數(shù)字信號處理課程設(shè)計2015年11月21日2015年12月6日摘要基于MATLAB的圖像邊緣檢測算法的研究和實現(xiàn)圖像邊緣是圖像的最基本的特征。所謂邊緣，就是指圖像局部強度變化最明顯的部分，存在于區(qū)域與區(qū)域、目標與目標、目標與背景、基元與基元之間，包含有圖像處理中用于識別的關(guān)鍵信息。邊緣檢測是數(shù)字圖像處理中，最基礎(chǔ)也是最重要的環(huán)節(jié)之一。本文介紹了六種經(jīng)典的邊緣檢測算子，包括Roberts算子，Sobel算子，Canny算子，Prewitt算子，LOG算法。并且利用MATLAB系統(tǒng)所提供的相關(guān)函數(shù)等，對同一副圖像結(jié)合用這些不同的算子分別進行處理，分析并得到他們處理圖像的特點。比較傳統(tǒng)的邊緣檢測算子，因為是基于圖像函數(shù)的一階導數(shù)進行考察的，因而它們具有共同的特點是計算簡單、速度較快，但是對噪聲都比較敏感。LOG算法和Canny算法，都是先對圖像進行平滑去噪，抗噪性能較好，但是會損失一些邊緣信息，其中LOG算法比較適合處理漸變灰度圖像，而Canny算子更適合處理階躍型邊緣圖像。小波變換邊緣檢測法，則能夠很好的保留圖像的邊緣信息，更適合處理小陣列圖像。關(guān)鍵詞:MATLAB;圖像處理;邊緣檢測;微分算子目錄TOC\o"1-3"\h\u22621第一章緒論 410941.1設(shè)計目的與要求 4129721.2敘述國內(nèi)外研究動態(tài) 56408第二章軟件設(shè)計-基于MatLab的邊緣檢測算法 6147192.1MatLab簡介 694472.2邊緣檢測算法原理 7261002.2.1Roberts邊緣算子 771532.2.2Sobel邊緣算子 8178542.2.3Prewitt邊緣算子 8326362.2.4Log邊緣算子 875562.2.5Canny邊緣算子 8203712.3邊緣檢測算法--測試程序 92848第三章實驗結(jié)果及分析 13165753.1Roberts算子檢測圖像邊緣的實現(xiàn) 1337763.2Sobel算子檢測圖像邊緣的實現(xiàn) 1484683.3Prewitt算子檢測圖像邊緣的實現(xiàn) 15231053.4高斯一拉普拉斯LOG算子檢測圖像邊緣的實現(xiàn) 16283323.5Canny算子檢測圖像邊緣的實現(xiàn) 1764第四章總結(jié)與心得體會 2029432參考文獻 2110406致謝 22第一章緒論1.1設(shè)計目的與要求二十世紀五十年代，人們開始提出一些數(shù)字圖像處理的技術(shù)，是通過計算機對圖像所包含的信息進行加工和處理后，使得圖像中的信息能夠為我們所用。從早期的報紙業(yè)，到1964年，在航天領(lǐng)域中，有里程碑作用的“旅行者七號”太空船在太空中拍攝了月球的照片，并回傳給地球上的工作站成功處理，到現(xiàn)在的我們所能接觸到的統(tǒng)計學、醫(yī)學等等各種領(lǐng)域之中，數(shù)字圖像處理己經(jīng)迅速發(fā)展，并成為了我們不可或缺的重要技術(shù)和研究對象。圖像處理中最關(guān)鍵的一步就是對圖像信息進行分解，提取一些具有某種特征的圖像信息。圖像的邊緣負載的信息，能夠在圖像處理過程中起到識別的作用，這也正是他作為圖像基本特征的重要原因[l]。與此同時，之于圖像邊緣在圖像的要素中占有舉足輕重的地位，相對的，對邊緣進行檢測的技術(shù)，也在處理圖像的各種技術(shù)之中，作用不可小覷。圖像邊緣定義為圖像中像素灰度有階躍變化或屋頂變化的那些像素的集合?