main.rar_canny改进_log_robot算子_robot边缘_sobellogcanny

共11个文件

m：8个

asv：2个

bmp：1个

版权申诉

123 浏览量 2022-07-14 01:10:30 上传评论收藏 54KB RAR 举报

边缘检测是计算机视觉和图像处理中的关键步骤，用于识别图像中的边界，这些边界通常对应于物体的轮廓。本文将深入探讨几种常用的边缘检测算子，包括Sobel、Prewitt、Robot、LOG（Laplacian of Gaussian）以及Canny算子，并介绍一个程序，该程序使用这些算子对图像进行边缘检测。 Sobel算子是一种基于梯度的边缘检测方法，它通过计算图像在水平和垂直方向上的梯度来寻找边缘。Sobel算子由两个3x3的差分模板组成，分别用于估计水平和垂直方向的梯度，然后通过结合这两个梯度值来确定边缘位置和方向。 Prewitt算子与Sobel类似，也是基于梯度的算子，但它的权重分配更简单，对噪声的敏感性相对较低。Prewitt算子同样有水平和垂直两个模板，用于计算梯度。 Robot算子是另一种边缘检测算子，它结合了Prewitt和Sobel算子的优点，尝试在保持噪声抑制能力的同时提高边缘检测的精度。Robot算子的构造可能略有不同，但其目标是更好地估计图像的局部梯度信息。 LOG算子，即Laplacian of Gaussian，它是高斯滤波器和拉普拉斯算子的组合。图像会通过一个高斯滤波器以平滑噪声，然后应用拉普拉斯算子来检测边缘。这种方法能较好地处理噪声，同时避免过早地检测到噪声点为边缘。 Canny算子是最著名的边缘检测算法之一，由John F. Canny在1986年提出。Canny算子包含多个步骤：高斯滤波以去除噪声，计算梯度幅度和方向，非极大值抑制以消除虚假边缘，以及双阈值检测以确定最终的边缘。这种方法旨在提供最优的边缘检测结果，具有较高的精度和最低的假响应率。在提供的"main.rar"压缩包中，包含了一个名为"main"的程序，该程序实现了上述五种边缘检测算子的功能。用户可以运行这个程序，观察每种算子对同一图像的边缘检测效果，比较它们在边缘定位、噪声抑制和边缘连续性方面的表现。这种比较有助于理解不同算子的优缺点，并在实际应用中选择最适合的方法。总结来说，边缘检测是图像处理中的基础操作，Sobel、Prewitt、Robot、LOG和Canny算子各有特点。在具体应用时，需要根据图像质量、噪声水平以及对边缘定义的需求来选择合适的算子。"main"程序提供了实践这些算子的平台，通过对比实验，可以帮助我们更好地理解和运用这些边缘检测技术。

