數(shù)字圖像處理邊緣檢測算子

1、 課 程 設 計資 料 袋 理學院 學院（系、部） 2013-2014 學年第 2 學期 課程名稱 數(shù)字圖像處理 指導教師 職稱 講師 學生姓名 專業(yè)班級 信計1102 學號 題 目 經(jīng)典邊緣檢測算子比較 成 績 起止日期 2014 年 6 月 16 日 2014 年 6 月 20 日 目 錄 清 單序號材 料 名 稱資料數(shù)量備 注1課程設計任務書12課程設計說明書13源程序（電子文檔）145 課程設計任務書2013-2014學年第 2 學期 理學院 學院（系、部） 信息與計算科學 專業(yè) 1102 班級課程名稱： 數(shù)字圖像處理 設計題目： 經(jīng)典邊緣檢測算子比較 完成期限：自 2014 年 6

2、月 16 日至 2014 年 6 月 20 日共 1 周內(nèi)容及任務將幾種經(jīng)典邊緣算子進行比較，編寫出相應的程序。進度安排起止日期工作內(nèi)容2014.6.162014.6.16選擇題目，查閱資料。2014.6.172014.6.19利用matlab軟件編寫相應的程序，并嘗試改進已有的算法。2014.6.202014.6.20整理相關(guān)的結(jié)果，書寫課程設計報告。主要參考資料1 Rafael C.Gonzalez、Richard E.Woods.岡薩雷斯.數(shù)字圖像處理（第二版）電子工業(yè)出版社2 陳傳波、金先級.數(shù)字圖像處理.北京：機械工業(yè)出版社，2004.73 Kenneth R.Castleman著；

3、朱志剛、石定機等譯.數(shù)字圖像處理.北京：電子工業(yè)出版社，2002.24 陳天華.數(shù)字圖像處理.北京：清華大學出版社，2007.65 曹茂永.數(shù)字圖像處理.北京：北京大學出版社，2007.96 龔聲蓉、劉純平、王強等編著.數(shù)字圖像處理與分析.北京：清華大學出版社指導教師（簽字）： 年 月 日系（教研室）主任（簽字）： 年 月 日2 數(shù)值分析課程設計說明書 經(jīng)典邊緣檢測算子比較起止日期： 2014 年 6月 16 日 至 2014 年 6 月 20 日學生姓名班級 信息與計算科學1102班學號 成績指導教師(簽字)理學院2014年6月 20日目 錄摘要5關(guān)鍵字5引言51各種經(jīng)典邊緣檢測算子原理簡介

4、51.1 Roberts（羅伯特）邊緣檢測算子61.2 Sobel（索貝爾）邊緣檢測算子71.3 Prewitt（普瑞維特）邊緣檢測算子71.4 Laplacian（拉普拉斯）邊緣檢測算子81.5 Marr-Hildreth（馬爾）邊緣檢測算子91.6 canny（凱尼）邊緣檢測算子102. 各種經(jīng)典邊緣檢測算子性能比較122.1 MATLAB程序仿真122.2 實驗效果比較153. 結(jié)論16參考文獻：17附錄18經(jīng)典邊緣檢測算子比較摘要：圖像邊緣檢測技術(shù)是圖像分割、目標識別、區(qū)域形態(tài)提取等圖像分析領(lǐng)域中十分重要的基礎。本文簡要介紹各種經(jīng)典圖像邊緣檢測算子的基本原理，用Matlab仿真實驗結(jié)果

5、表明各種算子的特點及對噪聲的敏感度，為學習和尋找更好的邊緣檢測方法提供參考價值。關(guān)鍵字：圖像處理；邊緣檢測；算子；比較引言圖像的邊緣時圖像最基本的特征之一。所謂邊緣（或邊沿）是指周圍像素灰度有階躍性變化或“屋頂”變化的那些像素的集合。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間，因此它是圖像分割依賴的重要特征。圖像邊緣對圖像識別和計算機分析十分有用，邊緣能勾劃出目標物體，使觀察者一目了然；邊緣蘊含了豐富的內(nèi)在信息（如方向、階躍性質(zhì)、形狀等）。從本質(zhì)上說，圖像邊緣是圖像局部特性不連續(xù)性（灰度突變、顏色突變、紋理結(jié)構(gòu)突變等）的反應，它標志著一個區(qū)域的終結(jié)和另一個區(qū)域的開始。邊緣檢測

