【正文】 = [1 2 1。1 2 1]。 % 建立X方向的模板I = im2double(A)。 % 計(jì)算X方向的梯度分量dy = imfilter(I, y_mask)。 % 計(jì)算梯度grad = mat2gray(grad)。 % 計(jì)算灰度閾值BW = im2bw(grad,level)。 % 顯示分割后的圖像即邊緣圖像title(39。)改進(jìn)的Sobel算子程序：clcclear allclose allA = imread(39。)。title(39。)。0 0 0。 % 建立方向模板mask2=[2 1 0。0 1 2]。2 0 2。mask4=[0 1 2。2 1 0]。0 0 0。mask6=[2 1 0。0 1 2]。2 0 2。 mask8=[0 1 2。2 1 0]。 % 將數(shù)據(jù)圖像轉(zhuǎn)化為雙精度d1 = imfilter(I, mask1)。d3 = imfilter(I, mask3)。d5 = imfilter(I, mask5)。d7 = imfilter(I, mask7)。dd = max(abs(d1),abs(d2))。dd = max(dd,abs(d4))。dd = max(dd,abs(d6))。dd = max(dd,abs(d8))。 % 將灰度變化矩陣轉(zhuǎn)化為灰度圖像level = graythresh(grad)。 % 用閾值分割梯度圖像figure, imshow(BW)。八方向Sobel39。FW=median(BB(:))/。B = sum(B(:))。FS=sqrt(max(FX^2FW^2,0))。 % 計(jì)算最佳閾值grad = mat2gray(BB)。 % 用最佳閾值分割梯度圖像figure, imshow(BW2)。改進(jìn)的sobel39。 實(shí)驗(yàn)結(jié)果以cameraman圖片為例，分別用傳統(tǒng)的Sobel、八方向的Sobel和采用了最佳閾值的Sobel三種算法，在無噪聲(圖15)和有高斯白噪聲(圖16)的環(huán)境下，分別給檢測(cè)結(jié)果。所以最佳閾值的改進(jìn)Sobel算子最大優(yōu)點(diǎn)是：在去噪的同時(shí)有效地保留了圖像的真實(shí)邊緣，即給出了邊緣檢測(cè)的最佳結(jié)果。總結(jié)如下：Roberts算子：采用對(duì)角線方向相鄰兩像素之差表示信號(hào)的突變，檢測(cè)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(duì)噪聲敏感，檢測(cè)出的邊緣較細(xì)。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，而且對(duì)噪聲具有平滑作用。Laplacian算子：是二階微分算子，對(duì)圖像中的階躍性邊緣點(diǎn)定位準(zhǔn)確，對(duì)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(cè)邊緣。Canny算子：采用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理，因此具有較強(qiáng)的噪聲抑制能力；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(cè)和連接邊緣，邊緣的連續(xù)性較好。但存在偽邊緣，邊緣比較粗且定位精度低。最佳Sobel算子：在圖像進(jìn)行八方向Sobel算子檢測(cè)后的梯度圖像使用最佳閾值分割圖像，解決了八方向Sobel算子抗噪能力差的特點(diǎn)，在去噪的同時(shí)有效地保留了圖像的真實(shí)邊緣，即給出了邊緣檢測(cè)的最佳結(jié)果。至于具體原因還有待進(jìn)一步的研究。我有幸在本科學(xué)習(xí)期間師從王老師，在論文的寫作過程中一直得到王老師的精心培養(yǎng)和指導(dǎo)。在以后的工作學(xué)習(xí)中，我也將以王老師為榜樣來追求一名科技工作者應(yīng)具備的素質(zhì)和品質(zhì)。這幾個(gè)月來，各位同學(xué)為我提供了一個(gè)積極、和諧的學(xué)習(xí)氛圍和研究環(huán)境，我們相互交流、討論共同面對(duì)課題中的各個(gè)難題，所以論文的完成也包含著他們的心血和智慧。在此，我要深深感謝各位同學(xué)給予我的幫助。我感謝沈陽(yáng)大學(xué)曾經(jīng)給予我知識(shí)和幫助的各位老師以及與我以起學(xué)習(xí)成長(zhǎng)的各位同學(xué)們。參考文獻(xiàn)[1] 陳宇云. 灰度圖像的邊緣檢測(cè)研究[D]. 電子科技大學(xué)碩士學(xué)位論文. 2009[2] 朱虹. 數(shù)字圖像處理基礎(chǔ)[M]. 北京: 科學(xué)出版社. :217220[3] 余成波. 數(shù)字圖像處理及MATLAB實(shí)現(xiàn)[M]. 重慶: 重慶大學(xué)出版社. :356359[4] 陳書海,傅錄祥. 實(shí)用數(shù)字圖像處理[M].北京: 科學(xué)出版社. 2005:280290[5] 張晶. 圖像邊緣檢測(cè)算法的研究[D]. 山東大學(xué)碩士學(xué)位論文. 2006[6] 韓磊 .MATLAB在數(shù)字圖象處理中的應(yīng)用[J]. 電腦知識(shí)與技術(shù). 2008,1(1):2931[7] 盧洋,[J]. 太原科技. 2009,(3):1718[8] 熊秋菊,楊慕生. 圖像處理中邊緣檢測(cè)算法的對(duì)比研究[J]. 機(jī)械工程與自動(dòng)化. 2009,(2)2123[9] 尹建媛. 圖像處理中邊緣檢測(cè)算法的研究[J]. 科技信息. 2008,(4):3032[10] 李雪. 灰度圖像邊緣檢測(cè)算法的性能評(píng)價(jià)[D]. 沈陽(yáng)工業(yè)大學(xué)碩士論文 .2007[11] 范立南, 韓曉微, 王忠石等. 基于多結(jié)構(gòu)元的噪聲污染灰度圖像邊緣檢測(cè)研究[J]. 武漢大學(xué)學(xué)報(bào)(工學(xué)版), 2003,49(3):4549[12] XU Xianling,LIN of MatLab in Dingital Image Processing[J]. MODERN COMPUTER. 2008,(5):3537[13] LV Yuqin,ZENG Algorithm of Picture Edge[J]. TAIYUAN SCIENCE amp。close all。possibility=12。