一、边缘检测
边缘是图象最基本的特征. 边缘检测在计算机视觉、图象分析等应用中起着重要的作用,是图象分析与识别的重要环节,这是因为子图象的边缘包含了用于识别的有用信息. 所以边缘检测是图像分析和模式识别的主要特征提取手段。所谓边缘是指其周围像素灰度后阶变化或屋顶状变化的那些像素的集合,它存在于目标与背景、目标与目标、区域与区域,基元与基元之间。 因此它是图象分割所依赖的重要的特征,也是纹理特征的重要信息源和形状特征的基础;而图象的纹理形状特征的提取又常常依赖于图象分割。 图象的边缘提取也是图象匹配的基础,因为它是位置的标志,对灰度的变化不敏感,它可作为匹配的特征点。
二、边缘检测经典算子及实现
目前常用的边缘检测方法有:Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子、Laplace边缘检测算子等等。
1、Roberts边缘检测算子
Roberts边缘检测算子根据任意一对互相垂直方向上的差分可用来计算梯度的原理，采用对角线方向相邻两像素之差。
MATLAB实验代码如下：
clear; sourcePic=imread('lena.jpg'); %读取原图像 grayPic=mat2gray(sourcePic); %实现图像矩阵的归一化操作 [m,n]=size(grayPic); newGrayPic=grayPic;%为保留图像的边缘一个像素 robertsNum=0; %经roberts算子计算得到的每个像素的值 robertThreshold=0.2; %设定阈值 for j=1:m-1 %进行边界提取 for k=1:n-1 robertsNum = abs(grayPic(j,k)-grayPic(j+1,k+1)) + abs(grayPic(j+1,k)-grayPic(j,k+1)); if(robertsNum > robertThreshold) newGrayPic(j,k)=255; else newGrayPic(j,k)=0; end end end figure,imshow(newGrayPic); title('roberts算子的处理结果') 2、Sobel边缘检测算子
clear; sourcePic=imread('lena.jpg');%读取原图像 grayPic=mat2gray(sourcePic);%实现图像矩阵的归一化操作 [m,n]=size(grayPic); newGrayPic=grayPic;%为保留图像的边缘一个像素 sobelNum=0;%经sobel算子计算得到的每个像素的值 sobelThreshold=0.8;%设定阈值 for j=2:m-1 %进行边界提取 for k=2:n-1 sobelNum=abs(grayPic(j-1,k+1)+2*grayPic(j,k+1)+grayPic(j+1,k+1)-grayPic(j-1,k-1)-2*grayPic(j,k-1)-grayPic(j+1,k-1))+abs(grayPic(j-1,k-1)+2*grayPic(j-1,k)+grayPic(j-1,k+1)-grayPic(j+1,k-1)-2*grayPic(j+1,k)-grayPic(j+1,k+1)); if(sobelNum > sobelThreshold) newGrayPic(j,k)=255; else newGrayPic(j,k)=0; end end end figure,imshow(newGrayPic); title('Sobel算子的处理结果') 3、Prewitt边缘检测算子
clear; sourcePic=imread('lena.jpg');%读取原图像 grayPic=mat2gray(sourcePic);%实现图像矩阵的归一化操作 [m,n]=size(grayPic); newGrayPic=grayPic;%为保留图像的边缘一个像素 PrewittNum=0;%经Prewitt算子计算得到的每个像素的值 PrewittThreshold=0.5;%设定阈值 for j=2:m-1 %进行边界提取 for k=2:n-1 PrewittNum=abs(grayPic(j-1,k+1)-grayPic(j+1,k+1)+grayPic(j-1,k)-grayPic(j+1,k)+grayPic(j-1,k-1)-grayPic(j+1,k-1))+abs(grayPic(j-1,k+1)+grayPic(j,k+1)+grayPic(j+1,k+1)-grayPic(j-1,k-1)-grayPic(j,k-1)-grayPic(j+1,k-1)); if(PrewittNum > PrewittThreshold) newGrayPic(j,k)=255; else newGrayPic(j,k)=0; end end end figure,imshow(newGrayPic); title('Prewitt算子的处理结果') 4、Laplace边缘检测算子
clear; sourcePic=imread('lena.jpg');%读取原图像 grayPic=mat2gray(sourcePic);%实现图像矩阵的归一化操作 [m,n]=size(grayPic); newGrayPic=grayPic;%为保留图像的边缘一个像素 LaplacianNum=0;%经Laplacian算子计算得到的每个像素的值 LaplacianThreshold=0.2;%设定阈值 for j=2:m-1 %进行边界提取 for k=2:n-1 LaplacianNum=abs(4*grayPic(j,k)-grayPic(j-1,k)-grayPic(j+1,k)-grayPic(j,k+1)-grayPic(j,k-1)); if(LaplacianNum > LaplacianThreshold) newGrayPic(j,k)=255; else newGrayPic(j,k)=0; end end end figure,imshow(newGrayPic); title('Laplacian算子的处理结果') 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/221405.html原文链接：https://javaforall.net