6、技術(shù)是所有基于邊界分割的圖像分析方法的第一步，首先檢測出圖像局部特性的不連續(xù)性，再將它們連成邊界，這些邊界把圖像分成不同的區(qū)域，檢測出邊緣的圖像就可以進行特征提取和形狀分析。為了得到較好的邊緣效果，現(xiàn)在已經(jīng)有了很多的邊緣檢測算法以及一些邊緣檢測算子的改進算法。但各算子有自己的優(yōu)缺點和適用領(lǐng)域。本文著重對一些經(jīng)典邊緣檢測算子進行理論分析、實際驗證并對各自性能特點做出比較和評價，以便實際應用中更好地發(fā)揮其長處，為新方法的研究提供衡量尺度和改進依據(jù)。1各種經(jīng)典邊緣檢測算子原理簡介 圖像的邊緣對人的視覺具有重要的意義，一般而言，當人們看一個有邊緣的物體時，首先感覺到的便是邊緣。灰度或結(jié)構(gòu)等信息的突變處

7、稱為邊緣。邊緣是一個區(qū)域的結(jié)束，也是另一個區(qū)域的開始，利用該特征可以分割圖像。需要指出的是，檢測出的邊緣并不等同于實際目標的真實邊緣。由于圖像數(shù)據(jù)時二維的，而實際物體是三維的，從三維到二維的投影必然會造成信息的丟失，再加上成像過程中的光照不均和噪聲等因素的影響，使得有邊緣的地方不一定能被檢測出來，而檢測出的邊緣也不一定代表實際邊緣。圖像的邊緣有方向和幅度兩個屬性，沿邊緣方向像素變化平緩，垂直于邊緣方向像素變化劇烈。邊緣上的這種變化可以用微分算子檢測出來，通常用一階或兩階導數(shù)來檢測邊緣，如下圖所以。不同的是一階導數(shù)認為最大值對應邊緣位置，而二階導數(shù)則以過零點對應邊緣位置。 （a）圖像灰度變化 （

8、b）一階導數(shù) （c）二階導數(shù) 基于一階導數(shù)的邊緣檢測算子包括Roberts算子、Sobel算子、Prewitt算子等，在算法實現(xiàn)過程中，通過（Roberts算子）或者模板作為核與圖像中的每個像素點做卷積和運算，然后選取合適的閾值以提取邊緣。拉普拉斯邊緣檢測算子是基于二階導數(shù)的邊緣檢測算子，該算子對噪聲敏感。一種改進方式是先對圖像進行平滑處理，然后再應用二階導數(shù)的邊緣檢測算子，其代表是LOG算子。前邊介紹的邊緣檢測算子法是基于微分方法的，其依據(jù)是圖像的邊緣對應一階導數(shù)的極大值點和二階導數(shù)的過零點。Canny算子是另外一類邊緣檢測算子，它不是通過微分算子檢測邊緣，而是在滿足一定約束條件下推導出的邊

9、緣檢測最優(yōu)化算子。1.1 Roberts（羅伯特）邊緣檢測算子景物的邊緣總是以圖像中強度的突變形式出現(xiàn)的，所以景物邊緣包含著大量的信息。由于景物的邊緣具有十分復雜的形態(tài)，因此，最常用的邊緣檢測方法是所謂的“梯度檢測法”。 設是圖像灰度分布函數(shù)；是圖像邊緣的梯度值；是梯度的方向。則有 （1） （n=1,2,.） （2）式（1）與式（2）可以得到圖像在（x,y）點處的梯度大小和梯度方向。將式（1）改寫為： （3） 稱為Roberts邊緣檢測算子。式中對等的平方根運算使該處理類似于人類視覺系統(tǒng)的發(fā)生過程。事實上Roberts邊緣檢測算子是一種利用局部差分方法尋找邊緣的算子，Robert梯度算子所采用

