邊緣檢測的方法

1. 邊緣檢測的理論依據是什麼有哪些方法各有什麼特點

就是通過一些臨近像素相關演算法突出灰度變化比較大的部分。變化平緩的取值低，變化越劇烈取值越高。比如有卷積演算法，具體計算方法，有拉普拉斯運算元、高斯運算元等的應用。

2. 基於matlab邊緣提取的幾種方法的比較

I=imread('lena.bmp');% 提取圖像
BW1=edge(I,'sobel'); %用SOBEL運算元進行邊緣檢測
BW2=edge(I,'roberts');%用Roberts運算元進行邊緣檢測
BW3=edge(I,'prewitt'); %用prewitt運算元進行邊緣檢測
BW4=edge(I,'log'); %用log運算元進行邊緣檢測
BW5=edge(I,'canny'); %用canny運算元進行邊緣檢測
h=fspecial('gaussian』,5);
BW6=edge(I,』canny』);
subplot(2,3,1), imshow(BW1);
title(『sobel edge check』);
subplot(2,3,2), imshow(BW2);
title(『sobel edge check』);
subplot(2,3,3), imshow(BW3);
title(『prewitt edge check』);
subplot(2,3,4), imshow(BW4);
title(『log edge check』);
subplot(2,3,5), imshow(BW5);
title(『canny edge check』);
subplot(2,3,6), imshow(BW6);
title(『gasussian&canny edge check』);%此為用高斯濾波後Canny運算元邊緣檢測結果
（注意：代碼中有一些標點是中文模式，若輸入代碼後標點顯示紅色，則為中文標點，改回來就行了）

3. 英文文獻翻譯(邊緣檢測方面)

The
Canny
edge
detection
algorithm
is
known
to
many
as
the
optimal
edge
detector.Canny邊緣檢測演算法對很多人來說是眾所周知的最佳邊緣檢測工具。
Canny's
intentions
were
to
enhance
the
many
edge
detectors
already
out
at
the
time
he
started
his
work.Canny的意圖是提高很多在他開始自己的研究時就已過時的邊緣檢測工具。He
was
very
successful
in
achieving
his
goal
and
his
ideas
and
methods
can
be
found
in
his
paper,
"A
Computational
Approach
to
Edge
Detection".
他在實現自己的目標時非常成功，他的概念和方法可以在本文中看到。In
his
paper,
he
followed
a
list
of
criteria
to
improve
current
methods
of
edge
detection.
在本文中，他遵循了一系列的准則來改進邊緣檢測的現有方法。The
first
and
most
obvious
is
low
error
rate.首先而最明顯的是低的差錯率(誤碼率)。
It
is
important
that
edges
occuring
in
images
should
not
be
missed
and
that
there
be
NO
responses
to
non-edges.
以下兩點很重要，即發生在圖像中的邊緣不應被錯過，以及對非邊緣「沒有」響應。The
second
criterion
is
that
the
edge
points
be
well
localized.這第二條准則是，邊緣點被很好定位。
In
other
words,
the
distance
between
the
edge
pixels
as
found
by
the
detector
and
the
actual
edge
is
to
be
at
a
minimum.換句話說，由檢測器發現的邊緣像素和實際邊緣之間的距離要處於最小值。
A
third
criterion
is
to
have
only
one
response
to
a
single
edge.第三個准則是對單一的邊緣只有一個響應。
This
was
implemented
because
the
first
2
were
not
substantial
enough
to
completely
eliminate
the
possibility
of
multiple
responses
to
an
edge.這一條得到了實施，因為前兩條對完全消除一個邊緣可能出現多次響應方面還不夠充分。

4. 圖像分割和圖像邊緣檢測 到底是什麼區別呢

這個還是比較好區分的。首先說邊緣檢測，邊緣檢測是通過圖像的梯度變化將圖像中梯度變化明顯的地方檢測出來，針對的是邊緣信息。圖像分割是將目標分割出來，針對的是目標對象，邊緣檢測是空間域圖像分割的一種方法，屬於包含關系

5. 邊緣檢測運算元有哪些它們各有什麼優缺點

邊緣檢測運算元一階的有Roberts Cross運算元，Prewitt運算元，Sobel運算元，Canny運算元， Krisch運算元，羅盤運算元；而二階的還有Marr-Hildreth，在梯度方向的二階導數過零點。

Roberts運算元
一種利用局部差分運算元尋找邊緣的運算元，分別為4領域的坐標，且是具有整數像素坐標的輸人圖像;其中的平方根運算使得該處理類似於人類視覺系統中發生的過程。

Sobel運算元
一種一階微分運算元，它利用像素鄰近區域的梯度值來計算1個像素的梯度，然後根據一定的絕對值來取捨。

Prewitt運算元
Prewitt運算元是3*3運算元模板。2個卷積核dx ,不要形成了Prewitt運算元。與Sobel運算元的方法一樣，圖像中的每個點都用這2個核進行卷積，取最大值作為輸出值。

