圖像邊緣檢測方法的比較

1、報告提交日期課程大作業(yè)實驗報告 課程名稱：數(shù)字圖像處理 指導(dǎo)教師 2010年 05 月 項目答辯日期 2010年 05 月 1 圖像邊緣檢測方法的比較目 錄1、項目要求 . 31.1、要求一 . 31.2、要求二 . 31.3、要求三 . 32、項目開發(fā)的環(huán)境 . 33、邊緣檢測的系統(tǒng)分析 . 43.1、系統(tǒng)模塊分析 . 43.2、系統(tǒng)的關(guān)鍵問題以及解決方法 . 44、系統(tǒng)設(shè)計 . 54.1程序的流程圖以及說明 . 54、2程序的主要功能模塊 . 74.2.1 水平梯度算子模塊 . 74.2.2 垂直梯度算子模塊 . 84.2.3 水平垂直梯度算子模塊 . 84.2.4 羅伯茨算法模塊 . 9

2、4.2.5 Sobel模塊 . 104.2.6 Prewitt模塊 . 114.2.7 拉普拉斯邊緣檢測模塊 . 114.2.8 基于Kirsch算子的快速邊緣檢測模塊 . 114.2.9 Robinson算法模塊 . 124.2.10 高斯LOG模塊 . 134.2.11 梯度幅值自適應(yīng) . 145. 實驗結(jié)果與分析 . 145.1 實驗結(jié)果和分析 . 155.2 項目的創(chuàng)新之處 . 195.3 存在問題及改進(jìn)設(shè)想 . 196. 心得體會 . 206.1 系統(tǒng)開發(fā)的體會 . 206.2 對本門課程的改進(jìn)意見或建議 . 201 項目要求1.1 對以下方法編程實現(xiàn)：（1）水平梯度算子；（2）垂直

3、梯度算子；（3）水平垂直梯度算子；（4）羅伯茨梯度算子；（5）拉普拉斯算子；（6）柯西算子；（7）Prewitt算子；（8）Sobel算子；（9）拓展：其他的邊緣檢測算法1.2 界面整合為菜單形式，在程序的主界面上顯示每種方法的處理時間（利用C語言的時間函數(shù)，計算出處理時間）。1.3 有好的PPT和電子文檔。2 項目開發(fā)的環(huán)境硬件部分：PC機(jī)軟件部分：CVI5.0、IMAQ vision（Imaq_CVI.fp、Imaq_CVI.h、Imaq_CVI.lib） 使用語言：C語言3 邊緣檢測的系統(tǒng)分析3.1 系統(tǒng)模塊分析圖像的邊緣檢測是計算機(jī)視覺和圖像處理中重要的內(nèi)容，廣泛應(yīng)用于目標(biāo)識別與跟蹤、

4、機(jī)器人視覺、圖像數(shù)據(jù)壓縮等領(lǐng)域。準(zhǔn)確可靠的邊緣檢測方法對這些系統(tǒng)的整體性能起到至關(guān)重要的作用，因此邊緣檢測成為研究人員進(jìn)行圖像特征分析研究時最為關(guān)注的熱門課題之一。所謂邊緣是一組相連的像素集合, 這些像素的周圍像素灰度有強(qiáng)烈的反差，邊緣檢測實際上就是檢測圖像特征發(fā)生變化的位置。本系統(tǒng)介紹了幾種經(jīng)典的邊緣檢測算子并進(jìn)行了比較，同時闡述了新的邊緣檢測方法的原理。分析結(jié)果表明，邊緣檢測是圖像處理和計算機(jī)視覺領(lǐng)域內(nèi)的一個基本問題，尋求較簡單、能較好解決邊緣檢測精度與抗噪性能協(xié)調(diào)問題的算法，一直是圖像處理與分析的研究重點。根據(jù)項目要求，我們這個邊緣檢測系統(tǒng)一共是由8個基本邊緣檢測方法和3個拓展邊緣檢測方

5、法組成。由以下各個模塊組成：打開圖像模塊(Load image)、保存文件模塊(Save)、水平梯度算子模塊(Edge_detect_parallel)、 垂直梯度算子(Edge_detect_vertical)、水平垂直梯度算子模塊（Edge_detect_ver_par)、羅伯茨算子模塊(Edge_detect_Roberts)、Prewitt(Edge_detect_Prewitt）、Sobel邊緣檢測模塊(Edge_detect_Sobel)、拉普拉斯邊緣檢測模塊(Edge_detect_lapulasi）、基于Kirsch算子的快速邊緣檢測方法-FKC算法模塊（Edge_detect