10、的是對角方向相鄰兩像素值之差，所以用差分代替一階偏導，算子形式可表示如下： （4）上述算子對應的兩個模板如圖（A）所示。實際應用中，圖像中的每個像素點都用這兩個模板進行卷積運算，為避免出現(xiàn)負值，在邊緣檢測時常提取其絕對值。 1 0 0 -1 0 1 -1 0 （a） （b） 圖（A）Robert算子模板1.2 Sobel（索貝爾）邊緣檢測算子該算子是由兩個卷積核與對原圖像進行卷積運算而得到的。其數(shù)學表達式為： （5）實際上Sobel邊緣算子所采用的算法是先進行加權(quán)平均，然后進行微分運算，我們可以用差分代替一階偏導，算子的計算方法如下： （6）Sobel算子垂直方向和水平方向的模板如圖（B）所示

11、，前者可以檢測出圖像中的水平方向的邊緣，后者則可以檢測圖像中垂直方向的邊緣。實際應用中，圖像中的每一個像素點都用這兩個卷積核進行卷積運算，取其最大值作為輸出。運算結(jié)果是一幅體現(xiàn)邊緣幅度的圖像。 -1 -2 -1 0 0 0 1 2 1 -1 0 1 -2 0 2 -3 0 1 （a） （b） 圖（B）Sobel算子模板1.3 Prewitt（普瑞維特）邊緣檢測算子Prewitt邊緣檢測算子就是一種利用局部差分平均方法尋找邊緣的算子，它體現(xiàn)了三對像素點像素值之差的平均概念，因為平均能減少或消除噪聲，為此我們可以先求平均，再求差分，即利用所謂的平均差分來求梯度。用差分代替一階偏導可得算子形式如下：

12、 （7）Prewitt邊緣檢測算子的兩個模板如圖（C）所示，它的使用方法同Sobel算子一樣，圖像中的每個點都用這兩個核進行卷積，取得最大值作為輸出。Prewitt算子也產(chǎn)生一幅邊緣圖像。 1 0 -1 1 0 -1 1 0 -1 -1 -1 -1 0 0 0 1 1 1 （a） （b） 圖（C）Prewitt算子模板1.4 Laplacian（拉普拉斯）邊緣檢測算子對于階躍狀邊緣，其二階導數(shù)在邊緣點出現(xiàn)過零交叉，即邊緣點兩旁的二階導數(shù)取異號，據(jù)此可以通過二階導數(shù)來檢測邊緣點。拉普拉斯邊緣檢測算子正是對二維函數(shù)進行二階導數(shù)運算的標量算子，它的定義是： （8）用差分代替二階偏導時，與前述三個一階

13、導數(shù)算子不同，拉普拉斯算子的形式可表示如下： （9）拉普拉斯邊緣檢測算子的模板如圖（D）所示，模板的基本特征是中心位置的系數(shù)為正，其余位置的系數(shù)為負，且模板的系數(shù)之和為零。它的使用方法是用圖中的兩個點陣之一作為卷積核，與原圖像進行卷積運算即可。拉普拉斯算子又是一個線性的移不變算子，它的傳遞函數(shù)在頻域空間的原點為零，因此，一個經(jīng)拉普拉斯濾波過的圖像具有零平均灰度。拉普拉斯檢測模板的特點是各向同性，對孤立點及線端的檢測效果好，但邊緣方向信息丟失，對噪聲敏感，整體檢測效果不如梯度算子。因此，它很少直接用于邊緣檢測。但注意到與Sobel算子相比，對圖像進行處理時，拉普拉斯算子能使噪聲成分得到加強，對噪