；谶吘壔叶鹊牟贿B續(xù)性，遍歷考察圖像中單個像素點的局部灰度分布情況，利用一階和二階導數(shù)來進行邊緣檢測。在長期對圖像邊緣檢測的研究中，不斷涌現(xiàn)出了許多種圖像邊緣檢測的方法。而到目前為止，己經(jīng)提出的各種方法，對于圖像邊緣檢測的效果，都有自己的優(yōu)點和不足，也有自己的適用范圍。并沒有存在一種比較普遍適用的邊緣檢測方法。因此，對于尋找和創(chuàng)造更新的、更有效的邊緣檢測方法仍然是圖像處理中比較主流的方向。 圖像理解是圖像處理的一個重要分支，研究為完成某一任務(wù)則需要從圖像中提取哪些有用的信息，以及如何利用這些信息解釋圖像。邊緣檢測技術(shù)對于處理數(shù)字圖像非常重要，因為邊緣是所要提取目標和背景的分界線，提取出邊緣才能將目標和背景區(qū)分開來。在圖像中，邊界表明一個特征區(qū)域的終結(jié)和另一個特征區(qū)域的開始，邊界所分開區(qū)域的內(nèi)部特征或?qū)傩允且恢碌模煌膮^(qū)域內(nèi)部的特征或?qū)傩允遣煌?，邊緣檢測正是利用物體和背景在某種圖像特性上的差異來實現(xiàn)的，這些差異包括灰度，顏色或者紋理特征。邊緣檢測實際上就是檢測圖像特征發(fā)生變化的位置?！帮w思卡爾”杯全國大學生智能車競賽中，要求各參賽隊賽車在規(guī)定的賽道上行駛，速度快者勝出。根據(jù)比賽規(guī)則：比賽過程中，如果賽車碰到賽道兩邊的立柱并使之傾倒或移動，裁判員將判為賽車沖出跑道（實際執(zhí)行時，是根據(jù)裁判的肉眼判斷）。賽車前兩次沖出跑道時，由裁判員取出賽車交給比賽隊員，立即在起跑區(qū)重新開始比賽，該圈成績?nèi)∠Ｒ蚨谠O(shè)計時，必須首先考慮找出賽道的邊界點，然后再設(shè)計算法實現(xiàn)賽車行駛線路。1.2敘述國內(nèi)外研究動態(tài) 圖像處理技術(shù)誕生于二十世紀中葉，經(jīng)過10多年的迅速發(fā)展，逐漸形成了一個專門的學科，在此其中，邊緣檢測技術(shù)也有相當長的一段研究發(fā)展史。隨著圖像處理技術(shù)逐漸成熟，越來越多的科研領(lǐng)域關(guān)注到這一技術(shù)，給予重用且成效顯著。無論是傳統(tǒng)的工業(yè)檢測等領(lǐng)域，還是近年新興起來的人工智能等更為新穎的學科都包含在其中。數(shù)字圖像處理技術(shù)未來的發(fā)展速度和空間不可限量。在長期對圖像邊緣檢測的研究中，不斷涌現(xiàn)出了許多種圖像邊緣檢測的方法。現(xiàn)有的邊緣檢測方法有比較經(jīng)典的檢測方法，如差分邊緣檢測、Robertsoperator,Prewitt、operator,神經(jīng)網(wǎng)絡(luò)、Sobeloperator等。也有最近興起的小波變換圖像邊緣檢測法和fuzzytheory,基于人工智能等方法。然而邊緣檢測技術(shù)發(fā)展至今，當前己經(jīng)提出的各種方法之中，對于圖像邊緣檢測的效果，都有自己的優(yōu)點和不足，也有自己的適用范圍。而鮮有能夠適用于多數(shù)普遍情況的方法。因此，對于尋找和創(chuàng)造適用范圍更為廣泛、處理效果更佳的邊緣檢測方法仍然是圖像處理中比較主流的方向。軟件設(shè)計-基于MatLab的邊緣檢測算法2.1MatLab簡介MATLAB通常又可被稱作是矩陣實驗室(根據(jù)其英文全稱MatrixLaboratory得名)。作為一款用于計算數(shù)值和處理圖形圖像的軟件系統(tǒng)，MATLAB被應(yīng)用在很多相關(guān)領(lǐng)域中，如在矩陣代數(shù)中，可利用MATLAB進行矩陣的計算，在數(shù)字信號處理領(lǐng)域中，可利用MATLAB進行動態(tài)仿真等等。