或仿真模型 2012年 07月01 日结果分析及验收 2012年 07月02 日撰写课程设计报告、答辩 指导教师: 2012年 6月29日专业负责人: 2012年 6月29日 学院教学副院长: 2012年 6月29日

摘要 边缘检测是数字图像处理中的一项重要内容。本文对图像边缘检测的几种经典算法(Roberts算子、Sobel算子、Prewitt算子)进行了分析和比较,并用MATLAB实现这几个算法。最后通过实例图像对不同边缘检测算法的效果进行分析,比较了不同算法的特点和适用范围。 关键词:图像处理;边缘检测;Roberts算子;Sobel算子;Prewitt算子

目录 第1章相关知识.................................................................................................... IV 1.1 理论背景 (1) 1.2 数字图像边缘检测意义 (1) 第2章课程设计分析 (3) 2.1 Roberts(罗伯特)边缘检测算子 (3) 2.2 Prewitt(普瑞维特)边缘检测算子 (4) 2.3 Sobel(索贝尔)边缘检测算子 (5) 第3章仿真及结果分析 (7) 3.1 仿真 (7) 3.2 结果分析 (8) 结论 (10) 参考文献 (11)

数字图像处理几种边缘检测算子的比较

数字图像处理 几种边缘检测算子的比较 边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图 像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。 这些包括:深度上的不连续、表面方向不连续、物质属性变化和场景照明变化。边缘 检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域。图像边缘检测 大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结 构属性。有许多方法用于边缘检测,它们的绝大部分可以划分为两类:基于查找一 类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值 来检测边界,通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图 像二阶导数零穿越来寻找边界,通常是Laplacian过零点或者非线性差分表示的过 零点。 人类视觉系统认识目标的过程分为两步:首先,把图像边缘与背景分离出来;然后,才能知觉到图像的细节,辨认出图像的轮廓。计算机视觉正是模仿人类视觉的这个过程。因此在检测物体边缘时,先对其轮廓点进行粗略检测,然后通过链接规则把原来 检测到的轮廓点连接起来,同时也检测和连接遗漏的边界点及去除虚假的边界点。图 像的边缘是图像的重要特征,是计算机视觉、模式识别等的基础,因此边缘检测是图 象处理中一个重要的环节。然而,边缘检测又是图象处理中的一个难题,由于实际景 物图像的边缘往往是各种类型的边缘及它们模糊化后结果的组合,且实际图像信号存 在着噪声。噪声和边缘都属于高频信号,很难用频带做取舍。 这就需要边缘检测来进行解决的问题了。边缘检测的基本方法有很多,一阶的有Roberts Cross算子,Prewitt算子,Sobel算子,Canny算子, Krisch算子,罗盘算子;而二阶的还有Marr-Hildreth,在梯度方向的二阶导数过零点。现在就来 简单介绍一下各种算子的算法