14、聲更敏感。 0 -1 0 -1 4 -1 0 -1 0 -1 -1 -1 -1 8 -1 -1 -1 -1 （a） （b） 圖（D）Laplacian算子模板1.5 Marr-Hildreth（馬爾）邊緣檢測算子實際應用中，由于噪聲的影響，對噪聲敏感的邊緣檢測點檢測算法（如拉普拉斯算子法）可能會把噪聲當邊緣點檢測出來，而真正的邊緣點會被噪聲淹沒而未檢測出。為此Marr和Hildreth提出了馬爾算子，因為是基于高斯算子和拉普拉斯算子的，所以也稱高斯-拉普拉斯（Laplacian of Gaussian,LoG）邊緣檢測算子，簡稱LoG算子。該方法是先采用高斯算子對原圖像進行平滑又降低了噪聲，孤

15、立的噪聲點和較小的結(jié)構(gòu)組織將被濾除由于平滑會導致邊緣的延展，因此在邊緣檢測時僅考慮那些具有局部最大值的點為邊緣點，這一點可以用拉普拉斯算子將邊緣點轉(zhuǎn)換成零交叉點，然后通過零交叉點的檢測來實現(xiàn)邊緣檢測。所謂零交叉點就是：如果一個像素處的值小于一，而此像素8-連通的各個像素都是大于 （是一個正數(shù)），那么這個像素就是零交叉點。這樣還能克服拉普拉斯算子對噪聲敏感的缺點，減少了噪聲的影響。二維高斯函數(shù)為 （10）則連續(xù)函數(shù)的LoG邊緣檢測算子定義為 （11） （12）其中是標準差。算子是一個軸對稱函數(shù)，其橫截面如圖（E）所示。由于它相當?shù)钠交?，能減少噪聲的影響，所以當邊緣模糊或噪聲較大時，利用檢測過零點

16、能提供較可靠的邊緣位置。 H（x,y） r 0 圖（E）H（x,y）的截面圖LoG算子在（x,y）空間具有以原點為中心旋轉(zhuǎn)的對稱性，LoG濾波器具有如下三個顯著特點：² 該濾波器中的高斯函數(shù)部分對圖像具有平滑作用，可有效地消除尺度遠小于高斯分布因子的噪聲信號。² 高斯函數(shù)在空域和頻域內(nèi)都具有平滑作用。² 該濾波器采用拉普拉斯算子可以減少計算量。 馬爾算子用到的卷積模板一般比較大（典型半徑為8-32個像素），不過這些模板可以分解為一維卷積來快速計算。常用的LoG算子是模板，如圖（F）。與其他邊緣檢測算子一樣，LoG算子也是先對邊緣做出假設，然后再這個假設下尋找邊緣像

17、素。但LoG算子對邊緣的假設條件最少，因此它的應用范圍更廣。另外，其他邊緣檢測算子檢測得到的邊緣時不連續(xù)的，不規(guī)則的，還需要連接這些邊緣，而LoG算子的結(jié)果沒有這個缺點。對于LoG算子邊緣檢測的結(jié)果可以通過高斯函數(shù)標準偏差來進行調(diào)整。即值越大，噪聲濾波效果越好，但同時也丟失了重要的邊緣信息，影響了邊緣檢測的性能；值越小，又有可能平滑不完全而留有太多的噪聲。因此，在不知道物體尺度和位置的情況下，很難準確確定濾波器的值。一般來說，使用大值的濾波器產(chǎn)生魯棒邊緣，小的值的濾波器產(chǎn)生精確定位的邊緣，兩者結(jié)合，能夠檢測出圖像的最佳邊緣。數(shù)學上以證明，馬爾算子是按零交叉檢測階躍狀邊緣的最佳算子。但在實際圖像

