边缘检测方法应用于哪里

⑴ 边缘检测算子sobel prewitt在图像处理中的应用

% -------------------------Sobel算子-------------------------
I=I3;
[m,n]=size(I);
G_sh=zeros(m,n); % 水平方向的边缘
G_sv=zeros(m,n); % 垂直方向的边缘
G_s=zeros(m,n); % 不考虑方向的边缘
t=input('请输入Sobel算子的域值：') % I的域值
g1=zeros(m,n);g2=zeros(m,n);
for i=2:m-1
for j=2:n-1
g1(i,j)=I(i-1,j+1)+2*I(i,j+1)+I(i+1,j+1)-1*I(i-1,j-1)-2*I(i,j-1)-I(i+1,j-1);
g2(i,j)=I(i-1,j-1)+2*I(i-1,j)+I(i-1,j+1)-I(i+1,j-1)-2*I(i+1,j)-I(i+1,j+1);
end
end
g=abs(g1)+abs(g2);
for i=1:m
for j=1:n
if g1(i,j)>t
G_sv(i,j)=1;
end
if g2(i,j)>t
G_sh(i,j)=1;
end
if g(i,j)>t
G_s(i,j)=1;
end
end
end
figure,imshow(G_sv),title(strcat('垂直方向边缘 t=',num2str(t)))
figure,imshow(G_sh),title(strcat('水平方向边缘 t=',num2str(t)))
figure,imshow(G_s),title(strcat('不考虑方向边缘 t=',num2str(t)))

prewitt算子就把上面g1,g2的公式里的2换成1就是了

⑵ 为什么要研究边缘检测算子和canny算子它们到底应用在哪些方面毕设要用啊！

主要应用在图像处理中的边缘检测，可参考资料：
Canny边缘检测算子研究及其在医学图像中的应用 http://www.doc88.com/p-665134146431.html

Canny边缘检测算子 http://wenku..com/view/a2e8f50c6c85ec3a87c2c5de.html

图象处理中的边缘检测方法——Canny算子 http://blog.sina.com.cn/s/blog_5ac887ad0100f41i.html

⑶ 图像分割和图像边缘检测 到底是什么区别呢

图像分割是指将特定的影像分割成区域内部属性一致而区域间不一致的技术。一般图像分割方法分为基于阈值的方法，基于边缘的方法，基于区域的方法和基于特定理论的方法，基于边缘的方法就是首先进行边缘提取，认为边缘内的区域就是同一属性的，然后进行边缘连接把边缘闭合起来形成区域。因此可以说边缘处理只是图像分割的一种。

⑷ 边缘检测的理论依据是什么有哪些方法各有什么特点

就是通过一些临近像素相关算法突出灰度变化比较大的部分。变化平缓的取值低，变化越剧烈取值越高。比如有卷积算法，具体计算方法，有拉普拉斯算子、高斯算子等的应用。

⑸ photoshop边缘检测如何使用

用“调整边缘”命令狠简单方便，我粘贴一下昨天刚回答的内容：

调整边缘主要用来抠毛发。
将要抠部分用选区选个大概（追求快速的话，可以用快速选择工具）
然后进入调整边缘（快捷键ctrl+alt+R），做出一个叫“半径”的区域，告诉系统这个区域是毛发，让系统在其中自动区分，保留毛发去除背景。

至于怎么做出半径区域呢？就是用左边的“调整半径工具”当画笔去画出半径区域。（右键单击图标可以选择变成橡皮擦，去擦半径）。

勾选“显示半径”可以观察你涂抹出的半径区域，可以在不勾选的情况下涂抹出个大致，再勾选上仔细休整半径区域。
“白底视图”（快捷键w）和“黑底视图”（快捷键B）可以用来观察效果。
不停按x键用来切换抠前和抠后效果，对比观察。
-------------------------------------------------------------------------------
基本上就这些，至于“边缘检测”里的半径，你勾选“显示半径”就能看到是自动扩出等距离的“半径区域”，一般不用这个命令，原因是自己手动涂抹半径区域更准确，并且边缘清晰的地方也变成半径区域的话，反而会变模糊。

至于下面的“平滑”等选项，它们的效果看名字就能看出来吧。不过我一般不用它们，至少抠毛发时一般不用，抠毛发时用诸如“对比度”等一般适得其反。

“净化颜色”，一般你感觉还是残留一些背景色时，可以勾上

⑹ 边缘检测的简介

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。

⑺ 边缘检测的检测边缘

如果将边缘认为是一定数量点亮度发生变化的地方，那么边缘检测大体上就是计算这个亮度变化的导数。为简化起见，我们可以先在一维空间分析边缘检测。在这个例子中，我们的数据是一行不同点亮度的数据。例如，在下面的1维数据中我们可以直观地说在第4与第5个点之间有一个边界：
除非场景中的物体非常简单并且照明条件得到了很好的控制，否则确定一个用来判断两个相邻点之间有多大的亮度变化才算是有边界的阈值，并不是一件容易的事。实际上，这也是为什么边缘检测不是一个微不足道问题的原因之一。
检测方法
有许多用于边缘检测的方法, 他们大致可分为两类：基于搜索和基于零交叉。
基于搜索的边缘检测方法首先计算边缘强度， 通常用一阶导数表示， 例如梯度模，然后，用计算估计边缘的局部方向， 通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘。 通常用拉普拉斯算子或非线性微分方程的零交叉点。
滤波做为边缘检测的预处理通常是必要的，通常采用高斯滤波。
已发表的边缘检测方法应用计算边界强度的度量，这与平滑滤波有本质的不同。 正如许多边缘检测方法依赖于图像梯度的计算，他们用不同种类的滤波器来估计x-方向和y-方向的梯度。
计算一阶导数
许多边缘检测操作都是基于亮度的一阶导数——这样就得到了原始数据亮度的梯度。使用这个信息我们能够在图像的亮度梯度中搜寻峰值。如果 I(x) 表示点 x 的亮度，I′(x) 表示点 x 的一阶导数（亮度梯度），这样我们就会发现：
对于更高性能的图像处理来说，一阶导数能够通过带有掩码的原始数据（1维）卷积计算得到。

计算二阶导数
其它一些边缘检测操作是基于亮度的二阶导数。这实质上是亮度梯度的变化率。在理想的连续变化情况下，在二阶导数中检测过零点将得到梯度中的局部最大值。另一方面，二阶导数中的峰值检测是边线检测，只要图像操作使用一个合适的尺度表示。如上所述，边线是双重边缘，这样我们就可以在边线的一边看到一个亮度梯度，而在另一边看到相反的梯度。这样如果图像中有边线出现的话我们就能在亮度梯度上看到非常大的变化。为了找到这些边线，我们可以在图像亮度的二阶导数中寻找过零点。如果 I(x) 表示点 x 的亮度，I′′(x) 表示点 x 亮度的二阶导数，那么：
同样许多算法也使用卷积掩码快速处理图像数据：

步骤：
①滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折中。
②增强:增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显着变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。
③检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。
④定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。
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。我们将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。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的的。