对人脸边缘检测的几种算子实验比对

第07卷2007盔第06期 06月 V01.7 June No06 2007 对人脸边缘检测的几种算子实验比对 王晓红熊盛武 摘要:对于图像处理的一个研究分支一人脸识别与检测,自美国“9.11”事件后被广泛重视,并正在从实验室走向商业化。在这个过程中,科技工作者们有着众多不同的尝试方式,本文就一些经典的算法公式,选择不同的算子,通过MATLAB语言表现出来。 关键词:模式识别图像处理人脸检测算子 中图分类号:TP391.41文献标识码:A文章编号:1006-7973(2007)06-0145-02 一、前言 纵观人类历史,从制造简单的工具,到钻木取火;从四大发明到蒸汽机的使用;作为万物之灵的人类还制造了汽车、飞机、无线电、太空船…..直到一九四六年第一台计算机的出现,人类所发明的工具才真正有了和人类自身大脑作比较的工具一电脑!人类一直梦想着更接近于人的电脑来沿伸人 类大脑的工作。这就有了“fifthgenerationcomputer'’,这是日本在上世纪八十年代初制定的国家十年计划的目标:听得懂话,可识别图像,可以自我学习、可以判断和思考等等具有智能的计算机。可是时间已经过去了二十多年了,这个目标还没有实现。说明还有许多技术上的瓶颈还有待突破。想要让计算机做到以前只能由人类才能做到的事情,具备人的智能,具有对各种事件进行分析、判断的能力,还有很多的路要走。下面仅从识别图像这个方向来探讨人脸的识别。 二、人脸识别的发展现状 生物特征的识别技术从20世纪末兴起,伴随计算机硬件和信息技术的飞速发展使得地球变成了“地球村”,经过使人震惊的“9?11”事件后,现代社会对身份识别提出了更多、更高的要求。生物识别在图像识另Ⅱ领域也受到了空前的重视。生物识别技术已经在商业方面有了许多应用,并有不断纵深的趋势。据国际生物集团(InternationalBiometricGroup,IBG)的统计:到2007年将达到40亿美元。并且美国在“9?11”遇袭事件后,连续签署了3个国家安全法案(爱国者法案、航空安全法案、边境签证法案),要求必须采用生物认证技术。这对生物识别技术的应用起到了推波助澜的作用。 所谓生物特征的识别(BiometricIdentificationTechnology),就是利用人所特有的生物特征,包括生理特征和行为特征,用这些特征来进行人的身份鉴别。常用的有:脸相、虹膜、指纹、掌纹等;常用的行为特征包括:声音、笔迹、步姿等。生物特征具有以下一些特点:比如说人都有手掌,但每个人的掌纹都不一样,且这种独有的唯一的特征并不随时间变化而变化;在实际的应用中,人类特有的这些特征是可采集的,人脸的识别正是符合了这样一些特点,并且人脸识别的特点是以人为准,最大程度地确保了鉴别的可靠性。 三、人脸识别与其它识别技术的区别 在这些识别技术中,人脸识别技术(FaceRecognitionTechniques,FRT)是采用人的面部特征来确定一个人身份的,是生物特征识别技术的一个主要方向。和其他生物特征比,人脸特征的提取更具有主动、友善、无打扰等优点,基于这些特点,人脸识别技术才成为被广泛使用的方法。但是,人脸不是一成不变的,同一个人在不同的年龄段会有变化,另外光线、姿势、面部表情、面部附属物(如胡子、眼镜)等变化的影响,人脸的识别的准确度会大打折扣。就目前而言,大多的人脸识别系统还远未达到人类婴幼儿的识别能力,因此,人脸识别还有许多工作可做。 四、人脸识别方法之一——人脸检测的边缘检测方法 人脸识另lj技术包涵的内容很多,如模式识别、图像处理、计算机视觉、计算机图形学、各种数学算法的引用等等。 对于人脸的识别其首要目的是能够在图片中检测出来人脸来,即人脸检测,而人脸的检测最重要的是对其边缘的提取。图像的边缘点产生的原因虽然不同,但归根结底都是由于图像的灰度不连续或者灰度急剧变化的所造成的,利用这个特性,我们可以采用微分运算,得到边缘点,从而得到人脸的轮廓。 边缘检测是根据图像的灰度值或者色彩的急剧变化的特点,采用各种微分运算进行边缘检测的。下面就几种微分法进行理论比较。 首先需要介绍微分的原理: Af(i,j)=[,(?+1,j)一f(i,j)】十[厂(j,J+1)一f(i,j)】 m¨=誓+熹 为方便编程离散化后的差分方程为: 收稿日期:2007—3—21 作者简介:王晓红女武汉理工大学硕士研究生武汉商业服务学院讲师熊盛武男武汉理工大学教授博导  万方数据

Sobel边缘检测算子

经典边缘检测算子比较 一 各种经典边缘检测算子原理简介 图像的边缘对人的视觉具有重要的意义,一般而言,当人们看一个有边缘的物体时,首先感觉到的便是边缘。灰度或结构等信息的突变处称为边缘。边缘是一个区域的结束,也是另一个区域的开始,利用该特征可以分割图像。需要指出的是,检测出的边缘并不等同于实际目标的真实边缘。由于图像数据时二维的,而实际物体是三维的,从三维到二维的投影必然会造成信息的丢失,再加上成像过程中的光照不均和噪声等因素的影响,使得有边缘的地方不一定能被检测出来,而检测出的边缘也不一定代表实际边缘。图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平缓,垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来,通常用一阶或两阶导数来检测边缘,如下图所以。不同的是一阶导数认为最大值对应边缘位置,而二阶导数则以过零点对应边缘位置。 (a )图像灰度变化 (b )一阶导数 (c )二阶导数 基于一阶导数的边缘检测算子包括Roberts 算子、Sobel 算子、Prewitt 算子等,在算法实现过程中,通过22?(Roberts 算子)或者33?模板作为核与图像中的每个像素点做卷积和运算,然后选取合适的阈值以提取边缘。拉普拉斯边缘检测算子是基于二阶导数的边缘检测算子,该算子对噪声敏感。一种改进方式是先对图像进行平滑处理,然后再应用二阶导数的边缘检测算子,其代表是LOG 算子。前边介绍的边缘检测算子法是基于微分方法的,其依据是图像的边缘对应一阶导数的极大值点和二阶导数的过零点。Canny 算子是另外一类边缘检测算子,它不是通过微分算子检测边缘,而是在满足一定约束条件下推导出的边缘检测最优化算子。