18、中要注意到，高斯濾波的零交叉點不一定全部是邊緣點，還需要進一步對其真?zhèn)芜M行檢驗。 -2 -4 -4 -4 -2 -4 0 8 0 -4 -4 8 24 8 -4 -4 0 8 0 -4 -2 -4 -4 -4 -2 圖（F）LoG算子是模板1.6 canny（凱尼）邊緣檢測算子 前面介紹的邊緣檢測算子都是局域窗口梯度算子，由于它們對噪聲敏感，所以在處理實際圖像時效果并不是十分理想。根據(jù)邊緣檢測的有效性和定位的可靠性，Canny研究了最優(yōu)邊緣檢測器所需的特性，給出了評價邊緣檢測性能優(yōu)劣的三個指標：1 高的準確性，在檢測的結(jié)果里應盡量多的包含真正的邊緣，而盡量少的包含假邊緣。2 高的精確度，檢測到

19、的邊緣應該在真正的邊界上。3 單像素寬，要有很高的選擇性，對每個邊緣有唯一的響應。針對這三個指標，Canny提出了用于邊緣檢測的一階微分濾波器的三個最優(yōu)化標準則，即最大信噪比準則、最優(yōu)過零點定位準則和單邊緣響應準則。具體如下：（a）信噪比準則 （16）式中，為邊緣函數(shù)；為帶寬為W的低通濾波器的脈沖響應；是高斯噪聲的均方差。（b）定位精確度準則L為邊緣的定位精度，定義如下： （17）式中，和為和的一階導數(shù)；L是對邊緣定位精確程度的度量，L越大定位精度越高。（c）單邊緣響應準則要保證對但邊緣只有一個響應，檢測算子的脈沖響應導數(shù)的零交叉點平均距離應該滿足： （18）式中，是的二階導數(shù)；是進行邊緣檢測

20、后的圖像。 這三個準則是對前述邊緣檢測指標的定量描述。抑制噪聲和邊緣精確定位是無法同時得到滿足的，即邊緣檢測算法通過圖像平滑算子去除噪聲，勢必增加邊緣定位的不確定性；反之，若提高邊緣檢測算子對邊緣的敏感性，同時也提高了對噪聲的敏感性。因此，在實際應用中只能寄希望于再抑制噪聲和提高邊緣定位精度之間實現(xiàn)一個合理的折衷。 值得慶幸的是，有一個線性算子可以在抵抗噪聲與邊緣檢測之間獲得一個最佳的折衷，這個算子就是高斯函數(shù)的一階導數(shù)。高斯函數(shù)與原圖的卷積達到了抵抗噪聲的作用，而求導數(shù)，則是檢測景物邊緣的手段。 對于階躍形的邊緣，Canny推導出的最優(yōu)邊緣檢測器的形狀與高斯函數(shù)的一階導數(shù)類似，因此Canny

21、邊緣檢測器就是高斯函數(shù)的一階導數(shù)構(gòu)成的。我們知道，高斯函數(shù)是圓對稱的，因此，Canny算子在邊緣方向上是對稱的，在垂直于邊緣的方向上是反對稱的。這就意味著該算子對最急劇變化方向上的邊緣特別敏感，但在沿邊緣方向上是不敏感的。 設二維高斯函數(shù)為 （19）其中，是高斯函數(shù)的分布參數(shù)，可用以控制對圖像的平滑程度。 最優(yōu)階躍邊緣檢測算子是以卷積為基礎的，邊緣強度為，而邊緣方向為。 從高斯函數(shù)的定義可知，該函數(shù)是無限拖尾的，在實際應用中，一般情況下是將原始模板截斷到有限尺寸N。實驗表明，當時，能夠獲得較好的邊緣檢測結(jié)果。下面給出Canny算子的具體實現(xiàn)。 利用高斯函數(shù)的可分性，將的兩個濾波卷積模板分解為兩

22、個一維的行列濾波器： （20） （21）其中 ， 可見， ，k為常數(shù)。然后把這兩個模板分別與進行卷積，得到 （22） 令 （23）則反映邊緣強度，為垂直于邊緣的方向。 根據(jù)Canny的定義，中心邊緣點為算子與圖像的卷積在邊緣梯度方向上的區(qū)域中的最大值。這樣，就可以在每一點的梯度方向上判斷此點強度是否為其領(lǐng)域的最大值來確定該點是否為邊緣點。當一個像素滿足以下三個條件時，則被認為是圖像的邊緣點。 1）該點的邊緣強度大于沿該點梯度方向的兩個相鄰像素點的邊緣強度； 2）與該點梯度方向上相鄰兩點方向差小于45°； 3）以該點為中心的領(lǐng)域中的邊緣強度極大值小于某個閾值。此外，如果1）和2）同時被