6、_Krisch)、Robinson算子的邊緣檢測模塊(Edge_detect_Robinson)、高斯Laplace邊緣檢測模塊(Edge_detect_log)和梯度幅值自適應(yīng)邊緣檢測方法模塊(Edge_detect_fun1)。其中，Robinson算子、高斯Laplace算子和梯度幅值自適應(yīng)屬于拓展的邊緣檢測方法。3.2 系統(tǒng)的關(guān)鍵問題以及解決方法主要是對各種邊緣檢測方法的實現(xiàn)問題，在對后面幾種拓展的邊緣檢測算子實現(xiàn)時，遇到了較多的問題，例如，處理時間較長，邊緣檢測后的圖像邊緣信息提取比較模糊等。通過大量查找資料，咨詢老師和小組團(tuán)結(jié)協(xié)作，較好的將問題解決了。4 系統(tǒng)設(shè)計4.1程序的流程圖

7、以及說明圖1 功能流程圖圖2 程序流程圖程序界面是以菜單的形式展現(xiàn)的，當(dāng)載入一幅圖像，選擇一種邊緣檢測方法后，程序開始執(zhí)行，提取邊緣信息并顯示其邊緣圖像，在程序的主界面上顯示這種方法的處理時間。4.2程序的主要功能模塊及實現(xiàn)原理4.2.1 水平梯度算子模塊(1)理論知識卷積可以簡單的看成加權(quán)求和的過程。卷積時使用的權(quán)用一個很小的矩陣來表示，矩陣的大小是奇數(shù)，而且與使用的區(qū)域的大小相同。這種權(quán)矩陣叫做卷積核，區(qū)域中的每個像素分別與卷積核中的每個元素相乘，所有乘積之和即區(qū)域中心像素的新值。(2) 水平梯度算子對于數(shù)字圖像而言，微分要用相鄰像素之間的差分來代替，水平主要指的是x方向，垂直主要指的是y

8、方向。通過一個可以檢測出水平方向上的像素值的變化模板來實現(xiàn)。首先定義了Edge_detect_parallel（水平梯度）函數(shù)，再對各個參數(shù)進(jìn)行定義（包括圖像的高度、寬度等），for循環(huán)是對(x.y)為中心的3×3區(qū)域的各點灰度值進(jìn)行處理，IPI_GetPixelValue（）是獲取圖像像數(shù)的灰度值，sum=sum+gray_value*arraym是灰度值與水平梯度算子相乘再相加；水平梯度算子核心程序：int array9=1, 0, -1, 2, 0, -2, 1, 0, -1; /水平梯度算子模板for(y=1;y<height-1;y+) /x,y為圖像的坐標(biāo)for(x

9、=1; x<width-1; x+)sum=0;m=0;for(i= -1;i<=1;i+) /對(x.y)為中心的3×3區(qū)域的各點灰度值進(jìn)行處理 for(j= -1;j<=1;j+)IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value); sum=sum+gray_value*arraym;m=m+1;4.2.2 垂直梯度算子模塊垂直方向的檢測與水平方向相似，通過一個可以檢測出垂直方向上的像素值的變化模板來實現(xiàn)，圖像的垂直邊緣得到增強(qiáng)。垂直梯度算子核心程序：int array9=1, 2, 1, 0, 0, 0

10、, -1, -2, -1; /垂直梯度算子模板for(i= -1;i<=1;i+) /對(x.y)為中心的3×3區(qū)域的個點灰度值進(jìn)行處理for(j= -1;j<=1;j+)IPI_GetPixelValue ( SourceImage, x+i, y+j, &gray_value );sum=sum+gray_value*arraym;m=m+1;4.2.3 水平垂直梯度算子模塊通過兩個模板來實現(xiàn)，其中一個可以檢測出水平方向上的像素值的變化，另外一個可以檢測出垂直方向上的像素值的變化， 最后按公式：g(x,y)=cx2+cy2處理其灰度值。 該算法是同時增強(qiáng)水平和