他的幾大特點可概括為以下幾點:1)功能強的數(shù)值運算。在MATLAB軟件的系統(tǒng)函數(shù)中，為使用者提供了數(shù)五百多種計算函數(shù)。這些系統(tǒng)函數(shù)不僅數(shù)量多，而且涵蓋學科范圍廣泛，包括有數(shù)學、統(tǒng)計以及科學等學科。函數(shù)的表達比較自然，為使用者提供一種解決問題的模式，讓問題的解答像解決數(shù)學公式一樣，簡單而方便，為用戶大大減少了操作電腦的時間和精力，而可以投入更多的精力在問題的解決上。2)先進的資料視覺化功能。MATLAB用戶可使用其提供的物件導向圖像構(gòu)架進行視覺數(shù)據(jù)分，繪制高品質(zhì)圖形，能夠幫助用戶很好的完成圖文并茂的文章。3)高階但簡單的程式環(huán)境。MATLAB語言是一種腳本語言，不需要編譯和聯(lián)結(jié)就能夠立即執(zhí)行。相比較FORTRAN或C語言等編譯語言，MATLAB語言更為簡單、易學、易用，能夠讓編程者更快速的學會如何編寫程序，并且高效地完成工作，而能夠大大的節(jié)約了時間。此外，MATLAB還提供了很多方便編程者使用的內(nèi)建功能。4)開放及可延伸的架構(gòu)。MATLAB系統(tǒng)提供大量的開源代碼，包括內(nèi)部的數(shù)學原始碼，可以讓使用者能夠檢視其運算法，并可以根據(jù)自己的需要，更改現(xiàn)有的函數(shù)。同時，使用者也可以在MATLAB環(huán)境的基礎(chǔ)上開發(fā)自己的功能函數(shù)，讓MATLAB能夠更好地為開發(fā)者所使用。同樣對于MATLAB的各種工具包也是如此，使用者可以根據(jù)自己的需求進行修改或者創(chuàng)新、開發(fā)，形成這對性的工具包，以供此類開發(fā)方便使用。5)豐富的程式工具箱。程式工具箱是MATLAB為使用者提供了另一大便利組件，他們由一些針對某些領(lǐng)域而編寫的函數(shù)的集合。目前己經(jīng)開發(fā)完成，并能夠提供給用戶使用的有符號數(shù)學工具箱，信號處理工具箱，偏微分方程工具箱等等。這些豐富的程式工具箱，解決了用戶針對某領(lǐng)域中的一些普遍處理需求，有效的節(jié)約了開發(fā)者的時間。由此可見，MATLAB系統(tǒng)提供了一個更為使用者所方便操作的數(shù)學系統(tǒng)環(huán)境，且采用矩陣為基本的數(shù)據(jù)結(jié)構(gòu)，更可在很大程度上的簡化了編程。MATLAB語言所定義的語法規(guī)則，相比較于其他高級編程語言，更為簡單，更容易學習，程序調(diào)試可設(shè)置斷點，存儲中間結(jié)果，使得MATLAB程序調(diào)試變得簡單、快捷。MATLAB的強大之處還在于他的靈活性和友好性。他能夠跟許多程序相結(jié)合使用，如C語言，F(xiàn)ORTRAN語言和MicrosoftWord等。當使用者在MATLAB系統(tǒng)中編寫程序的時候，可以根據(jù)需要，直接調(diào)用C或者FORTRAN的功能函數(shù)，同樣，在編寫C或FORTRAN程序時，也可以根據(jù)需要直接調(diào)用MATLAB的函數(shù)或命令，更加方便而充分地利用MATLAB中強大的各種數(shù)學處理功能。通過將MATLAB程序與其他語言程序靈活而有機的結(jié)合在一起使用，不僅可以彌補MATLAB程序中循環(huán)速度慢的缺點，也可以供其他程序直接利用MATLAB程序生成的MAT文件執(zhí)行矩陣數(shù)據(jù)的讀取和寫入，從而大大地提高工作效率。