图像处理之四种边缘检测算子比较

数字图像处理 第三次作业 SpadesQ, Sun Yat-sen University 2017/4/27 1.边缘检测 边缘一般是指图像在某一局部强度剧烈变化的区域。强度变化一般有两种情况: ●阶跃变化 ●屋顶变化 边缘检测的任务: 找到具有阶跃变化或者屋顶变化的像素点的集合。 边缘检测基本原理: 既然边缘是灰度变化最剧烈的位置,最直观的想法就是求微分。 对于第一种情况:一阶微分的峰值为边缘点,二阶微分的零点为边缘点。 对于第二种情况:一阶微分的零点为边缘点,二阶微分的峰值为边缘点。

2.matlab内置函数

分析:通过对Roberts,Sobel,Prewitt,Log和Canny进行MATLAB 仿真实验对比,结果表明,Sobel,Prewitt和Roberts算子的算法简单,但检测精度不高,Log和Canny算子的算法复杂,但检测精度较高。在应用中应根据实 际情况选择不同的算子。

3.四种算子对比分析 3.1 Sobel算子 Sobel算子在边缘检测算子扩大了其模版,在边缘检测的同时尽量削弱了噪声。其模版大小为3×3,其将方向差分运算与局部加权平均相结合来提取边缘。在求取图像梯度之前,先进行加权平均,然后进行微分,加强了对噪声的一致。Sobel 算子所对应的卷积模版为: 图像中的每个像素点和以上水平和垂直两个卷积算子做卷积运算后,再计算得到梯度幅值G ( x,y),然后选取适当的阈值τ,若G ( x,y)>τ,则(i ,j)为边缘点,否则,判断(i,j)为非边缘点。由此得到一个二值图像{ g (i,j)},即边缘图像。Sobel 算子在空间上比较容易实现,不但产生较好的边缘检测效果,同时,由于其引入了局部平均,使其受噪声的影响也较小。若使用较大的邻域,抗噪性会更好,但也增加了计算量,并且得到的边缘比较粗。在对精度要求不是很高的场合下,

边缘检测效果对比

图像边缘检测算法效果对比 目录 一、引言 二、边缘检测 2.1 Roberts 梯度算子 2.2 Prewitt算子 2.3 Sobel算子 2.4 Laplace 算子 2.5 Canny 算子 三、几种算子的比较 3.1 基于Matlab 的边缘检测算法实现 3.2 算法比较 四、最小二乘支持向量机在边缘检测中的应用 五、结束语 六、参考文献

摘要:边缘是图像最基本的特征,包含图像中用于识别的有用信息,边缘检测是数字图像处理中基础而又重要的课题。文章具体考察了5 种经典常用的边缘检测算子以及最小二乘支持向量机提取边缘检测算子,并运用Matlab 进行图像处理结果比较。梯度算子简单有效, LOG 算法和Canny 边缘检测器能产生较细的边缘。最小二乘支持向量机结合图像的梯度和零交叉信息,选取一定的参数条件,可以获得比Canny 方法更好的性能。