11、垂直方向的邊緣。水平垂直梯度核心算法：/水平垂直梯度算子模板int array19=1, 2, 1, 0, 0, 0, -1, -2, -1;int array29=1, 0, -1, 2, 0, -2, 1, 0, -1;cx=cx+gray_value*array1m;cy=cy+gray_value*array2m;sum=sqrt(cx*cx+cy*cy);4.2.4 羅伯茨算法模塊1963年，Roberts提出了這種尋找邊緣的算子。Roberts邊緣算子是一個2x2的模板，采用的是對角方向相鄰的兩個像素之差。從圖像處理的實際效果來看，邊緣定位較準(zhǔn)，對噪聲敏感。Roberts算法的計算

12、公式如下：g(x,y)=f(x+1,y+1)-f(x,y)+f(x+1,y)-f(x,y+1)0110Robert邊緣檢測算子相當(dāng)于用模板 和 對圖像進(jìn)行卷積。-100-1Roberts邊緣檢測的核心算法：IPI_GetPixelValue( SourceImage, x, y, &gray_value0 ); /獲取圖像像素的灰度值IPI_GetPixelValue( SourceImage, x+1, y+1, &gray_value1 );cx=gray_value0-gray_value1;cy=gray_value2-gray_value3;sum=255-sqrt(

13、cx*cx+cy*cy);4.2.5 Sobel模塊為了在邊緣檢測中減少噪聲的影響，1970年P(guān)rewitt和Sobe1分別提出prewitt算子和Sobel算子。sobel算子從不同的方向檢測邊緣，利用像素點上下、左右鄰點的灰度加權(quán)算法，根據(jù)在緣點處達(dá)到極值進(jìn)行邊緣的檢測。Sobel邊緣檢測是一種數(shù)學(xué)背景復(fù)雜但實現(xiàn)較為簡單的技術(shù)，從加大邊緣增強(qiáng)算子的模板大小出發(fā)，由2*2擴(kuò)大到3*3來計算差分。Sobel算子的兩個卷積計算核如圖3所示，圖像中的每個點都用這兩個核作卷積，第一個核對通常的垂直邊緣響應(yīng)最大，第二個核對水平邊緣響應(yīng)最大。利用兩個卷積核對3*3的區(qū)域進(jìn)行卷積，并按g(x,y)=cx2

14、+cy2計算。在邊沿檢測中，sobel算子對于像素的位置的影響做了加權(quán)，加權(quán)平均邊寬2像素，因此效果較好。1211210 0 0 和 0 0 0 -1-2-1-1-2-1圖3 Sobel算子Sobel邊緣檢測核心算法：/兩個卷積核形成Sobel邊緣檢測算子int array19=1, 2, 1, 0, 0, 0, -1, -2, -1;int array29=-1, 0, 1, -2, 0, 2, -1, 0, 1;for(i= -1;i<=1;i+)for(j= -1;j<=1;j+)/圖像中的每個點都用這兩個核進(jìn)行卷積IPI_GetPixelValue(SourceImage,

15、x+i,y+j,&gray_value);cx=cx+gray_value*array1m;cy=cy+gray_value*array2m;m=m+1; sum=sqrt(cx*cx+cy*cy); /取平方和之后再開方4.2.6 Prewitt模塊Sobel算法與Priwitt算法的思路相同，Prewitt算子的實現(xiàn)理論基礎(chǔ)也是由兩個卷子核形成Prewitt邊緣檢測算子，如圖4。圖像中的每個點都用這兩個核進(jìn)行卷積，利用兩個卷積核對3*3的區(qū)域進(jìn)行卷積，并按g(x,y)=cx2+cy2計算，結(jié)果產(chǎn)生一副邊緣強(qiáng)度圖像。Prewitt算子如下：-101-1-1-1-1 0 1 和 0 0

16、 0 -101111圖4 Prewitt算子以下是Prewitt的部分主要程序代碼：/兩個卷積核形成Prewitt邊緣檢測算子int array19=-1, 0, 1, -1, 0, 1, -1, 0, 1;int array29=-1, -1, -1, 0, 0, 0, 1, 1, 1;/圖像中的每個點都用這兩個核進(jìn)行卷積IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value);cx=cx+gray_value*array1m;cy=cy+gray_value*array2m;sum=sqrt(cx*cx+cy*cy); /取平方和之后再開

