图像边缘检测算法-代码程序-及其结果

1、精选优质文档-倾情为你奉上图像边缘检测算法研究一、边缘检测：边缘是指图像局部亮度变化最显著的部分，边缘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，是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。边缘的检测正是利用物体和背景在某种图像特性上的差异来实现的。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性发生变化的位置。 二、图像的边缘大致可分为两种：阶跃状和屋顶状；阶跃状的边缘处于图像中两个不同灰度的相邻区域之间，屋顶状的边缘上升和下降都比较缓慢。 阶跃状边缘的位置在一阶导数的峰值点，在二阶导数的过零点；屋顶状边缘（有一定的宽度范围）的位置在一阶

2、导数的两峰值之间，在二阶导数的两个过零点之间。 三、基于一阶导数法的边缘检测 3.1 梯度算子 求梯度的运算可近似为微分模板与图像的卷积。常用一阶边缘检测算子有简单梯度算子、Roberts 算子、priwitt 算子、sobel 算子。梯度算子包含着微分运算，对噪声比较敏感。以上各算子都只包含x，y 两个方向的模板，每种模板只对相应的方向敏感，而对其他方向的变化响应不大。 Roberts 算子 Roberts 算子是一种利用局部差分算子寻找边缘的算子 ,它由下式给出: + +- = 它是由两个2 ×2 模板作用的结果(标注的是当前像素的位置)： （1）用卷积函数conv2 处理的Ma

3、tlab 程序代码： a=imread('lena','tif'); b=0 1;-1 0/126;c=1 0;0 -1/126; %参数126 是实验时为增强图像对比度试验出来的 d=conv2(a,b,'same');d=abs(d); %处理水平方向算子的结果，参数'same'使得得到的图像与原图大小相等。 e=conv2(a,c,'same');e=abs(e); %处理垂直方向算子的结果 f=max(d,e); %取水平及垂直方向上的大值 subplot(1,3,1),imshow(d), title(&

4、#39; roberts 水平') subplot(1,3,2),imshow(e), title(' roberts 垂直')subplot(1,3,3),imshow(f), title(' roberts 综合') 由图可知，用单个方向的算子则对该方向比较敏感。 （2）用edge函数处理的Matlab程序代码： a = imread('tuxing','tif'); %读取图像 a = imnoise(a, 'salt & pepper',0.005); %对图像加椒盐噪声 b = edge(

5、a,'roberts',0.02); %以阈值为0.02进行roberts边缘检测 c = edge(a,'roberts',0.07); %阈值为0.07 d,e = edge(a,'roberts'); %该处可得阈值的默认值e subplot(2,2,1),imshow(a),axis on; title('原图') subplot(2,2,2),imshow(b) ,axis on; title('roberts 阈值=0.02') subplot(2,2,3),imshow(c) ,axis on;tit

6、le('roberts 阈值=0.07') subplot(2,2,4),imshow(d) ,axis on; title('默认') 运行结果： Prewitt算子 为了在边缘检测中减少噪声的影响，1970年Prewitt和Sobel分别提出Prewitt算子和Sobel算子。Prewitt算子加大了边缘检测算子的模板，扩大到3x3来计算差分算子。Prewitt 边缘检测算子使用两个有向算子(一个水平的，一个是垂直的，一般称为模板)，每一个逼近一个偏导数： 如果我们用 Prewitt 算子检测图像M 的边缘的话，我们可以先分别用水平算子和垂直算子对图像进行卷

7、积，得到的是两个矩阵，在不考虑边界的情形下也是和原图像同样大小的 M1， M2，他们分别表示图像M 中相同位置处的两个偏导数。然后把M1，M2 对应位置的两个数平方后相加得到一个新的矩阵G,G 表示M 中各个像素的灰度的梯度值(一个逼近)。然后就可以通过阀值处理得到边缘图像。 （1）用卷积函数conv2 处理的Matlab 程序代码： a=imread('lena','tif'); b=-1 -1 -1;0 0 0;1 1 1/256;c=-1 0 1; -1 0 1; -1 0 1/256; %参数256 是实验时为增强图像对比度试验出来的 d=conv2(a