23、滿足，那么在梯度方向上的相鄰像素就從候選邊緣點中取消，條件3）相當于區(qū)域梯度最大值組成的閾值圖像與邊緣點進行匹配，這一過程消除了許多虛假的邊緣點。Canny邊緣檢測算子步驟如下：Step1：用高斯濾波器對圖像進行濾波消噪；Step2：用一階偏導的有限差分來計算梯度的幅值和方向；Step3：對梯度幅值進行非極大值抑制；Step4：用雙閾值算法檢測和連接邊緣。2. 各種經(jīng)典邊緣檢測算子性能比較 由上述邊緣算子產(chǎn)生的邊緣圖像看來很相似。它們看起來像一個繪畫者從圖片中做出的線條畫。Roberts算子是算子，對具有陡峭的低噪聲圖像響應最好。Sobel算子， Prewitt算子，Kirsch算子都是算子，

24、對灰度漸變和噪聲較多的圖像處理得較好。使用兩個掩模板組成邊緣檢測器時，通常取較大的幅度作為輸出值。這使得它們對邊緣的走向有些敏感。取它們的平方和的開方可以獲得性能更一致的全方位響應。這與真實的梯度值更接近。值得注意的是的Sobel算子和 Prewitt邊緣算子可擴展成八個方向，并且可以像使用Kirsch算子一樣獲得邊緣方向圖。2.1 MATLAB程序仿真為了分析上述幾種算子的效果，我們用MATLAB對lenna原始圖像以及分別加入高斯噪聲和椒鹽噪聲后的lenna圖像進行檢測。仿真實驗結(jié)果如下（程序見附錄）： Lenna原始圖像（一）各算子對lenna原始圖像的處理效果如下所示：（二）對lenn

25、a原始圖像加入高斯噪聲： 加入高斯噪聲的lenna圖像各算子對加入高斯噪聲的lenna圖像的處理效果如下所示：（三）對lenna原始圖像加入椒鹽噪聲： 加入椒鹽噪聲的lenna圖像各算子對加入椒鹽噪聲的lenna圖像的處理效果如下所示：2.2 實驗效果比較由于Roberts算子是利用圖像的兩個對角線的相鄰像素之差進行梯度幅值的檢測，所以求得的是在差分點處梯度幅值的近似值，并且檢測水平和垂直方向邊緣的性能好于斜線方向的邊緣，檢測精度比較高，但容易丟失一部分邊緣，同時由于沒經(jīng)過圖像平滑計算，因此不能抑制噪聲，但該算子對具有陡峭的低噪聲圖像響應最好。 Prewitt算子和Sobel算子都是對圖像進行

26、差分和濾波運算，僅在平滑部分的權(quán)值選擇上有些差異，因此兩者均對噪聲具有一定的抑制能力，但這種抗噪能力是通過像素平均來實現(xiàn)的，所以圖像產(chǎn)生了一定的模糊，而且還會檢測出一些偽邊緣，所以檢測精度比較低，該算子比較適合用于圖像邊緣灰度值比較尖銳且圖像噪聲比較小的情況。 LoG算子首先通過高斯函數(shù)對圖像進行平滑處理，因此對噪聲的抑制作用比較明顯，但同時也可能將原有的邊緣也平滑了，造成某些邊緣無法檢測到，比外高斯分布因子的選擇對圖像邊緣檢測效果有較大的影響，越大，檢測到的圖像細節(jié)越豐富，但抗噪能力下降，從而出現(xiàn)偽邊緣，反之則抗噪能力提高，但邊緣精度下降，易丟失許多真邊緣，因此，對于不同圖像應選擇不同參數(shù)。