17、方4.2.7 拉普拉斯(Laplace)邊緣檢測模塊拉普拉斯高斯算子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：灰度緩變形成的邊緣經(jīng)過微分算子形成一個單峰函數(shù)，值位置對應(yīng)邊緣點；對單峰函數(shù)進(jìn)行微分，則峰值處的微分值為0，峰值兩側(cè)符號相反，而原先的極值點對應(yīng)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。通常，拉普拉斯算子是對二維函數(shù)進(jìn)行運(yùn)算的二階運(yùn)算的二階導(dǎo)數(shù)的算子，處理時，對以(x,y)為中心的3x3區(qū)域施以3x3加權(quán)屏蔽窗口，計算出此窗口的相關(guān)值(卷積和)，求得拉普拉斯算子圖像g(i,j)。通常使用的拉普拉斯算子是3x3算子。拉普拉斯

18、算子的計算公式如下：2f=4f(x,y)-f(x+1,y)-f(x-1,y)-f(x,y+1)-f(x,y-1)將該公式寫成模板系數(shù)形式，即為：-1-1-1-1 8 -1 -1-1-1拉普拉斯算子的圖像邊緣檢測核心代碼如下：int array9=-1, -1, -1, -1, 8, -1, -1, -1, -1; /拉普拉斯算子模板 for(i= -1;i<=1;i+) for(j= -1;j<=1;j+) /圖像中的每個點都用這個核進(jìn)行卷積 IPI_GetPixelValue(TempImage,x+i,y+j,&gray_value); sum=sum+gray_val

19、ue*arraym; m=m+1; 4.2.8 基于Kirsch（柯西）算子的快速邊緣檢測模塊利用一組模板分別計算在不同方向上的差分值，取其中最大的值作為邊緣強(qiáng)度，而將與之對應(yīng)的方向作為邊緣方向。Krisch算子實現(xiàn)是由8個卷積核組成了Krisch邊緣檢測算子，每個點都用8個掩模進(jìn)行卷積，每個掩模都對某個特定邊緣方向最初最大響應(yīng)。55-3555-30-3 -30 5-3-3-3-3-3-3-3-3-3-3-3-3 -30-3 50-35-35555-3-35-3-3-3-305 -30 55-3-35-355-35-3-3550-3 5 0-35-3-3-3-3-3圖5 Krisch邊緣檢測算

20、子但在此程序中我們采用基于Kirsch邊緣檢測算子的一種快速算法-FKC算法，大大加快了程序運(yùn)行速度。以下Krisch邊緣檢測算子的部分主要代碼：/取得8個順時針排列的點的像素IPI_GetPixelValue(SourceImage,x-1,y+1,&p0);IPI_GetPixelValue(SourceImage,x,y+1,&p1);/8個處理公式r0=0.625*(p0+p1+p2)-0.375*(p3+p4+p5+p6+p7);r1=r0+p7-p2;r2=r1+p6-p1;r3=r2+p5-p0;r4=r3+p4-p7;r5=r4+p3-p6;r6=r5+p2-p

21、5;r7=r6+p1-p4;/取最大值for(i=0;i<8;i+)if(ri>sum)sum=ri;4.2.9 Robinson算法模塊Robinson邊緣檢測算法是一種類似Sobel，Prewitt，Kirsch等邊緣檢測算法的邊緣模板算法，通過對圖像進(jìn)行8個方向的邊緣檢測，將其中方向響應(yīng)最大的作為邊緣幅度圖像的邊緣。Robinson邊緣檢測算子并不把重點放在相鄰的像素上，它對噪聲具有平滑作用。本程序也對Robinson邊緣檢測算子進(jìn)行了優(yōu)化，加快運(yùn)行速度。Robinson邊緣檢測算法的邊緣檢測模板定義為：int array19=1, 2, 1, 0, 0, 0, -1, -2

22、, -1; int array29=2, 1, 0, 1, 0, -1, 0, -1, -2; int array39=1, 0, -1, 2, 0, -2, 1, 0, -1; int array49=0, -1, -2, 1, 0, -1, 2, 1, 0;其核心算法如下：IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value);n0+=gray_value*array1m;n1+=gray_value*array2m;n2+=gray_value*array3m;n3+=gray_value*array4m;sum=fabs(n0);/

