边缘检测方法

‘壹’ 什么是边缘检测

两个具有不同灰度值的相邻区域之间总存在边缘，边缘是灰度值不连续的表现。由于边缘是图像上灰度变化最剧烈的地方，传统的边缘检测就是利用了这个特点，对图像各个像素点进行微分或求二阶微分来确定边缘像素点。

以下是一段函数是关于边缘检测的一些算法，希望对你有帮助。。

I=imread('D:10.jpg');%读取图像

I1=im2double(I);%将彩图序列变成双精度

I2=rgb2gray(I1);%将彩色图变成灰色图

[thr,sorh,keepapp]=ddencmp('den','wv',I2);

I3=wdencmp('gbl',I2,'sym4',2,thr,sorh,keepapp);%小波除噪

I4=medfilt2(I3,[99]);%中值滤波

I5=imresize(I4,0.8,'bicubic');%图像大小

BW1=edge(I5,'sobel');%sobel图像边缘提取

BW2=edge(I5,'roberts');%roberts图像边缘提取

BW3=edge(I5,'prewitt');%prewitt图像边缘提取

BW4=edge(I5,'log');%log图像边缘提取

BW5=edge(I5,'canny');%canny图像边缘提取

h=fspecial('gaussian',5);%高斯滤波

BW6=edge(I5,'zerocross',[],h);%zerocross图像边缘提取

figure;

subplot(1,3,1);%图划分为一行三幅图，第一幅图

imshow(I2);%绘图

title('原始图像');%标注

subplot(1,3,2);%第二幅图

imshow(I3);

title('消噪后图像');

subplot(1,3,3);%第三幅图

imshow(I4);

title('中值滤波图像');

figure;

subplot(1,3,1);

imshow(BW1);

title('Sobel算子');

subplot(1,3,2);

imshow(BW2);

title('Roberts算子');

subplot(1,3,3);

imshow(BW3);

title('Prewitt算子');

figure;

subplot(1,3,1);

imshow(BW4);

title('log算子');

subplot(1,3,2);

imshow(BW5);

title('Canny算子');

subplot(1,3,3);

imshow(BW6);

title('Zerocross');

‘贰’ 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。

‘叁’ 边缘检测算子有哪些它们各有什么优缺点

边缘检测算子一阶的有Roberts Cross算子，Prewitt算子，Sobel算子，Canny算子， Krisch算子，罗盘算子；而二阶的还有Marr-Hildreth，在梯度方向的二阶导数过零点。

Roberts算子
一种利用局部差分算子寻找边缘的算子，分别为4领域的坐标，且是具有整数像素坐标的输人图像;其中的平方根运算使得该处理类似于人类视觉系统中发生的过程。

Sobel算子
一种一阶微分算子，它利用像素邻近区域的梯度值来计算1个像素的梯度，然后根据一定的绝对值来取舍。

Prewitt算子
Prewitt算子是3*3算子模板。2个卷积核dx ,不要形成了Prewitt算子。与Sobel算子的方法一样，图像中的每个点都用这2个核进行卷积，取最大值作为输出值。

各个算子的优缺点：

Robert算子定位比较精确，但由于不包括平滑，所以对于噪声比较敏感。
Prewitt算子和Sobel算子都是一阶的微分算子，而前者是平均滤波，后者是加权平均滤波且检测的图像边缘可能大于2个像素。这两者对灰度渐变低噪声的图像有较好的检测效果，但是对于混合多复杂噪声的图像，处理效果就不理想了。
LOG滤波器方法通过检测二阶导数过零点来判断边缘点。LOG滤波器中的a正比于低通滤波器的宽度，a越大，平滑作用越显着，去除噪声越好，但图像的细节也损失越大，边缘精度也就越低。所以在边缘定位精度和消除噪声级间存在着矛盾，应该根据具体问题对噪声水平和边缘点定位精度要求适当选取。

‘肆’ 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。

‘伍’ 图像边缘检测有哪几种方法

sobel算子应该是算比较简单的，canny也算是比较常用的 ,pca我见过一般都是人脸的检测，别的地方用的，还真不多吧，可能我水平还是有限，我刚搜了一下就有一篇文章是是关于PCA用于图像边缘的检测，日本琉球大学的，已经发给你了。PCA的主要作用就是对多角度的测量数据进行观察，去掉无用的数据，只保留主元，减小计算量，最合适的地方就是人脸识别，人脸肯定是有扭动的角度的。csdn上不少pca代码。
边缘检测还是常规点好，那些sobel，roberts,canny等等多么强大好用，为啥必须用pca啊？有篇文章 关于pca来做图像特征的，可能有包含边缘的部分，自己找着下载看吧,在SPRINGER上 .

‘陆’ 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。

‘柒’ 边缘检测的函数是什么

右键方法名 --转到定义如果没有这个方法，那么就是 Gmap.Manager中尚未定义GetRouteBetweenPoints方法。如果这个Gmap.Manager类有代码可循，那么补充这个方法代码。如果Gmap.Manager这个类是第三方的一个DLL引用，无法编辑。那么这个调用就是错误的。

‘捌’ 图像分割和图像边缘检测 到底是什么区别呢

这个还是比较好区分的。首先说边缘检测，边缘检测是通过图像的梯度变化将图像中梯度变化明显的地方检测出来，针对的是边缘信息。图像分割是将目标分割出来，针对的是目标对象，边缘检测是空间域图像分割的一种方法，属于包含关系

‘玖’ 基于matlab边缘提取的几种方法的比较

I=imread('lena.bmp');% 提取图像
BW1=edge(I,'sobel'); %用SOBEL算子进行边缘检测
BW2=edge(I,'roberts');%用Roberts算子进行边缘检测
BW3=edge(I,'prewitt'); %用prewitt算子进行边缘检测
BW4=edge(I,'log'); %用log算子进行边缘检测
BW5=edge(I,'canny'); %用canny算子进行边缘检测
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’);%此为用高斯滤波后Canny算子边缘检测结果
（注意：代码中有一些标点是中文模式，若输入代码后标点显示红色，则为中文标点，改回来就行了）