8、,b,'same');d=abs(d); %处理水平方向算子的结果 e=conv2(a,c,'same');e=abs(e); %处理垂直方向算子的结果 f=max(d,e); %取水平及垂直方向上的大值 subplot(1,3,1),imshow(d), title(' prewitt 水平') subplot(1,3,2),imshow(e), title(' prewitt 垂直') subplot(1,3,3),imshow(f), title(' prewitt 综合') 由图可知，用单个方向的算子则对该

9、方向比较敏感。 （2）用edge 函数处理的Matlab 程序代码： a = imread('tuxing','tif');%读取图像 a = imnoise(a, 'salt & pepper',0.005); b = edge(a,'prewitt',0.02); c = edge(a,'prewitt',0.07); d,e = edge(a,'prewitt'); %该处可得阈值的默认值e subplot(2,2,1),imshow(a),axis on; title('原图

10、') subplot(2,2,2),imshow(b) ,axis on; title('prewitt 阈值=0.02') subplot(2,2,3),imshow(c) ,axis on;title('prewitt 阈值=0.07') subplot(2,2,4),imshow(d) ,axis on; title('默认') sobel 算子Sobel 算子和 Prewitt 算子的不同就在于使用的模板不一样： （1）用卷积函数conv2 处理的Matlab 程序代码： a=imread('lena','

11、tif'); b=-1 -2 -1;0 0 0;1 2 1/256;c=-1 0 1; -2 0 2; -1 0 1/256; %参数256 是实验时为增强图像对比度试验出来的 d=conv2(a,b,'same');d=abs(d); %处理水平方向算子的结果 e=conv2(a,c,'same');e=abs(e); %处理垂直方向算子的结果 f=max(d,e); %取水平及垂直方向上的大值 subplot(1,3,1),imshow(d), title(' sobel 水平') subplot(1,3,2),imshow(e),

12、title(' sobel 垂直') subplot(1,3,3),imshow(f), title(' sobel 综合') 由图可知，用单个方向的算子则对该方向比较敏感。用sobel 算子得到的图像边缘较宽。 （2）用edge 函数处理的Matlab 程序代码： a = imread('tuxing','tif');%读取图像 a = imnoise(a, 'salt & pepper',0.005); b = edge(a,'sobel',0.02);c = edge(a,'s

13、obel',0.07); d,e = edge(a,'sobel'); %该处可得阈值的默认值e subplot(2,2,1),imshow(a),axis on; title('原图') subplot(2,2,2),imshow(b) ,axis on; title('sobel 阈值=0.02') subplot(2,2,3),imshow(c) ,axis on;title('sobel 阈值=0.07') subplot(2,2,4),imshow(d) ,axis on; title('默认阈值'

14、;) 实验结果： 由Roberts算子、priwitt算子、sobel算子处理的图像结果可以看出，三者处理效果差不多。由于梯度算子包含着微分运算，因此对图像的噪声有一定的放大作用。阈值的大小决定了像素点赋值为1的点的多少。阈值越大，留下的1点越少。 3.2 canny算子 Canny算子具体实现的步骤是：、用高斯滤波器平滑图像；、用一阶偏导的有限差分来计算梯度的幅值和方向；、对梯度幅值进行非极大值抑制；、用双阈值算法检测和连接边缘。（双阈值检测原理：两个阈值可得两个边缘图像，首先由大阈值把边缘连接成轮廓，当到达轮廓的端点时，就从小阈值图像中寻找可以连接到轮廓上的边缘。） Matlab程序代码：

15、 a = imread('tuxing','tif');%读取图像 a = imnoise(a, 'salt & pepper',0.005); b = edge(a,'canny',0.03,0.06);% edge(I,'canny',thresh,sigma),sigma默认为1 c = edge(a,'canny',0.05,0.1); % =3 d = edge(a,'canny',0.05,0.1,2); subplot(2,2,1),imshow(a); sub