2.2邊緣檢測算法原理 由于噪聲和模糊的存在，檢測到的邊界可能會變寬或在某些點處發(fā)生間斷，因此，邊界檢測包括兩個基本內(nèi)容。首先抽取出反映灰度變化的邊緣點，然后剔除某些邊界點或填補邊界間斷點，并將這些邊緣連接成完整的線。邊緣檢測的方法大多數(shù)是基于方向?qū)?shù)掩模求卷積的方法，因為導數(shù)算子具有突出灰度變化的作用，對圖像運用導數(shù)算子，灰度變化較大的點處算得的值比較高，因此可將這些導數(shù)值作為相應(yīng)點的邊界強度，通過設(shè)置門限的方法，提取邊界點集。以下是幾種常用的邊緣檢測算法。2.2.1Roberts邊緣算子 Roberts邊緣檢測算子根據(jù)任意一對互相垂直方向上的差分可用來計算梯度的原理，采用對角線方向相鄰兩像素之差，實際是該點連續(xù)梯度的近似值，而不是所預期的點處的近似值。另外該算子提取的邊緣較粗，對噪聲很敏感，并且需要手動地指定一個閾值(Threshold)，對不同的圖像使用不同的閾值后，邊界提取效果差別很大。因此Roberts算子一般使用自適應(yīng)的閾值，并對提取的邊緣進行細化處理，這樣將能有效地改善Roberts算子的邊界提取效果。一般適用于低噪聲圖像。2.2.2Sobel邊緣算子 Sobel算子是邊緣檢測器中最常用的算子之一，一般可以利用快速卷積函數(shù)，簡單有效，因此應(yīng)用很廣泛。該算子有兩個，一個是檢測水平邊沿的；另一個是檢測垂直平邊沿的。水平與垂直相比，Sobel算子對于像素的位置的影響做了加權(quán)，因此效果更好。Sobel算子另一種形式是各向同性Sobel(IsotropicSobel)算子，也有兩個，一個是檢測水平邊沿的，另一個是檢測垂直平邊沿的。各向同性Sobel算子和普通Sobel算子相比，它的位置加權(quán)系數(shù)更為準確，在檢測不同方向的邊沿時梯度的幅度一致。但是該算子并沒有將圖像的主體與背景嚴格地區(qū)分開來，沒有嚴格地模擬人的視覺生理特征，所以提取的圖像輪廓有時并不能令人滿意。具有采用加權(quán)濾波，邊緣較寬，間斷點較多的特點，適用于灰度漸變、低噪聲圖像。2.2.3Prewitt邊緣算子Prewitt算子是平均算子，和Roberts算子相比較，Prewitt算子是從增大邊緣檢測算子的模板大小出發(fā)的。圖像中的每個像素點都用兩個模板做卷積，兩個卷積的最大值作為該點的輸出，這個運算結(jié)果也就是我們所需要的一幅邊緣幅度圖像。其中垂直邊緣的檢測受第一個模板的影響最大;水平邊緣的檢測受第二個模板的影響最大取最大值作為輸出。Prewitt算子的基本原理為:依次用圖像信息邊緣的理想模型和實際邊緣信息相比較，以找出最相似的模板。在被檢測區(qū)域中，檢測到的邊緣點相似度最大的作為最終結(jié)果。2.2.4 Log邊緣算子 拉普拉斯高斯（LOG）算法是一種二階邊緣檢測方法。它通過尋找圖像灰度值中二階微分中的過零點來檢測邊緣點。其原理為灰度級變形成的邊緣經(jīng)過微分算子形成一個單峰函數(shù)，峰值位置對應(yīng)邊緣點；對單峰函數(shù)進行微分，則峰值處的微分值為0，峰值兩側(cè)符號相反，而原先的極值點對二階微分中的過零點，通過檢測過零點即可將圖像的邊緣提取出來。具有各向同性、線性、位移不變的特點，對細線和孤立點效果較好。但對噪聲較敏感，適用于屋頂型邊緣的檢測。 2.2.5Canny邊緣算子 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，該算子先利用高斯平滑濾波器來平滑圖像以除去噪聲，其分割算法采用一階偏導的有限差分來計算梯度的幅值和方向。在處理過程中，Canny算法還將經(jīng)過一個非極大值抑制的過程，最后將采用兩個閾值來連接邊緣。