1.圖像的一階邊緣檢測(cè)

?圖像的邊緣檢測(cè)，是圖像分割的重要依據(jù)，一般圖像的邊緣可分為階梯狀，脈沖狀，屋頂狀

一階微分算子主要是依據(jù)圖像梯度在邊緣取得最大值。

數(shù)據(jù)模板

a0	a1	a2
a3	a4	a5
a6	a7	a8

?

mx=(a2+C*a5+a8)-(a0+C*a3+a6)

my=(a6+C*a7+a8)-(a0+C*C1+a2)

當(dāng)C=1時(shí)，就是Prewitt算子，當(dāng)C=2時(shí)，就是Sobel算子

2.圖像二階微分算子檢測(cè)邊緣

邊緣處會(huì)出現(xiàn)二階微分為零值點(diǎn)

0	1	0
1	-4	1
0	?1	0

接下來(lái)主要是講高斯拉普拉斯算子（LOG)算法

?

?

?

function e=log_edge(a,sigma) %工能：實(shí)現(xiàn)log算子提取邊緣點(diǎn) %輸出：a-灰度圖像， sigma-濾波器參數(shù) %輸出 e--邊緣圖像 %產(chǎn)生同樣大小的邊緣圖像e 初始化為0 [m,n]=size(a); e=repmat(logical(uint8(0)),m,n); rr=2:m-1; cc=2:n-1; %選擇點(diǎn)數(shù)為奇數(shù)的濾波器尺寸，fsize>6*sigma fsize=ceil(sigma*3)*2+1; %產(chǎn)生log濾波器 op=fspecial('log',fsize,sigma); %將濾波器的均值變?yōu)? op=op-sum(op(:))/numel(op); %利用Log算子對(duì)圖像濾波 b=filter2(op,a); %設(shè)置過(guò)零檢測(cè)的門(mén)限 %尋找濾波后的過(guò)零點(diǎn)，選擇邊緣點(diǎn)為負(fù)值的點(diǎn) thresh=.75*mean2(abs(b(rr,cc))); %[+ 0 - ]從左向右 [rx,cx]=find(b(rr,cc)<0&b(rr,cc+1)>0&abs(b(rr,cc)-b(rr,cc+1))>thresh); e((rx+1)+cx*m)=1; %[- 0 +]從右到左 [rx,cx]=find(b(rr,cc-1)>0&b(rr,cc)<0&abs(b(rr,cc-1)-b(rr,cc))>thresh); e((rx+1+cx*m))=1; %[- 0 +]' 從上到下 [rx,cx]=find(b(rr,cc)<0&b(rr+1,cc)>0&abs(b(rr,cc)-b(rr+1,cc))>thresh); e((rx+1)+cx*m)=1; %[+ 0 -]' 從下到上 [rx,cx]=find(b(rr-1,cc)>0&b(rr,cc)<0&abs(b(rr-1,cc)-b(rr,cc))>thresh); e((rx+1)+cx*m)=1; %尋找濾波后的過(guò)零點(diǎn)，邊緣剛好在濾波值為零點(diǎn)上 [rz,cz]=find(b(rr,cc)==0); if ~isempty(rz) %零點(diǎn)的線(xiàn)性坐標(biāo) zero=(rz+1)+cz*m; % zz=b(zero-1)<0 & b(zero+1)>0 & abs(b(zero-1)-b(zero+1))>2*thresh; e(zero(zz))=1; % zz=b(zero-1)>0 & b(zero+1)<0 & abs(b(zero-1)-b(zero+1))>2*thresh; e(zero(zz))=1; % zz=b(zero-m)<0 & b(zero+m)>0 & abs(b(zero-m)-b(zero+m))>2*thresh; e(zero(zz))=1; % zz=b(zero-m)>0 & b(zero+m)<0 & abs(b(zero-m)-b(zero+m))>2*thresh; e(zero(zz))=1; end

?

參考《MAtlab數(shù)字圖像處理詳解》作者：趙小川

總結(jié)

以上是生活随笔為你收集整理的数字图像matlab边缘检测（一）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。