16、plot(2,2,2),imshow(b);title('canny 双阈值=0.03,0.06 =1') subplot(2,2,3),imshow(c);title('canny 双阈值=0.05,0.1 =1') subplot(2,2,4),imshow(d);title('canny 双阈值=0.05,0.1 =2') 实验结果：Canny算子由于进行了高斯滤波，因此可以滤除噪声。而且Canny算子是双阈值检测，所以图像连续性较好。高斯滤波器标准差的大小决定了滤除噪声的能力；阈值的大小决定了像素点赋值为1的点的多少。 3.3方向算子 R

17、oberts算子、priwitt算子、sobel算子都只包含两个方向的模板，每种模板只对相应的方向敏感，对该方向上的变化有明显的输出，而对其他方向的变化响应不大。为了检测各个方向的边缘，需要有各个方向的微分模板。8个方向的kirsch模板较为常用，这8个方向依次成45°夹角，其3*3的模板为-5 3 3;-5 0 3;-5 3 3, 3 3 3;-5 0 3;-5 -5 3, 3 3 3;3 0 3;-5 -5 -5, 3 3 3;3 0 -5; 3 -5 -5, 3 3 -5;3 0 -5;3 3 -5, 3 -5 -5;3 0 -5;3 3 3, -5 -5 -5;3 0 3;3

18、 3 3, -5 -5 3;-5 0 3;3 3 3 用卷积函数conv2处理的Matlab程序代码： a=imread('lena','tif'); b=-5 3 3;-5 0 3;-5 3 3/1512;c=3 3 3;-5 0 3;-5 -5 3/1512; d=3 3 3;3 0 3;-5 -5 -5/1512;e=3 3 3;3 0 -5; 3 -5 -5/1512; f=3 3 -5;3 0 -5;3 3 -5/1512;g=3 -5 -5;3 0 -5;3 3 3/1512; h=-5 -5 -5;3 0 3;3 3 3/1512;i=-5 -5

19、3;-5 0 3;3 3 3/1512; b=conv2(a,b,'same');b=abs(b);c=conv2(a,c,'same');c=abs(c); d=conv2(a,d,'same');d=abs(d);e=conv2(a,e,'same');e=abs(e); f=conv2(a,f,'same');f=abs(f);g=conv2(a,g,'same');g=abs(g); h=conv2(a,h,'same');h=abs(h);i=conv2(a,i,'

20、same');i=abs(i); p=max(b,c);p=max(d,p);p=max(e,p);p=max(f,p);p=max(g,p);p=max(h,p);p=max(i,p); subplot(2,4,1),imshow(b),subplot(2,4,2),imshow(c),subplot(2,4,3),imshow(d), subplot(2,4,4),imshow(e),subplot(2,4,5),imshow(f),subplot(2,4,6),imshow(g), subplot(2,4,7),imshow(h),subplot(2,4,8),imshow(i)

21、 figure,imshow(p) 由图可知，多个方向的算子得到的图像细节比较多。四、基于二阶导数法的边缘检测：拉氏算子，log算子 1.拉氏算子：其模板为0 1 0;1 -4 1;0 1 0；对图像的噪声相当敏感，检测出的边缘常常是双像素宽、没有方向信息；因此很少直接用于图像检测；另一方面，一阶差分算子会在较宽范围形成较大的梯度值，因此不能精确定位，而利用二阶差分算子的过零点可以精确定位边缘。 用卷积函数conv2处理的Matlab程序代码： a=imread('lena','tif'); b=0 1 0;1 -4 1;0 1 0/56; d=conv2(a,b,'same');d=abs(d); imshow(d) 由图可知拉氏算子检测出的边缘常常是双像素宽，没有方向信息。2.log算子：拉氏算子对噪声敏感，为减轻噪声的影响，可对需检测的图像先进行平滑，然后再运用拉氏算子检测边缘。平滑时按照与给定像素点的远近给邻域中的点分配不同的权重，此权重大小应服从正态分布。高斯函数是一种服从正态分布的平滑函数。利用log算子进行边缘检测，即首先使图像与高斯函数卷积，然后再运用拉氏算子。的选取：过大，噪声滤除效果好