Insert the number of set: each set determins a class. This set should include a number of images for each person, with some variations in expression and in the lighting.39。邊緣檢測(cè),39。,39。,39。,39。,39。,39。,39。,39。,39。改進(jìn)的Sobel39。加入噪聲39。退出39。%========================================================================== if chos==1 clc。 selezionato=0。*.bmp。*.tiff。*.jpeg。*.gif39。IMAGE Files (*.bmp,*.tif,*.tiff,*.jpg,*.jpeg,*.png,*.gif)39。Chose GrayScale Image39。 if namefile~=0 [img,map]=imread(strcat(pathname,namefile))。 else disp(39。)。amp。Select a grayscale image39。 selezionato=0。Name39。Selected image39。 imshow(img)。uint839。 end if isa(img,39。) graylevmax=2^161。uint3239。 end end%========================================================================== if chos==2 clc。 A = img。0 1]。I = im2double(A)。dy = imfilter(I, y_mask)。grad = mat2gray(grad)。BW = im2bw(grad,level)。title(39。) end%========================================================================== if chos==3 clc。 A = img。0 0 0。x_mask = y_mask39。dx = imfilter(I, x_mask)。grad = sqrt(dx.*dx + dy.*dy)。level = graythresh(grad)。figure, imshow(BW)。Prewitt39。 close all。mask1=[3,3,3。3,5,5]。3,0,5。mask3=[3,5,5。3,3,3]。3,0,3。mask5=[5,5,5。3,3,3]。5,0,3。mask7=[5,3,3。5,3,3]。5,0,3。I = im2double(A)。d2 = imfilter(I, mask2)。d4 = imfilter(I, mask4)。d6 = imfilter(I, mask6)。d8 = imfilter(I, mask8)。dd = max(dd,abs(d3))。dd = max(dd,abs(d5))。dd = max(dd,abs(d7))。grad = mat2gray(dd)。BW = im2bw(grad,level)。title(39。) end%========================================================================== if chos==5 clc。 A=img。1,4,1。I = im2double(A)。grad = mat2gray(dx)。figure, imshow(BW)。Laplacian39。 close all。mask=[0,0,1,0,0。1,2,16,2,1。0,0,1,0,0]。dx = imfilter(I, mask)。BW = im2bw(grad,)。title(39。) end%========================================================================== if chos==7 clc。 A=img。canny39。figure,imshow(BW1)。Canny39。 close all。y_mask = [1 2 1。1 2 1]。I = im2double(A)。dy = imfilter(I, y_mask)。grad = mat2gray(grad)。BW = im2bw(grad,level)。title(39。) end%========================================================================== if chos==9 clc。 A=img。0 0 0。mask2=[2 1 0。0 1 2]。2 0 2。mask4=[0 1 2。2 1 0]。0 0 0。mask6=[2 1 0。0 1 2]。2 0 2。mask8=[0 1 2。2 1 0]。d1 = imfilter(I, mask1)。d3 = imfilter(I, mask3)。d5 = imfilter(I, mask5)。d7 = imfilter(I, mask7)。dd = max(abs(d1),abs(d2))。dd = max(dd,abs(d4))。dd = max(dd,abs(d6))。dd = max(dd,abs(d8))。 level = graythresh(grad)。figure, imshow(BW)。sobel176。207。39。 close all。mask1=[1 2 1。1 2 1]。1 0 1。mask3=[1 0 1。1 0 1]。1 0 1。mask5=[1 2 1。1 2 1]。1 0 1。mask7=[1 0 1。1 0 1]。1 0 1。I = im2double(A)。d2 = imfilter(I, mask2)。d4 = imfilter(I, mask4)。d6 = imfilter(I, mask6)。d8 = imfilter(I, mask8)。dd = max(dd,abs(d3))。dd = max(dd,abs(d5))。dd = max(dd,abs(d7))。grad = mat2gray(dd)。BW = im2bw(grad,level)。 FW=median(BB(:))/。B = sum(B(:))。FX= sqrt(B/(M*N))。T=sqrt(2)*FW^2/FS。BW2=im2bw(grad,T)。title(39。196。248。196。)。 close all。gaussian39。 % imshow(img