圖像邊緣檢測課程設(shè)計(jì)_圖像處理綜合訓(xùn)練-資料下載頁
2025-08-19 20:27本頁面
【導(dǎo)讀】到較高層次的圖像應(yīng)用中去。它在圖像識(shí)別，圖像分割，圖像增強(qiáng)以及圖像壓縮。等的領(lǐng)域中有較為廣泛的應(yīng)用，也是它們的基礎(chǔ)。解決的一類問題。圖像的邊緣包含了圖像的位置、輪廓等特征，是圖像的基本特。圖像壓縮等圖像分析和處理中。一直是圖像處理與分析技術(shù)中的研究熱點(diǎn)，新理論、新方法不斷涌現(xiàn)。經(jīng)典邊緣檢測方法的抗噪聲性能都較差，解決該問題的主要方法就是設(shè)。取顯得尤為重要。傳統(tǒng)方法中的閾值都是通過實(shí)驗(yàn)確定的，沒有統(tǒng)一的閾值選取。本文利用邊緣的最大后驗(yàn)概率估計(jì)，介紹一種新的邊緣估計(jì)方法，從理論。的實(shí)現(xiàn)步驟，對(duì)算法均進(jìn)行了仿真實(shí)驗(yàn)。生產(chǎn)的方方面面,其應(yīng)用也日益廣泛。目前國內(nèi)一個(gè)普遍被認(rèn)同的定義是：以應(yīng)。性、成本、體積、功耗嚴(yán)格要求的專用計(jì)算機(jī)系統(tǒng)。系統(tǒng)、自動(dòng)售貨機(jī)、工業(yè)自動(dòng)化儀表與醫(yī)療儀器等。同區(qū)域之間的邊界。廣泛的的高斯邊緣檢測算法。盡管高斯檢測算法相對(duì)來說有更。嵌入式系統(tǒng)將是未來工業(yè)
【正文】 src39。,img_src)。 function m_file_save_Callback(hObject, eventdata, handles) [filename, pathname] = uigetfile( ... {39。*.bmp。*.jpg。*.png。*.jpeg39。, 39。Image Files (*.bmp, *.jpg, *.png, *.jpeg)39。 ... 39。*.*39。, 39。All Files (*.*)39。}, ... 39。Pick an image39。)。 axes()。%用 axes命令設(shè)定當(dāng)前操作的坐標(biāo)軸是 axes_src fpath=[pathname filename]。%將文件名和目錄名組合成一個(gè)完 整的路徑 img_src=imread(fpath)。imshow(img_src)。 img_src=getappdata(,39。img_src39。)。 function m_file_exit_Callback(hObject, eventdata, handles) close()。 function m_image_Callback(hObject, eventdata, handles) function m_sobel_Callback(hObject, eventdata, handles) axes()。%用 axes命令設(shè)定當(dāng)前操作的坐標(biāo)軸是 axes_src img_src=getappdata(,39。img_src39。)。 A=img_src。 axes()。 imshow(A)。title(39。原圖 39。)。 21 y_mask = [1 2 1。0 0 0。1 2 1]。 % 建立 Y方向的模板 x_mask = y_mask39。 % 建立 X方向的模板 I = im2double(A)。 % 將圖像數(shù)據(jù)轉(zhuǎn)化為雙精度 dx = imfilter(I, x_mask)。 % 計(jì)算 X方向的梯度分量 dy = imfilter(I, y_mask)。 % 計(jì)算 Y方向的梯度分量 grad = sqrt(dx.*dx + dy.*dy)。 % 計(jì)算梯度 grad = mat2gray(grad)。 % 將梯度矩陣轉(zhuǎn)換為灰度圖像 level = graythresh(grad)。 % 計(jì)算灰度閾值 axes()。 BW = im2bw(grad,level)。 % 用閾值分割梯度圖像 imshow(BW)。 % 顯示分割后的圖像即邊緣圖像 title(39。Sobel39。) function m_Roberts_Callback(hObject, eventdata, handles) img_src=getappdata(,39。img_src39。)。 A=img_src。 axes()。 imshow(A)。title(39。原圖 39。)。 x_mask = [1 0。0 1]。 % 建立 X方向的模板 y_mask = rot90(x_mask)。 % 建立 Y方向的模板 I = im2double(A)。 % 將圖像數(shù)據(jù)轉(zhuǎn)化為雙精度 dx = imfilter(I, x_mask)。 % 計(jì)算 X方向的梯度分量 dy = imfilter(I, y_mask)。 % 計(jì)算 Y方向的梯度分量 grad = sqrt(dx.*dx + dy.*dy)。 % 計(jì)算梯度 grad = mat2gray(grad)。 % 將梯度矩陣轉(zhuǎn)換為灰度圖像 level = graythresh(grad)。 % 計(jì)算灰度閾值 axes()。 BW = im2bw(grad,level)。 % 用閾值分割梯度圖像 imshow(BW)。 % 顯示分割后的圖像即邊緣圖像 title(39。Roberts39。) 22 function m_priwitt_Callback(hObject, eventdata, handles) img_src=getappdata(,39。img_src39。)。 A=img_src。 axes()。 imshow(A)。title(39。原圖 39。)。 y_mask = [1 1 1。0 0 0。1 1 1]。 % 建立 Y方向的模板 x_mask = y_mask39。 % 建立 X方向的模板 I = im2double(A)。 % 將圖像數(shù)據(jù)轉(zhuǎn)化為雙精度 dx = imfilter(I, x_mask)。 % 計(jì)算 X方向的梯度分量 dy = imfilter(I, y_mask)。 % 計(jì)算 Y方向的梯度 分量 grad = sqrt(dx.*dx + dy.*dy)。 % 計(jì)算梯度 grad = mat2gray(grad)。 % 將梯度矩陣轉(zhuǎn)換為灰度圖像 level = graythresh(grad)。 % 計(jì)算灰度閾值 axes()。 BW = im2bw(grad,level)。 % 用閾值分割梯度圖像 imshow(BW)。 % 顯示分割后的圖像即邊緣圖像 title(39。Prewitt39。) function m_lapacian_Callback(hObject, eventdata, handles) img_src=getappdata(,39。img_src39。)。 A=img_src。 axes()。 imshow(A)。title(39。原圖 39。)。 mask=[0,1,0。1,4,1。0,1,0]。 % 建立模板 I = im2double(A)。 % 將數(shù)據(jù)圖像轉(zhuǎn)化為雙精度 dx = imfilter(I, mask)。 % 計(jì)算梯度矩陣 grad = mat2gray(dx)。 % 將梯度矩陣轉(zhuǎn)化為灰度圖像 axes()。 23 BW = im2bw(grad,)。 % 用閾值分割梯度圖像 imshow(BW)。 % 顯示分割后的圖像，即梯度圖像 title(39。Laplacian39。) function m_canny_Callback(hObject, eventdata, handles) img_src=getappdata(,39。img_src39。)。 I=img_src。 axes()。 imshow(I)。title(39。原圖 39。)。 I=rgb2gray(I)。 axes()。 BW = edge(I,39。canny39。)。 % 調(diào)用 canny函數(shù) imshow(BW)。 % 顯示分割后的圖像，即梯度圖像 title(39。canny39。)。
畢業(yè)設(shè)計(jì)相關(guān)推薦
鄂ICP備17016276號(hào)-1