【正文】 % imshow(img)。gaussian39。 close all。)。 title(39。 BW2=im2bw(grad,T)。 T=sqrt(2)*FW^2/FS。 FX= sqrt(B/(M*N))。 B = sum(B(:))。 FW=median(BB(:))/。 BW = im2bw(grad,level)。 grad = mat2gray(dd)。 dd = max(dd,abs(d7))。 dd = max(dd,abs(d5))。 dd = max(dd,abs(d3))。 d8 = imfilter(I, mask8)。 d6 = imfilter(I, mask6)。 d4 = imfilter(I, mask4)。 d2 = imfilter(I, mask2)。 I = im2double(A)。1 0 1。1 0 1]。 mask7=[1 0 1。1 0 1。1 2 1]。 mask5=[1 2 1。1 0 1。1 0 1]。 mask3=[1 0 1。1 0 1。1 2 1]。 mask1=[1 2 1。 close all。39。sobel176。 figure, imshow(BW)。 level = graythresh(grad)。 dd = max(dd,abs(d8))。 dd = max(dd,abs(d6))。 dd = max(dd,abs(d4))。 dd = max(abs(d1),abs(d2))。 d7 = imfilter(I, mask7)。 d5 = imfilter(I, mask5)。 d3 = imfilter(I, mask3)。 d1 = imfilter(I, mask1)。2 1 0]。 mask8=[0 1 2。2 0 2。0 1 2]。 mask6=[2 1 0。0 0 0。2 1 0]。 mask4=[0 1 2。2 0 2。0 1 2]。 mask2=[2 1 0。0 0 0。 A=img。) end %========================================================================== if chos==9 clc。 title(39。 BW = im2bw(grad,level)。 grad = mat2gray(grad)。 dy = imfilter(I, y_mask)。 I = im2double(A)。1 2 1]。 y_mask = [1 2 1。 close all。Canny39。 figure,imshow(BW1)。canny39。 A=img。) end %========================================================================== if chos==7 clc。 title(39。 BW = im2bw(grad,)。 dx = imfilter(I, mask)。0,0,1,0,0]。1,2,16,2,1。 mask=[0,0,1,0,0。 close all。Laplacian39。 figure, imshow(BW)。 grad = mat2gray(dx)。 I = im2double(A)。1,4,1。 A=img。) end %========================================================================== if chos==5 clc。 title(39。 BW = im2bw(grad,level)。 grad = mat2gray(dd)。 dd = max(dd,abs(d7))。 dd = max(dd,abs(d5))。 dd = max(dd,abs(d3))。 d8 = imfilter(I, mask8)。 d6 = imfilter(I, mask6)。 d4 = imfilter(I, mask4)。 d2 = imfilter(I, mask2)。 I = im2double(A)。5,0,3。5,3,3]。 mask7=[5,3,3。5,0,3。3,3,3]。 mask5=[5,5,5。3,0,3。3,3,3]。 mask3=[3,5,5。3,0,5。3,5,5]。 mask1=[3,3,3。 close all。Prewitt39。 figure, imshow(BW)。 level = graythresh(grad)。 grad = sqrt(dx.*dx + dy.*dy)。 dx = imfilter(I, x_mask)。 x_mask = y_mask39。0 0 0。 A = img。) end %========================================================================== if chos==3 clc。 title(39。 BW = im2bw(grad,level)。 grad = mat2gray(grad)。 dy = imfilter(I, y_mask)。 I = im2double(A)。0 1]。 A = img。 end end %========================================================================== if chos==2clc。uint3239。) graylevmax=2^161。 end if isa(img,39。uint839。 imshow(img)。Selected image39。Name39。 selezionato=0。Select a grayscale image39。amp。)。 else disp(39。 if namefile~=0 [img,map]=imread(strcat(pathname,namefile))。Chose GrayScale Image39。IMAGE Files (*.bmp,*.tif,*.tiff,*.jpg,*.jpeg,*.png,*.gif)39。*.gif39。*.jpeg。*.tiff。*.bmp。 selezionato=0。 %========================================================================== if chos==1 clc。退出39。加入噪聲39。改進的Sobel39。八方向Sobel39。Sobel39。Canny39。LoG39。Laplacian39。Kirsch39。Prewitt39。Roberts39。 while chos~=possibility, chos=menu(39。 messaggio=39。 chos=0。 TECHNOLOGY. 2009,(2):2425[14] 王予生,卜佳俊,[J]. 