资源推荐

资源详情

资源评论

收起资源包目录

main.rar （11个子文件）

1.1.1

main.m 2KB

main.asv 2KB

Prewitt.m 1KB

1.asv 2KB

1.m 2KB

LENA256.bmp 65KB

EdgeDetect.m 1KB

edgeFunc.m 2KB

sobel.m 1KB

marr.m 2KB

canny.m 4KB

%************************************************************************** % % 这个函数是计算canny算子的边缘检测图像的，参数是输入图像和输出图像的矩阵 %经过运算后，输出的是输入图像的边缘检测图像。这个算法的主要思想是首先用高斯 %滤波器平滑图像，然后用一阶偏导的有限差分来计算梯度的幅值和方向，接着对梯度 %幅值进行非极大值抑制，最后用双阈值算法来检测和连接边缘。 % %************************************************************************** function edgeimage = canny(image,EdgeImage) edgeimage = EdgeImage; [xlen ylen] = size(image); bmparr = image; %要进行一阶差分，就要进行图像与模板的卷积运算，先构造高斯函数 sigma=1; var=1:30; dt=max(find(exp(-(var.*var)/(2*sigma*sigma))>0.0001)); if(isempty(dt)) dt=1; end %高斯平滑函数 m=2*dt+1; tmp=(-dt:dt); gau=exp(-(tmp.*tmp)/(2*sigma*sigma))/(2*pi*sigma*sigma); %一阶有限差分模板 [fx,fy]=meshgrid(-dt:dt,-dt:dt); h1=-fx.*exp(-(fx.*fx+fy.*fy)/(2*sigma*sigma))/(pi*sigma*sigma); h2=h1'; %fbmparr是存放平滑后的图像 fbmparr=zeros(xlen,ylen); dx=zeros(xlen,ylen); dy=zeros(xlen,ylen); dxy=zeros(xlen,ylen); bmps=repmat(false,xlen,ylen); %用高斯函数平滑图像 for i=1:xlen for j=1:ylen for k=1:m for l=1:m xp=i-k+1+dt; yp=j-l+1+dt; if(xp<1) xp=1; elseif(xp>xlen) xp=xlen; end if(yp<1) yp=1; elseif(yp>ylen) yp=ylen; end fbmparr(i,j)=fbmparr(i,j)+gau(k)*gau(l)*bmparr(xp,yp); end end end end %做一阶差分 for i=1:xlen for j=1:ylen for k=1:m for l=1:m xp=i-k+1+dt; yp=j-l+1+dt; if(xp<1) xp=1; elseif(xp>xlen) xp=xlen; end if(yp<1) yp=1; elseif(yp>ylen) yp=ylen; end dx(i,j)=dx(i,j)+h1(k,l)*fbmparr(xp,yp); dy(i,j)=dy(i,j)+h2(k,l)*fbmparr(xp,yp); end end end end dxy=sqrt(dx.*dx+dy.*dy); dmx=max(dxy(:)); if(dmx>0) dxy=dxy/dmx; end [cts,x]=imhist(dxy,64); hth=min(find(cumsum(cts)>.7*xlen*ylen))/64; lth=.4*hth; r=[]; c=[]; for i=2:xlen-1 for j=2:ylen-1 if(((dy(i,j)<=0)&&(dx(i,j)>-dy(i,j)))||((dy(i,j)>=0)&&(dx(i,j)<-dy(i,j)))) delta=abs(dy(i,j)/dx(i,j)); grad1=dxy(i,j+1)*(1-delta)+dxy(i-1,j+1)*delta; grad2=dxy(i,j-1)*(1-delta)+dxy(i+1,j-1)*delta; elseif(((dx(i,j)>0)&&(dx(i,j)<=-dy(i,j)))||((dx(i,j)<0)&&(dx(i,j)>=-dy(i,j)))) delta=abs(dx(i,j)/dy(i,j)); grad1=dxy(i-1,j)*(1-delta)+dxy(i-1,j+1)*delta; grad2=dxy(i+1,j)*(1-delta)+dxy(i+1,j-1)*delta; elseif(((dx(i,j)<=0)&&(dx(i,j)>dy(i,j)))||((dx(i,j)>=0)&&(dx(i,j)<dy(i,j)))) delta=abs(dx(i,j)/dy(i,j)); grad1=dxy(i-1,j)*(1-delta)+dxy(i-1,j-1)*delta; grad2=dxy(i+1,j)*(1-delta)+dxy(i+1,j+1)*delta; elseif(((dy(i,j)<0)&&(dx(i,j)<=dy(i,j)))||((dy(i,j)>0)&&(dx(i,j)>=dy(i,j)))) delta=abs(dy(i,j)/dx(i,j)); grad1=dxy(i,j-1)*(1-delta)+dxy(i-1,j-1)*delta; grad2=dxy(i,j+1)*(1-delta)+dxy(i+1,j+1)*delta; end if((dxy(i,j)>=grad1)&&(dxy(i,j)>=grad2)) if(dxy(i,j)>=hth) bmps(i,j)=1; r=[r;i]; c=[c;j]; elseif(dxy(i,j)>=lth) bmps(i,j)=1; end end end end bmps=bwselect(bmps,c,r,8); workarr=double(bmps); workarr=mat2gray(workarr); edgeimage = workarr;

评论收藏

内容反馈

版权申诉