23、取最大值for(m=1;m<4;m+)nm=fabs(nm);if(nm>sum)sum=nm;4.2.10 高斯拉普拉斯(LOG)模塊將高斯濾波和拉普拉斯邊緣檢測結(jié)合在一起，形成高斯Laplace算法，這種方法的特點是圖像先與高斯濾波器g（x，y）進(jìn)行卷積，這一步既平滑了圖像又降低了噪聲，孤立的噪聲點和較小的結(jié)構(gòu)組織將被濾除，然后利用無方向性的拉普拉斯算子實現(xiàn)邊緣檢測。高斯拉普拉斯算子計算公式：2g(x,y)=1(4x+y-1)e2222-x2+y22通常的高斯拉普拉斯算子是一個5×5的模板：-2-4-4-4-4080-4824880-40-2-4-4-4-2-4-4-

24、4-2圖6 高斯-拉普拉斯算子下面是實現(xiàn)高斯LOG部分代碼：for(i= -2;i<=2;i+)for(j= -2;j<=2;j+)/圖像中的每個點都用這個高斯Laplace模板進(jìn)行卷積IPI_GetPixelValue(SourceImage,x+i,y+j,&gray_value);sum=sum+gray_value*arraym;4.2.11 梯度幅值自適應(yīng)根據(jù)所提出的梯度幅值計算方法求出整幅圖像的梯度幅值均值和圖像中所有像素點的梯度幅值相對與均值的方差。由圖像的梯度幅值均值和方差計算出圖像的最佳閾值。在一幅圖像中每個像素點的八領(lǐng)域，具有四個邊緣檢測方向。當(dāng)邊緣與檢

25、測方向垂直時才能很好地檢測到邊緣點，因此雖然理論上只用水平方向和垂直方向也能檢測到每條邊緣，但在實際應(yīng)用中存在明顯的漏檢。為了能在X方向、45度方向、Y方向、135度方向上檢測邊緣和減少誤差，我們提出了在3*3的窗口中分別計算X方向、45度方向、Y方向、135度方向的一階偏導(dǎo)數(shù)有限差分均值來確定像素點的梯度幅值的方法。 4個方向梯度平均幅值計算公式：M(x,y)=(Px(x,y)+Py(x,y)+P45(x,y)+P135(x,y)/4判斷這四個方向的梯度幅值與閾值的大小。在這四個梯度幅值中只要有一個值大于閾值K就把該點判定為邊緣點，并把該點的灰度值用其梯度幅值來代替。對于非邊緣點其灰度值設(shè)為

26、255。以下是實現(xiàn)梯度幅值自適應(yīng)的核心代碼：/像素點（x,y）x方向、45°方向、y方向、135°方向的一階偏導(dǎo)數(shù)值IPI_GetPixelValue(SourceImage,x+arrayi0,y+arrayi1,&gray1);IPI_GetPixelValue(SourceImage,x+arrayi2,y+arrayi3,&gray2);ci=fabs(gray1-gray2);/梯度幅值計算m=0.35*(c0+c1+c2+c3)/4.0;sum+=m;mean=sum/(height-2)/(width-2); /整幅圖像的平均梯度幅值cha=

27、sqrt(sum/(height-2)/(width-2); /整幅圖像相對于平均梯度幅值的標(biāo)準(zhǔn)差 yuzhi=mean+cha; /閾值/根據(jù)閾值提取圖像的初始邊緣,只要有一個值大于閾值就把該點判定為邊緣點 if(ci>yuzhi)IPI_GetPixelValue(TempImage,x,y,&m);m=m*5.0;IPI_SetPixelValue(DestImage,x,y,255-m);elseIPI_SetPixelValue(DestImage,x,y,255);5.實驗結(jié)果與分析5.1 實驗結(jié)果(1)下面表示幾種邊緣檢測算子對圖像邊緣檢測的比較: (處理圖像的實際

28、大小是430×639像素)圖5.1.2 Roberts、Prewitt、Sobel算子運(yùn)行結(jié)果圖5.1.4 LOG算子、梯度幅值自適應(yīng)運(yùn)行結(jié)果(2)對帶有噪聲的圖像進(jìn)行處理效果：圖5.1.5 源圖像圖5.1.6 水平梯度圖5.1.7 垂直梯度圖5.1.8水平垂直梯度圖5.1.11 Prewitt算子圖5.1.14 Robinson算子圖5.1.9 Roberts算子 圖5.1.12 Laplace算子 圖5.1.15 LOG算子 17圖5.1.10 Sobel算子圖5.1.13 Krisch算子圖5.1.16梯度幅值自適應(yīng)對以上各圖進(jìn)行對比，我們總結(jié)如下：(1) 水平梯度算子只能檢測