具有高定位精度、低誤判率、抑制虛假邊緣的特點,適用于高噪聲圖像。2.3邊緣檢測算法--測試程序 用MatLab程序?qū)崿F(xiàn),為了便于二值化后的圖像的顯示的清楚，利用相機拍攝一幅智能車賽道的圖像（實際情況下是智能車上的攝像頭拍攝圖像，然后進行分析）。調(diào)用專門的邊緣檢測edge函數(shù)，進而實現(xiàn)各算子對邊緣的檢測，其調(diào)用格式如下:BW=edge(I，’method’)BW=edge(I，’method’，thresh)BW=edge(I，’method’，thresh，direction)［BW，thresh］=edge(I，’method’，…)Method就是指要選用的算子類型，供我們可以選擇的method有Roberts、Sobel、Prewitt、Log、Canny等。另外，可供選擇的參數(shù)還有thresh(閾值)、sigma(方差)和direction(方向)等。以下為一些測試程序： %讀入圖像并進行顯示 I=imread(‘賽道.bmp’);Figure，imshow(I)圖1智能車賽道源圖 %對圖像進行灰度處理并進行顯示 I1=rgb2gray(I);Figure，imshow(I1)圖2智能車賽道灰度圖 %畫出腐蝕后的圖像 se=strel('ball',5,5); I2=imerode(I1,se); figure,imshow(I2),title('Eroded')圖3智能車賽道腐蝕后圖像 %利用Roberts算子求圖像邊界并顯示 BW1=edge(I1,'roberts','both'); figure,imshow(BW1), title('用Roberts算子')圖4采用Roberts算子的圖像邊界 %利用sobel算子求圖像邊界并顯示 BW2=edge(I1,'sobel','both'); figure,imshow(BW2),title('用Sobel算子')圖5采用Sobel算子的圖像邊界%利用LOG算子求圖像邊界并顯示 BW3=edge(I1,'log','both'); figure,imshow(BW3),title('用拉普拉斯高斯算子')圖6采用拉普拉斯高斯算子的圖像邊界圖7采用Canny算子的圖像邊界第三章實驗結(jié)果及分析3.1Roberts算子檢測圖像邊緣的實現(xiàn)1)獲取原圖像的數(shù)據(jù)區(qū)指針。2)新建一個緩沖區(qū)，用于進行圖像處理的中間過程和緩存中間結(jié)果，其大小應(yīng)該與原圖像一樣。初始化區(qū)域中的所有像素值，設(shè)置成255.3)核心算法的執(zhí)行是在我們新建的緩沖區(qū)里面，用Roberts算子遍歷圖像中所有的像素點，分別計算其灰度值，再根據(jù)上述公式進行計算。4)將緩沖區(qū)中的計算數(shù)據(jù)結(jié)果，復制到原圖數(shù)據(jù)區(qū)。實現(xiàn)代碼如下:I=imread('smallmiyue.jpg');%讀取待處理圖像文件subplot(131),imshow(I),title('原圖像');%顯示待處理圖像文件image=rgb2gray(I);%將圖片轉(zhuǎn)換成灰度圖像BW1=edge(image,'Roberts');%image為將要進行邊緣檢測目標圖像，所使用的方法是Roberts算子，而閡值則是由系統(tǒng)自適應(yīng)生成的subplot(132),imshow(BW1),title('Roberts算子');%顯示Roberts自動閡值邊緣檢測效果圖像BW2=edge(image,'Roberts',0.07);%image為將要進行邊緣檢測目標圖像，所使用的方法是Roberts算子，而閡值設(shè)置為0.07subplot(133),imshow(BW2),title('Roberts算子I0}7值0.07');%處理效果圖圖8Roberts算子檢測圖像邊緣處理效果圖3.2Sobel算子檢測圖像邊緣的實現(xiàn)1)獲取原圖像的數(shù)據(jù)區(qū)指針。