27、Canny算子也采用高斯函數(shù)對圖像進行平滑處理，因此具有較強的去噪能力，但同樣存在容易平滑掉一些邊緣信息，其后所采用的一階微分算子的方向性較LoG算子要好，因此邊緣定位精度較高。該算子與其它邊緣檢測算子的不同之處在于，它使用2種不同的閾值分別檢測強邊緣和弱邊緣，并且僅當弱邊緣相連時才將弱邊緣包含在輸出圖像中，因此這種方法較其它方法而言不容易被噪聲“填充”更容易檢測出真正的弱邊緣。通過對lenna圖的仿真實驗結(jié)果可以看出，該算子在上述幾種邊緣檢測算子當中效果最好。邊緣定位準確，連續(xù)性較好，虛假邊緣少且邊緣均具有單像素寬度。 表一 各種經(jīng)典邊緣檢測算子的優(yōu)缺點比較 算子 優(yōu)缺點比較 Roberts

28、對具有陡峭的低噪聲的圖像處理效果較好，但利用Roberts算子提取邊緣的結(jié)果是邊緣比較粗，因此邊緣定位不是很準確。 Sobel對灰度漸變和噪聲較多的圖像處理效果比較好，Sobel算子對邊緣定位比較準確。 Prewitt對灰度漸變和噪聲較多的圖像處理效果較好。 Laplacian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。 LoGLoG算子經(jīng)常出現(xiàn)雙邊緣像素邊界，而且該檢測方法對噪聲比較敏感，所以很少用LoG算子檢測邊緣，而是用來判斷邊緣像素是位于圖像的明區(qū)還是暗區(qū)。 Canny此方法不容易受噪聲的干擾，能夠檢測到真正的弱邊緣。在edge函

29、數(shù)中，最有效的邊緣檢測方法是Canny方法。該方法的優(yōu)點在于使用兩種不同的閾值分別檢測強邊緣和弱邊緣，并且僅當弱邊緣與強邊緣相連時，才將弱邊緣包含在輸出圖像中。因此，這種方法不容易被噪聲“填充”，跟容易檢測出真正的弱邊緣。3. 結(jié)論 目前，邊緣檢測技術(shù)在很多領(lǐng)域中都得到了廣泛的應用。如對醫(yī)學圖像的邊緣特征提取、車牌識別、人臉檢測技術(shù)等。本文討論和比較了幾種常用的經(jīng)典邊緣檢測算子?？梢钥闯鏊鼈兌疾皇蔷哂薪^對優(yōu)勢的方法，在圖像的抗噪聲、圖像邊緣的定位情況、圖像部分邊緣是否可以檢測出，以及算法運行的速度等方面，各自存在優(yōu)缺點。所以對于圖像的邊緣檢測，要根據(jù)不同的系統(tǒng)，針對不同的環(huán)境條件和要求，選擇合

30、適的算子。希望本文總結(jié)的各種算法的優(yōu)缺點及適用范圍，能為今后人們使用這些算子以及研究更好的邊緣檢測算子方法提供參考價值。參考文獻：1 Rafael C.Gonzalez、Richard E.Woods.岡薩雷斯.數(shù)字圖像處理（第二版）電子工業(yè)出 版社2 陳傳波、金先級.數(shù)字圖像處理.北京：機械工業(yè)出版社，2004.73 Kenneth R.Castleman著；朱志剛、石定機等譯.數(shù)字圖像處理.北京：電子工業(yè)出版社，2002.24 陳天華.數(shù)字圖像處理.北京：清華大學出版社，2007.65 曹茂永.數(shù)字圖像處理.北京：北京大學出版社，2007.96 龔聲蓉、劉純平、王強等編著.數(shù)字圖像處理與分

