数字图像边缘检测算法的分析实现毕业答辩

班级：答辩人：指导教师：论文题目：图像边缘检测算法的分析与实现图像边缘检测算法的分析与实现

一、研究背景及意义二、主要内容及工作经典边缘检测算法的研究soble改进算子各种边缘检测算子的MATLAB实现及分析一、研究背景及意义背景意义：视觉是人类最重要的感知手段，图像又是视觉的基础。而图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域十分重要的基础，是图像识别中提取图像特征的一个重要属性。图像边缘检测技术起源于20世纪20年代，60年代后期快速发展成为一门新兴学科。图像理解和分析的第一步往往就是边缘检测。目前它已成为机器视觉研究领域最活跃的课题之一，在工程应用中占有十分重要的地位。二、主要内容及工作

经典边缘检测算子边缘检测：边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。二、主要内容及工作经典边缘检测算子梯度的幅值和方向:梯度方向就是函数增大时的最大变化率方向：梯度是图像对应二维函数的一阶导数：梯度是灰度f（x，y）在xy坐标方向上的导数、表示灰度f(x，y)在xy坐标方向上的变化率，梯度为方向矢量1Roberts算子Roberts算子是一种利用局部差分算子寻找边缘的算子，对于边界陡峭且噪比较小的图像检测效果比较好，它在2×2邻域上计算对角导数，通过1范数衡量梯度的幅值。

两个卷积核分别为100-1

01-10roberts算子实验结果分析优点：检测精度比较高，对水平和垂直方向的边缘检测性能好于斜线方向。缺点：易丢失一部分边缘对噪声敏感。以下组图分别为原图和不含噪声的检测图及含有高斯噪声的检测图2Sobel算子传统的Sobel图像边缘检测方法，是在图像空间利用两个方向模板与图像进行邻域卷积来完成的。这两个方向模板一个检测垂直边缘，一个检测水平边缘。Sobel算子为：

Gx=(z7+2z8+z9)-(z1+2z2+z3)Gy=(z3+2z6+z9)-(z1+2z4+z7)采用数衡量梯度值：

|f||Gx|+|Gy|Gy2-201-101-10000-1-1-2112Gxz2z8z5z3z9z6z1z7z42Sobel算子soble算子实验结果分析优点：产生的边缘效果较好，对噪声具有平滑作用。缺点：存在伪边缘，定位精度不高3Laplacian算子Laplacian算子：拉普拉斯算子是二阶导数的二维等效式。函数f(x,y)的拉普拉斯算子公式为：

使用差分方程对x和y方向上的二阶偏导数近似，就成为能用来近似拉普拉斯算子的卷积模板：Laplacian算子实验结果分析优点：利用二阶导数零交叉特性检测边缘，对图像中的阶跃性边缘点定位准确缺点：对噪声非常敏感，丢失一部分边缘的方向信息，造成一些不连续的检测边缘，不能得到边缘的方向等信息。4log算子log算子：先用高斯函数对图像进行滤波，然后对滤波后的图像进行拉普拉斯运算，算得的值等于0的点认为是边界点。

log滤波器4log算子

Log算子虽然能够有效地检测图像的边缘，但存在两个问题：一是Log算子其会产生虚假边界，二是定位精度不高。为了能够得到最佳的检测效果，在实际应用中要充分考虑的选取、模板尺度N的确定、边缘强度和方向、提取边界的精度。其中的大小很对于Log算子来说非常重要，具有控制平滑的作用。log算子实验结果分析该算子较之Laplacian算子，噪声抑制能力有所改善，但仍旧不满意，存在大量噪声，还会将原有的比较尖锐的边缘平滑点，无法检测尖锐边缘。5canny算子基本步骤：1

用高斯滤波器平滑图像。2

再计算滤波后的梯度幅值和方向。

3对梯度幅值应用非极大值抑制。4用双阈值算法检测和连接边缘。canny算子方向图像的边缘点即为在方向上使取得局部极大值的点canny算子实验结果分析优点：采用高斯函数对图像进行平滑处理，因此具有较强的噪声抑制能力；同样该算子也将一些高频边缘平滑掉，造成边缘丢失，采用了双阈值算法检测和连接边缘，边缘的连续性较好。针对Sobel算子存在的一些不足，例如：数字图像边缘定位精度不高，噪声抑制力不高等，提出了改进的soble算法。改进的soble算法在原有水平和垂直模板的基础上新增6个方向模板以确保提高定位精度，并在此基础上确定一个最佳阈值从而实现对soble算子的改进。二、主要内容及工作soble改进算子（二）、soble改进算子为了提高抗噪能力提高对叠加噪声图像的边缘检测效果，在多方向Sobel算子的基础上设定一个阈值来与经过Sobel算子检测后的边缘值进行比较。比较满足以下两点：当该阈值小于其幅值时定义为边缘，反之取为零。如下4-1所示： 现在本文给出一种阈值的选择方法：经过Sobel算子检测后的图像假设可以表示成：是原始图像的边缘部分，是均值为0，方差为的高斯白噪声。经过Sobel算子检测后的边缘为图像的高频分量，服从拉普拉斯分布，其概率密度函数为：

基于式以上提出的信号模型，得到软门限去噪法：假定图像大小为MXM,中值法估算得到soble改进算子实验结果分析没有添加高斯噪声时soble算子与soble改进算子的检测图加入高斯噪声后soble算子与soble改进算子的检测图加入高斯噪声后soble算子与soble改进算子的检测图加入椒盐噪声后soble算子与soble改进算子的检测图优点：一、Sobel改进算子较之soble，roberts等几种算子具有更强的噪声抑制能力。二、提高了检测清晰度和连续性，检测信息也比较完整。相比原来的soble算子和其他几类算子，So