2)新建兩個緩沖區(qū)，其大小與原圖像一樣，用于存儲原圖像及其副本，以供后面的計算處理。同時將這兩個區(qū)域初始化為原圖像的副本。3)為兩個緩存區(qū)域，分別設(shè)置一個用于卷積操作的Sobel算子模板，然后兩個區(qū)域中，分別遍歷副本圖像中的所有像素，逐一進行卷積操作，計算結(jié)果。4)將上一步驟中所得到的兩個緩存區(qū)域中的結(jié)果進行比較，將較大值重新賦值給圖像中的像素點。5)將緩沖區(qū)中選擇的圖像復制到原圖像數(shù)據(jù)區(qū)。實現(xiàn)代碼如下:I=imread('smallmiyue.jpg');%讀取待處理圖像文件subplot(131),imshow(I),title('原圖像');%顯示待處理圖像文件image=rgb2gray(I);%將圖片轉(zhuǎn)換成灰度圖像BW1=edge(image,'Sobel');%image為將要進行邊緣檢測目標圖像，所使用的方法是Sobel算子，而閡值則是由系統(tǒng)自適應(yīng)生成的subplot(132),imshow(BW1),title('Sobel算子');%顯示處理后圖像BW2=edge(image,'Sobel',0.07);%image為將要進行邊緣檢測目標圖像，所使用的方法是Sobel算子，而閡值設(shè)置為0.07subplot(133),imshow(BW2),title('Sobel算子I0}7值0.07');%閡值為0.07的Sobel算子處理后圖像圖9Sobel算子檢測圖像邊緣處理效果圖3.3Prewitt算子檢測圖像邊緣的實現(xiàn)1)獲取原圖像的數(shù)據(jù)區(qū)指針。2)新建兩個緩沖區(qū)，其大小與原圖像一樣，用于存儲原圖像及其副本，以供后面的計算處理。同時將這兩個區(qū)域初始化為原圖像的副本。3)為兩個緩存區(qū)域，后兩個區(qū)域中，果。在每個區(qū)域中單獨設(shè)置一個用于卷積操作的Prewitt模板，然分別遍歷副本圖像中的所有像素，逐一進行卷積操作，計算結(jié)4)將上一步驟中所得到的兩個緩存區(qū)域中的結(jié)果進行比較，將較大值重新賦值給圖像中的像素點。5)將緩沖區(qū)中選擇的圖像復制到原圖像數(shù)據(jù)區(qū)。實現(xiàn)代碼如下:I=imread('smallmiyue.jpg');%讀取待處理圖像文件subplot(131),imshow(I),title('原圖像');%顯示待處理圖像文件image=rgb2gray(I);%將圖片轉(zhuǎn)換成灰度圖像BW1=edge(image,'Prewitt');%image為將要進行邊緣檢測目標圖像，所使用的方法是Prewitt算子，而閡值則是由系統(tǒng)自適應(yīng)生成的subplot(132),imshow(BW1),title('Prewitt算子');%顯示Prewitt自動閡值邊緣檢測效果圖像BW2=edge(image,'Prewitt',0.05);%image為將要進行邊緣檢測目標圖像，所使用的方法是Prewitt算子，而閡值設(shè)置為0.05subplot(133),imshow(BW2),title('Prewitt算子I0}7值0.05');%輸出閡值為0.05的Prewitt算子，邊緣檢測處理后圖像圖10prewitt算子檢測圖像邊緣處理效果圖3.4高斯一拉普拉斯LOG算子檢測圖像邊緣的實現(xiàn)1)獲取原圖像的數(shù)據(jù)區(qū)指針。