中國圖象圖 形學報. 2002,7(2):145—149 [15] 呂同富,劉寶軍,[J]. 計算機仿真, 2003,20(4):99—101 [16] [J]. 測繪通報, 2006,3:4042 [17] [J].中國科技信息,2007,(4):6567 [18] [J].大眾科技,2009,(12):4647附錄源程序清單clear all。而采用最佳閾值 的改進 Sobel 算子檢測極大地改善了這缺點, 得到的圖像邊緣具有很好的清晰度和連續(xù)性,信息比較完整, Sobel 算子 最大優(yōu)點是:在去噪的同時有效地保留了圖像的真實邊緣,即給出了邊緣檢 測的最佳結(jié)果.結(jié)論本文就現(xiàn)在比較成熟經(jīng)典的基于一階微分的邊緣檢測算法進行了回顧, 并循序漸進的對基于二階微分的邊緣檢測算法作了介紹,最后,還介紹了適 用于含高斯噪聲圖片的改進 Sobel 算子. 總結(jié)如下: Roberts 算子:采用對角線方向相鄰兩像素之差表示信號的突變,檢測水 平和垂直方向邊緣的性能好于斜線方向,定位精度比較高,但對噪聲敏感, 檢測出的邊緣較細. Prewitt 算子:對噪聲有平滑作用,檢測出的邊緣比較粗,定位精度低, 容易損失角點. Kirsch 算子:Kirsch 算子是像素鄰域的加權(quán)和,模板中心值較大,不但產(chǎn) 生較好的邊緣效果,邊緣比較粗 且定位精度低. Laplacian 算子:是二階微分算子,對圖像中的階躍性邊緣點定位準確, 對噪聲非常敏感, 丟失一部分邊緣的方向信息, 造成一些不連續(xù)的檢測邊緣. LoG 算子: 首先用高斯函數(shù)進行濾波, 然后使用 Laplacian 算子檢測邊緣, 克服了 Laplacian 算子抗噪聲能力比較差的缺點. Canny 算子: 采用高斯函數(shù)對圖像進行平滑處理, 因此具有較強的噪聲抑 制能力。)。 % 顯示分割后的圖像,即邊緣圖像 title(39。 % 將梯度矩陣轉(zhuǎn)化為灰度圖像 BW2=im2bw(grad,T)。 T=sqrt(2)*FW^2/FS。 FX= sqrt(B/256^2)。 B = BB.*BB。) BB = grad。 % 顯示分割后的圖像,即邊緣圖像 title(39。 % 計算灰度閾值 BW = im2bw(grad,level)。 grad = mat2gray(dd)。 dd = max(dd,abs(d7))。 dd = max(dd,abs(d5))。 % 取差值變化最大的元素組成灰度變化矩陣 dd = max(dd,abs(d3))。 d8 = imfilter(I, mask8)。 d6 = imfilter(I, mask6)。 d4 = imfilter(I, mask4)。 % 計算8個領域的灰度變化 d2 = imfilter(I, mask2)。 I = im2double(A)。1 0 1。1 0 1]。mask7=[1 0 1。1 0 1。1 2 1]。 mask5=[1 2 1。1 0 1。1 0 1]。 mask3=[1 0 1。1 0 1。1 2 1]。 mask1=[1 2 1。原圖39。 % 讀入圖像 imshow(A)。39。Sobel39。 % 用閾值分割梯度圖像 figure, imshow(BW)。 % 將梯度矩陣轉(zhuǎn)換為灰度圖像 level = graythresh(grad)。 % 計算Y方向的梯度分量 grad = sqrt(dx.*dx + dy.*dy)。 % 將圖像數(shù)據(jù)轉(zhuǎn)化為雙精度 dx = imfilter(I, x_mask)。 % 建立Y方向的模板 x_mask = y_mask39。0 0 0。)。title(39。)。同樣該算子也將一些高頻邊緣平滑掉,造成邊緣丟失,采用了雙閾值算 法檢測和連接邊緣,邊緣的連續(xù)性較好. Laplacian 算子是對二維函數(shù)進行運算的二階導數(shù)算子,與方向無關(guān),對取 向不敏感,Laplacian 算子可以作為邊緣 提取算子,計算數(shù)字圖像的 Laplacian 值可以借助模板實現(xiàn),但是它對噪聲相 當敏感,它相當于高通濾波,Marr 提出首先 對圖像用 Gauss 函數(shù)進行平滑,然后利用 Laplacian 算子對平滑的圖像求二階 導數(shù)后得到的零交叉點作為候選邊緣,這就是 LoG 算子就是對圖 像進行濾波和微分的過程,是利用旋轉(zhuǎn)對稱的 LoG 模板與圖像做卷積,確定 濾波器輸出的零交叉位置. Canny 算子是一個具有濾波, 增強和檢測的多階段 的優(yōu)化算子. 在進行處理前, Canny 算子先利用高斯平滑濾波器來平滑圖像以除去噪聲 (即用高斯平滑濾波器與圖像作卷積).增強邊緣是將鄰域(或局部)強度值 有顯著變化的點突出來, 一般通過計算梯度幅值來完成. Canny 分割算法采用 ,其一階導 數(shù)在邊界處存在一個向上的階躍, Canny Canny 算法將采用兩個 閾值來連接邊緣. 傳統(tǒng) Canny 算法也有不足之處,Canny 算法對整幅圖像采用同一高斯函 數(shù)進行濾波, 無法顧及圖像局部特征信息, 一方面很難消除局部噪聲的影響另一方面會丟失灰度值變化緩慢的局部邊緣,導致目標物體輪廓邊緣不連續(xù), 影響檢測效果. 此外,邊緣檢測的閾值需要預先設定. 先確定一個閾值系數(shù), 該系數(shù)定義為梯度小于閾值的像素數(shù)所占邊緣像素總數(shù)的比例,以此來確定 ,不具有自適應能力. 最佳 Sobel 邊緣檢測算法的實驗結(jié)果與分析 實驗程序清單 傳統(tǒng)的 Sobel 算子程序: clc clear all close all A = imread(39。Canny39。 % 調(diào)用canny函數(shù) figure,imshow(BW1)。canny39。原圖39。 % 讀入圖像 imshow(I)。39。log39。 % 用閾值分割梯度圖像 figure, imshow(BW)。 % 計算梯度矩陣 grad = mat2gray(dx)。 % 建立模板 I = im2double(A)。0,1,2,1,0。0,1,2,1,0。)。title(39。)。) LoG 算子程序: clc clear all close all A = imread(39。 % 顯示分割后的圖像,即梯度圖像 title(39。 % 將梯度矩陣轉(zhuǎn)化為灰度圖像 BW = im2bw(grad,)。 % 將數(shù)據(jù)圖像轉(zhuǎn)化為雙精度 dx = imfilter(I, mask)。0,1,0]。 mask=[0,1,0。原圖39。 % 讀入圖像 imshow(A)。39。(2)邊緣存在的尺度范圍各不相同, 這類算子固定的大小不利于檢測出不同尺度上的所有邊緣。Kirsch39。 % 用閾值分割梯度圖像