一、引言 图像边缘是图像最基本的特征之一,往往携带着一幅图像的的大部分的信息。而边缘存在于图像的不规则结构和不平稳现象中,也即存在于信号的突变点处。这些点给出了图像轮廓的位置,这些轮廓常常是在图像处理时所需要的非常重要的一些特征条件,这就需要对一幅图像检测并提取出它的边缘。而边缘检测算法则是处理问题中经典技术难题之一,它的解决对于进行高层次的特征描述、识别和理解等有着重大的影响;又由于边缘检测在许多方面都有着非常重要的使用价值,所以人们一直在致力于研究和解决如何构造出具有良好性质级好的效果的边缘检测算子的问题。 由于边缘检测在图像处理系统中占有重要的作用,所以其效果直接影响着后续图像处理效果的好坏。许多数字图像处理直接或间接地依靠边缘检测算法的性能,并且在模式识别、机器人视觉、图像分割、特征提取、图像压缩等方面都把边缘检测作为最基本的工具。但实际图像中的边缘往往是各种类型的边缘以及它们模糊化后结果的组合,并且在实际图像中存在着不同程度的噪声,各种类型的图像边缘检测算法不断涌现。早在1965 年就有人提出边缘检测算子,边缘检测的传统方法包括Kirsch, Prewitt, Sobel, Roberts,Robins, Mar -Hildreth边缘检测方法以及Laplacian-Gaussian (LOG)算子方法和Canny 最优算子方法等。 本文主要讨论其中5 种边缘检测算法以及最小二乘支持向量机进行图像边缘处理算法的性能,并使用Matlab7.8 图像处理工具以

几种边缘检测算子比较

常用的检测算子有: (1)微分算子 (2)拉普拉斯高斯算子 (3)canny算子 微分算子 Sobel算子, Robert算子,prewitt算子比较 Sobel算子是滤波算子的形式来提取边缘。X,Y方向各用一个模板,两个模板组合起来构成1个梯度算子。X方向模板对垂直边缘影响最大,Y方向模板对水平边缘影响最大。 Robert算子是一种梯度算子,它用交叉的差分表示梯度,是一种利用局部差分算子寻找边缘的算子,对具有陡峭的低噪声的图像效果最好。 prewitt算子是加权平均算子,对噪声有抑制作用,但是像素平均相当于对图像进行地同滤波,所以prewitt算子对边缘的定位不如robert算子。 源程序: i=imread('tanke.jpg'); i2=im2double(i); ihd=rgb2gray(i2); [thr,sorh,keepapp]=ddencmp('den','wv',ihd); ixc=wdencmp('gbl',ihd,'sym4',2,thr,sorh,keepapp); figure,imshow(ixc),title('消噪后图像'); k2=medfilt2(ixc,[7 7]); figure,imshow(k2),title('中值滤波'); isuo=imresize(k2,0.25,'bicubic'); %sobert、robert和prewitt算子检测图像边缘 esobel=edge(isuo,'sobel'); erob=edge(isuo,'roberts'); eprew=edge(isuo,'prewitt'); subplot(2,2,1); imshow(isuo);title('前期处理图像'); subplot(2,2,2); imshow(esobel);title('sobel算子提取'); subplot(2,2,3); imshow(erob);title('roberts算子提取'); subplot(2,2,4);

图像边缘检测算子

图像边缘检测算子 沈阳理工大学数字图像处理课程设计 课程设计任务书 学院信息科学与工程专业电子信息工程学生姓名 *** 班级学号 09******* 课程设计题目图像边缘检测算子课程设计目的与要求: 设计目的: 1. 熟悉几种经典图像边缘检测算子的基本原理。 2. 用Matlab编程实现边缘检测,比较不同边缘检测算子的实验结果。设计要求: 1. 上述实验内容相应程序清单,并加上相应的注释。 2. 完成目的内容相应图像,并提交原始图像。 3. 用理论对实验内容进行分析。 工作计划与进度安排: 2012年 06月29 日选题目查阅资料 2012年 06月30 日编写软件源程序或建立仿真模块图 2012年 07月01 日调试程序或仿真模型 2012年 07月01 日结果分析及验收 2012年 07月02 日撰写课程设计报告、答辩 指导教师: 专业负责人: 学院教学副院长: 2012年 6月29日 2012年 6月29日 2012年 6月29日 I 沈阳理工大学数字图像处理课程设计 摘要

边缘检测是数字图像处理中的一项重要内容。本文对图像边缘检测的几种经典 算法(Roberts算子、Sobel算子、Prewitt算子)进行了分析和比较,并用MATLAB 实现这几个算法。最后通过实例图像对不同边缘检测算法的效果进行分析,比较了不同算法的特点和适用范围。 关键词:图像处理;边缘检测;Roberts算子;Sobel算子;Prewitt算子 II 沈阳理工大学数字图像处理课程设计 目录 第1章相关知识...................................................................... .............................. IV 1.1 理论背景...................................................................... (1) 1.2 数字图像边缘检测意义...................................................................... (1) 第2章课程设计分析...................................................................... . (3) 2.1 Roberts(罗伯特)边缘检测算 子 (3) 2.2 Prewitt(普瑞维特)边缘检测算 子 (4)