2)申請一個和原圖像大小相同的圖像緩沖區(qū)，將原圖像復制到緩沖區(qū)中。3)設(shè)置一個用于卷積操作的Gauss-Laplace算子模板，在區(qū)域中遍歷副本圖像中的所有像素，逐一進行卷積操作，計算結(jié)果。4)將計算結(jié)果復制到原圖像數(shù)據(jù)區(qū)。實現(xiàn)代碼如下:I=imread('smallmiyue.jpg');%讀取待處理圖像文件subplot(1,3,1),imshow(I),title('原圖像');%顯示待處理圖像文件image=rgb2gray(I);%將圖片轉(zhuǎn)換成灰度圖像BW1=edge(image,'LOG');%image為將要進行邊緣檢測目標圖像，所使用的方法是LOG算子，而閡值則是由系統(tǒng)自適應(yīng)生成的subplot(132),imshow(BW1),title('LOG算子');%顯示LOG自動閡值邊緣檢測效果圖像BW2=edge(image,'LOG',[],4);%使用LOG算子檢測圖像邊緣，標準差s設(shè)置為4subplot(133),imshow(BW2),title('LOG算子s為4')%顯示s為4的LOG算子處理后圖像圖11Log算子檢測圖像邊緣處理效果圖3.5Canny算子檢測圖像邊緣的實現(xiàn)1)獲取原圖像的數(shù)據(jù)區(qū)指針。2)將原圖像用Gauss濾波器平滑噪聲，達到降低噪聲影響的目的。即使用Gauss函數(shù)與原圖像做卷積計算。3)將上一步驟的結(jié)果圖像，作為此步驟的輸入，首先計算一階偏導有限差分，然后再計算其局部區(qū)域的梯度幅值和方向，并進行非極大值抑制。4)新建兩個圖像緩沖區(qū)域，用于存儲目標圖像的副本，設(shè)置其大小與原圖像相同，并將原圖像的副本分別初始化到兩個區(qū)域中。5)在兩個緩沖區(qū)中分別用thl和th2提取圖像邊緣信息，得到圖像1和圖像2.6)在進行連接邊緣的操作時，主要是以圖像2為基礎(chǔ)，通過對圖像1中的對比和考察，不斷的把有效的細節(jié)信息補充進去，以得到較為連續(xù)的圖像邊緣。7)將連接圖像復制到原圖像數(shù)據(jù)區(qū)中。實現(xiàn)代碼如下:I=imread('smallmiyue.jpg');%讀取待處理圖像文件subplot(131),imshow(I),title('原圖像');%顯示待處理圖像文件image=rgb2gray(I);%將圖片轉(zhuǎn)換成灰度圖像BW1=edge(image,'Canny');%image為將要進行邊緣檢測目標圖像，所使用的方法是Canny算子%系統(tǒng)自適應(yīng)生成閡值subplot(132),imshow(BW1),title('Canny算子');%顯示檢測效果圖像BW2=edge(image,'Canny',[0.20.5]);%認為將閡值設(shè)置為[0.20.5]subplot(133),imshow(BW2),title('Canny算子s為4')%處理后圖像圖12canny算子檢測圖像邊緣處理效果圖總結(jié)與心得體會本文主要針對在圖像處理研究中用于進行邊緣檢測處理的幾種較為重要和基礎(chǔ)的檢測算法，詳細的介紹了其原理，并進行了實驗操作，得出結(jié)論。圖像處理技術(shù)以其強大的功能和豐碩的成果，為我們在生活以及軍事等很多領(lǐng)域中，解決了很多難題，推動了各研究領(lǐng)域的發(fā)展，他的重要性不言