31、析.北京：清華大學出版社7 朱虹.數(shù)字圖像處理基礎.北京：科學出版社，20058 郎銳.數(shù)字圖像處理學Visual C+實現(xiàn).北京：北京希望電子出版社，2002.129 賈永紅.計算機圖像處理與分析.武漢:武漢大學出版社，200110 韓曉軍.數(shù)字圖像處理技術(shù)與應用.北京:電子工業(yè)出版社，200911 王耀南，李樹濤，毛建旭.計算機圖像處理與識別技術(shù).北京:高等教育出版社，200112 余成波.數(shù)字圖像處理及MATLAB實現(xiàn).重慶:重慶大學出版社，200313 飛思科技產(chǎn)品研發(fā)中心.MATLAB6.5輔助圖像處理.北京:電子工業(yè)出版社，200314 何斌等.Visual C+數(shù)字圖像處理（第二

32、版）.北京:人民郵電出版社，200215 孫兆林.MATLAB6.X圖像處理.北京:清華大學出版社，200216（法）麥特爾（Maitre H.）等著；孫洪譯.現(xiàn)代數(shù)字圖像處理.北京:電子工業(yè)出版社，200617 劉洪鳴.圖像邊緣檢測技術(shù)的研究與比較.武警杭州指揮學院. 高校講壇第1期.201018 AHIL K.JAIN著；韓博、徐楓譯.數(shù)字圖像處理基礎.北京:清華大學出版社，2006.1119 許錄平.數(shù)字圖像處理.北京:科學出版社，2007 20 劉直芳、王運瓊、朱敏編著.數(shù)字圖像處理與分析.北京:清華大學出版社，2006.821藍章禮、李益才、李艾星編著.數(shù)字圖像處理與圖像通信.北京:

33、清華大學出版社，2009.322 胡學龍、許開宇編著.數(shù)字圖像處理.北京:電子工業(yè)出版社，2006.923 傅德勝、壽亦禾編著.圖形圖像處理學.南京:東南大學出版社，2001.1224 賴志國等編著.Matlab圖像處理與應用（第二版）.北京:國防工業(yè)出版社，2007.425 蔣先剛著.數(shù)字圖像模式識別工程軟件設計.北京:中國水利水電出版社，200826 姚敏等編著.數(shù)字圖像處理.北京:機械工業(yè)出版社，2006.127 周道炳、朱衛(wèi)綱.幾種邊緣檢測算子的評估.指揮技術(shù)學院學報.第11卷（第一期），2000.2 28 李安安.幾種圖像邊緣檢測算法的比較與展望.大眾科技.第12期，2009.12

34、29 鄭靜、梁少華、王騰.基于MATLAB仿真的邊緣檢測算子研究.電腦知識與技術(shù).第6卷（第五期）2010.2 30 T Poggio,H Voorhees.A Yuille.A Regularized Solution to Edge DetectionR.Tech Rep MA,Rep AIM-833,MIT Artificial Intell Lab.1985.31 Xiaoyi Jiang,Horst Bunke.Edge Detection in Range Image Based on ScanLian ApproximationJ.Computer Vision and Imag

35、e Understanding,1999,73(2):183-199.32 Mallat S Zhong.Characterization of signal from multiscale edgeJ.IEEE Trans PAMI,1992;(7):710-732附錄附錄（1）各算子對lenna原始圖像處理的仿真程序：function jingdianI=imread('lenna.jpg');I=rgb2gray(I);B1=edge(I,'roberts');B2=edge(I,'sobel');B3=edge(I,'prewit

36、t');B4=edge(I,'canny');B5=edge(I,'log');h=0 -1 0;-1 4 -1;0 -1 0;B6=conv2(I,h);subplot(2,3,1);imshow(B1);title('roberts算子檢測');subplot(2,3,2);imshow(B2);title('sobel算子檢測');subplot(2,3,3);imshow(B3);title('prewitt算子檢測');subplot(2,3,4);imshow(B4);title('canny算子檢測');subplot(2,3,5)imshow(B5);title('log算子檢測');subplot(2,3,6);imshow(B6);title(' laplacian算子檢測');附錄（2）各算子對加入高斯噪聲lenna圖像處理的仿真程序：function jingdian