边缘检测原理(内含三种算法)

边缘检测原理的论述

摘要 数字图像处理技术是信息科学中近几十年来发展最为迅速的学科之一。图像边缘是图像最基本的一种特征,边缘在图像的分析中起着重要的作用。边缘作为图像的一种基本特征,在图像识别、图像分割、图像增强以及图像压缩等的领域中有较为广泛的应用,其目的就是精确定位边缘,同时更好地抑制噪声。目前,数字图像处理技术被广泛应用于航空航天、通信、医学及工业生产等领域中。图像边缘提取的手段多种多样,本文主要通过MATLAB语言编程分别用不同的算子例如Roberts算子、Prewitt算子、Sobel算子、Kirsch算子、Laplacian算子、Log算子和Canny算子等来实现静态图像的边缘检测,并且和检测加入高斯噪声的图像进行对比。阐述了不同算子在进行图像边缘提取的特点,并在此基础上提出利用小波变换来实现静态图像的边缘检测。 【关键字】图像边缘数字图像边缘检测小波变换 背景

图像处理就是对图像信息加工以满足人的视觉心理或应用需求的方法。图像处理方法有光学方法和电子学方法。从20世纪60年代起随着电子计算机和计算技术的不断提高和普及,数字图像处理进入了高速发展时期,而数字图像处理就是利用数字计算机或其它的硬件设备对图像信息转换而得到的电信号进行某些数学处理以提高图像的实用性。 计算机进行图像处理一般有两个目的:(1)产生更适合人观察和识别的图像。(2)希望能由计算机自动识别和理解图像。数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础,图像处理和分析的第一步往往就是边缘检测。 边缘是图象最基本的特征.边缘检测在计算机视觉、图象分析等应用中起着重要的作用,是图象分析与识别的重要环节,这是因为子图象的边缘包含了用于识别的有用信息.所以边缘检测是图像分析和模式识别的主要特征提取手段。 所谓边缘是指其周围像素灰度后阶变化或屋顶状变化的那些像素的集合,它存在于目标与背景、目标与目标、区域与区域,基元与基元之间。因此它是图象分割所依赖的重要的特征,也是纹理特征的重要信息源和形状特征的基础;而图象的纹理形状特征的提取又常常依赖于图象分割。图象的边缘提取也是图象匹配的基础,因为它是位置的标志,对灰度的变化不敏感,它可作为匹配的特征点。 图象的其他特征都是由边缘和区域这些基本特征推导出来

Canny边缘检测与轮廓提取

摘要...................................................................................I Abstract ..............................................................................II 1 绪论 (1) 2 设计内容与OpenCV简介 (2) 2.1 设计任务内容 (2) 2.2 OpenCV简介 (2) 3 理论分析 (3) 3.1 边缘检测 (3) 3.1.1 图像的边缘 (3) 3.1.2 边缘检测的基本步骤 (3) 3.2 轮廓提取 (4) 4 边缘检测的算法比较 (5) 4.1 Reborts算子 (5) 4.2 Sobel算子 (5) 4.3 Prewitt 算子 (6) 4.4 Kirsch 算子 (7) 4.5 LOG算子 (7) 4.6 Canny算子 (8) 5 实验仿真 (10) 5.1算法设计 (10) 5.2 实验结果 (11) 6 分析与总结 (12) 参考文献 (13) 附录 (14)

边缘检测是图像处理和计算机视觉中的基本问题,它的目的是标识出数字图像中亮度变化明显的点。图像经过边沿检测处理之后,不仅大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。 事实上,边缘存在于图像的不规则结构和不平稳现象中,也即存在于信号的突变点处,这些点给出了图像轮廓的位置。这些轮廓常常是我们在图像边缘检测时,所需要的非常重要的一些特征条件,这就需要我们对一幅图像检测并提取出它的边缘。 可用于图像边缘检测和轮廓提取的方法有很多,其中包括有常见的Robert边缘算子、Prewitt 边缘算子、Sobel边缘算子等等。本文首先将会从数字图像处理的角度,对几种边缘检测算法进行详细的分析,然后会并选择其中一种边缘检测算法进行实验。考虑到以后进一步的学习,本文将会使用openCV对算法进行实现。最后,本文将会把实验获得的实际效果,与理论分析的结果进行比对,并以此对本次实验进行总结。 关键字:边缘检测轮廓提取图像处理openCV

相关文档
相关文档 最新文档