29、出水平方向邊緣，垂直梯度算子只能檢測垂直方向的邊緣，而水平垂直梯度算子同時能檢測水平和垂直方向的邊緣，但它們對邊緣都敏感。(2) 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(xì)。(3) Sobel算子利用像素的上、下、左、右鄰域的灰度加權(quán)算法，根據(jù)在邊緣點處達(dá)到極值這一原理進(jìn)行邊緣檢測。該方法不但產(chǎn)生較好的檢測效果，而且對噪聲具有平滑作用，可以提供較為精確的邊緣方向信息。但是，在抗噪聲好的同時增加了計算量，而且也會檢測偽邊緣，定位精度不高。如果檢測中對精度的要求不高，該方法較為常用。(4)

30、Prewitt算子對噪聲有一定的平滑作用，檢測出的邊緣比較細(xì)致，定位精度不夠高，容易損失角點；與Sobel相比，有一定的抗干擾性，圖像效果比較干凈。(5) Laplacian算子是二階微分算子，對圖像中的階躍性邊緣點定位準(zhǔn)確，獲得的邊界比較細(xì)致，包含了較多的細(xì)節(jié)信息，但是所反映的邊界不太清晰，對噪聲非常敏感，易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。(6) Kirsch算子是一個3x3的非線性算子它與Prewitt算子和Sobel算子不同的是取平均值的方法不同。用不等權(quán)的8個3×3循環(huán)平均梯度算子分別與圖像進(jìn)行卷積，取其中的最大值輸出它可以檢測各個方向上的邊緣減少了由于平

31、均而造成的細(xì)節(jié)丟失，但同時增加了計算量。但它對8個方向邊緣信息進(jìn)行檢測，因此有較好的邊緣定位能力，并且對噪聲有一定的抑制作用，該算子的邊緣定位能力和抗噪聲能力比較理想。(7) Robinson邊緣檢測算法和Sobel，Prewitt邊緣檢測算子一樣，它檢測出的邊緣比較粗，定位精度比較低，容易損失如角點這樣的邊緣信息；原來Robinson邊緣檢測算子是通過8個方向模板對圖像進(jìn)行卷積運(yùn)算，顯然其運(yùn)算量是比較大的，影響了邊緣檢測的速度，但本程序?qū)ζ溥M(jìn)行了優(yōu)化，加快了運(yùn)行的速度。(8) LOG算子首先用高斯函數(shù)進(jìn)行濾波，然后使用Laplacian算子檢測邊緣，較克服了Laplacian算子抗噪聲能力比

32、較差的缺點，LOG算子中高斯函數(shù)中方差參數(shù)的選擇很關(guān)鍵，越大避免了虛假邊緣的檢出，邊緣也被平滑造成邊緣點點丟失。噪聲抑制能力相對下降，容易出現(xiàn)虛假邊緣。(9)梯度幅值自適應(yīng)檢測方法有圖像梯度幅值均值和方差計算出圖像的最佳國值。然后根據(jù)提出的噪聲剔除方法對有最佳國值判定的初始邊緣中的噪聲進(jìn)行剔除，在精確定位邊緣的同時也較好地抑制了噪聲，優(yōu)于Sobel、Prewitt算子，運(yùn)行時間也較為理想。 185.2項目的創(chuàng)新之處項目除了做幾個基本的算法（水平梯度算子、垂直梯度算子、水平垂直梯度算子、Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、Krisch算子）外，還有3個拓展算法：LOG算子、 Robinson算子、梯度幅值自適應(yīng)算子。通過查找相關(guān)資料，基本上找到其核心算法思想，比較全面地實現(xiàn)了各種邊緣檢測方法的比較。5.3 存在問題及改進(jìn)設(shè)想存在問題： 隨著計算機(jī)視覺、機(jī)器視覺等相關(guān)領(lǐng)域的發(fā)展，圖像處理發(fā)展的非常迅速，邊緣檢測