各個運算元的優缺點：

Robert運算元定位比較精確，但由於不包括平滑，所以對於雜訊比較敏感。
Prewitt運算元和Sobel運算元都是一階的微分運算元，而前者是平均濾波，後者是加權平均濾波且檢測的圖像邊緣可能大於2個像素。這兩者對灰度漸變低雜訊的圖像有較好的檢測效果，但是對於混合多復雜雜訊的圖像，處理效果就不理想了。
LOG濾波器方法通過檢測二階導數過零點來判斷邊緣點。LOG濾波器中的a正比於低通濾波器的寬度，a越大，平滑作用越顯著，去除雜訊越好，但圖像的細節也損失越大，邊緣精度也就越低。所以在邊緣定位精度和消除雜訊級間存在著矛盾，應該根據具體問題對雜訊水平和邊緣點定位精度要求適當選取。

6. 邊緣檢測的邊緣檢測運算元

一階:：Roberts Cross運算元，Prewitt運算元，Sobel運算元， Kirsch運算元，羅盤運算元；
二階： Marr-Hildreth，在梯度方向的二階導數過零點，Canny運算元，Laplacian運算元。
Canny運算元（或者這個運算元的變體）是最常用的邊緣檢測方法。 在 Canny 創造性的工作中，他研究了設計一個用於邊緣檢測最優預平滑濾波器中的問題，後來他說明這個濾波器能夠很好地被一階高斯導數核優化。另外 Canny 引入了非最大抑制概念，它是說邊緣定義為在梯度方向具有最大梯度值的點。
在一個離散矩陣中，非最大抑制階梯能夠通過一種方法來實現，首先預測一階導數方向、然後把它近似到45度的倍數、最後在預測的梯度方向比較梯度幅度。
一個獲得亞點精度邊緣的改進實現是通過檢測梯度方向上二階方向梯度的過零點來實現的:
它在梯度方向的三階方向梯度滿足符號條件
其中 Lx, Ly ... Lyyy 表示從使用高斯核平滑原始圖像得到的尺度空間表示 L 計算出的偏微分。
按照這種方法，能夠自動得到亞點精度的連續曲線邊緣。滯後門檻也可以用在這些差分邊緣片斷。
羅盤運算元是斯坦福大學的Ruzon在1999年提出的一個新的運算元，據實驗以及報道，性能超過Canny運算元。

7. canny邊緣檢測演算法 濾波用什麼方法好

Canny 的目標是找到一個最優的邊緣檢測演算法，最優邊緣檢測的含義是：
(1)最優檢測：演算法能夠盡可能多地標識出圖像中的實際邊緣，漏檢真實邊緣的概率和誤檢非邊緣的概率都盡可能小；
(2)最優定位準則：檢測到的邊緣點的位置距離實際邊緣點的位置最近，或者是由於雜訊影響引起檢測出的邊緣偏離物體的真實邊緣的程度最小；
(3)檢測點與邊緣點一一對應：運算元檢測的邊緣點與實際邊緣點應該是一一對應。
為了滿足這些要求 Canny 使用了變分法，這是一種尋找滿足特定功能的函數的方法。最優檢測使用四個指數函數項表示，但是它非常近似於高斯函數的一階導數。

8. 圖像邊緣檢測有哪幾種方法

sobel運算元應該是算比較簡單的，canny也算是比較常用的 ,pca我見過一般都是人臉的檢測，別的地方用的，還真不多吧，可能我水平還是有限，我剛搜了一下就有一篇文章是是關於PCA用於圖像邊緣的檢測，日本琉球大學的，已經發給你了。PCA的主要作用就是對多角度的測量數據進行觀察，去掉無用的數據，只保留主元，減小計算量，最合適的地方就是人臉識別，人臉肯定是有扭動的角度的。csdn上不少pca代碼。
邊緣檢測還是常規點好，那些sobel，roberts,canny等等多麼強大好用，為啥必須用pca啊？有篇文章 關於pca來做圖像特徵的，可能有包含邊緣的部分，自己找著下載看吧,在SPRINGER上 .

9. 邊緣檢測的函數是什麼

右鍵方法名 --轉到定義如果沒有這個方法，那麼就是 Gmap.Manager中尚未定義GetRouteBetweenPoints方法。如果這個Gmap.Manager類有代碼可循，那麼補充這個方法代碼。如果Gmap.Manager這個類是第三方的一個DLL引用，無法編輯。那麼這個調用就是錯誤的。

10. 圖像邊緣檢測後怎麼可以對圖像進一步處理使邊緣成聯通的曲線

其實, 最重要的不是進一步怎麼樣, 而是需要首先做一下預處理, 不要直接就邊緣檢測, 直接邊緣檢測效果往往不好, 如果直接邊緣檢測, 很多原始信息在雜訊的影響下就丟失了, 丟失掉的東西, 你想補上去是不容易的. 所以我建議你, 首先, 做一下圖像增強, 然後再做邊緣檢測, 邊緣檢測的時候 試驗幾種不同的運算元, 比如sobel, canny等等, 選一種效果好的, 不同的運算元對不同的圖像檢測的效果也不同. 然後再處理非連通區域, 處理的時候可以用形態學方法, 比如膨脹,或者 霍夫變換也可以.
另外, 如果你的目的就是統計細胞的個數, 不一定非要用邊緣檢測, 可以試試直接應用形態學方法