常用邊緣檢測(cè)算法的對(duì)比分析復(fù)習(xí)課程

1、數(shù)字圖像處理作業(yè)班級(jí)：1050221姓名：李博學(xué)號(hào)：0 3常用邊緣檢測(cè)算法分析與比較研究摘要： 隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，其在各行各業(yè)得到了廣泛的應(yīng)用。而邊緣 提取技術(shù)是計(jì)算機(jī)視覺技術(shù)的一個(gè)基本的核心的技術(shù)， 因?yàn)檫吘壈鴪D像的重 要信息，邊緣提取的效果在一定程度上也影響著后面進(jìn)一步處理的精度和性能。 本文分析和比較了一些經(jīng)典的邊緣及愛你側(cè)算子， 然后對(duì)其中的不足和缺陷， 提 出了一種改進(jìn) Canny 的算法，實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法并使得邊緣提取的效果 在一定程度上得到了改善。1 概述1.1 . 研究的目的和意義 數(shù)字圖像處理技術(shù)的迅猛發(fā)展，其應(yīng)用前景得到了不可限量的擴(kuò)展，如今各 行各業(yè)

2、都在積極發(fā)展與圖像相關(guān)的技術(shù)。 其應(yīng)用逐漸凸顯其魅力， 其應(yīng)用如醫(yī)學(xué) 影像、航天航空、無人駕駛、自動(dòng)導(dǎo)航、工業(yè)控制、導(dǎo)彈制導(dǎo)、文化藝術(shù)等。邊 緣檢測(cè)技術(shù)在圖像處理和計(jì)算機(jī)視覺等領(lǐng)域騎著重要的作用， 是圖像分析、 模式 識(shí)別、目標(biāo)檢測(cè)與分割等的前期處理。 前期邊緣檢測(cè)的好壞， 直接影響后期更高 級(jí)處理的精度。自從1986年John Canny提出了最優(yōu)邊緣檢測(cè)算子的三條準(zhǔn)則并 推導(dǎo)出了一個(gè)近似實(shí)現(xiàn)。 但是在實(shí)際中， 真正實(shí)現(xiàn)這一目標(biāo)尚有較大的難度。 這 是因?yàn)椋海?）實(shí)際圖像一般都含有噪聲，并且噪聲的分布信息業(yè)是未知的，同時(shí) 噪聲和邊緣都屬于高頻信息， 在進(jìn)行濾波的同時(shí)， 雖然能夠在一定程度上抑

3、制噪 聲，卻也丟失了邊緣信息。 （2）由于場(chǎng)景、光照條件的邊緣等原因，同一場(chǎng)景在 不同光照條件下得到的邊緣可能也是不同的， 設(shè)置的閾值也可能是不同的。 針對(duì) 這些問題，如何進(jìn)行改進(jìn)，并得到一種較理想的邊緣檢測(cè)算子是有必要的。1.2. 本文的框架結(jié)構(gòu)本論文的第一部分主要是介紹了本課題研究的目的和意義； 第二部分主要是 對(duì)邊緣檢測(cè)進(jìn)行概述，并對(duì)經(jīng)典的邊緣檢測(cè)算子進(jìn)行了分析和比較； ；第三部分 進(jìn)行了實(shí)驗(yàn)對(duì)比和分析，得出結(jié)論。2. 邊緣檢測(cè)概述2.1 邊緣的定義首先介紹什么是邊緣。 在數(shù)字圖像中， 邊緣是指圖像局部變化最顯著的部分， 邊緣主要存在于目標(biāo)與目標(biāo)， 目標(biāo)與背景之間， 是圖像局部特性的不連

4、續(xù)性， 如 灰度的突變、紋理結(jié)構(gòu)的圖標(biāo)、 顏色的圖標(biāo)等。 盡管圖像的邊緣點(diǎn)產(chǎn)生的原因各 不相同，但他們都是圖形上灰度不連續(xù)或灰度幾句辯護(hù)的點(diǎn)， 圖像邊緣分為階躍 狀、斜坡狀和屋頂狀。2.2 邊緣檢測(cè)的基本方法 一般圖像邊緣檢測(cè)方法主要有如下四個(gè)步驟：1）圖像濾波 :傳統(tǒng)邊緣檢測(cè)算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但 導(dǎo)數(shù)的計(jì)算對(duì)噪聲很敏感， 因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。需要指出的是，大多數(shù)濾波器在降低噪聲的同時(shí)也造成了了邊緣強(qiáng)度的 損失，因此，在增強(qiáng)邊緣和降低噪聲之間需要一個(gè)折衷的選擇。2) 圖像增強(qiáng)：增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法 可以將

5、鄰域(或局部)強(qiáng)度值有顯著變化的點(diǎn)突顯出來。邊緣增強(qiáng)一般是通過計(jì)算 梯度的幅值來完成的。3) 圖像檢測(cè)：在圖像中有許多點(diǎn)的梯度幅值比較大，而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是邊緣，所以應(yīng)該用某種方法來確定哪些點(diǎn)是邊緣點(diǎn)。 最簡(jiǎn)單的邊 緣檢測(cè)判斷依據(jù)是梯度幅值。4) 圖像定位：如果某一應(yīng)用場(chǎng)合要求確定邊緣位置，則邊緣的位置可在子像 素分辨率上來估計(jì)，邊緣的方位也可以被估計(jì)出來。近20多年來提出了許多邊緣檢測(cè)算子，在這里我們僅討論集中常見的邊緣 檢測(cè)算子。2.3常見邊緣檢測(cè)算子分析1) 差分邊緣檢測(cè)處理數(shù)字圖像的離散域時(shí)，可以用圖像的一階差分來代替圖像函數(shù)的導(dǎo)數(shù)。 定義二維離散圖像函數(shù)在 X軸方向的

6、一階差分為：f(i 1, j) f(i,j)( )丫軸方向上的一階差分定義為：f(i, j 1) f (i, j)()利用圖像灰度的一階導(dǎo)數(shù)算子在灰度值變化顯著的地方得到的極值來檢測(cè) 邊緣點(diǎn)。它在某一個(gè)點(diǎn)的值就代表了該點(diǎn)的邊緣強(qiáng)度值，可通過設(shè)置閾值來進(jìn)一步得到邊緣圖像。但用差分的方法進(jìn)行邊緣檢測(cè)必須使差分的方向和邊緣的方向 相垂直，這就需要對(duì)圖像的不同方向分別進(jìn)行差分運(yùn)算，增加了運(yùn)算量。一般可將邊緣分為水平邊緣、垂直邊緣和對(duì)角線邊緣：000010100110010010000000000圖1水平邊緣圖2垂直邊緣圖3對(duì)角線邊緣顯然，差分邊緣是最原始、最基礎(chǔ)的方法，這種算子具有方向性，并且由于計(jì)算

7、 不方便等原因，在現(xiàn)在已經(jīng)很少應(yīng)用了，但其思想還是很多其他算法的基礎(chǔ)。2) Reborts 算子Reboerts算子是一種利用局部差分來尋找邊緣的算子，Roberts梯度算子所采用的是對(duì)角方向相鄰兩像素值之差，算子形式如下：Gx f(i, j) f(i 1,j1)(Gy f(i 1, j) f (i,j 1)(234(2.3.5)|G(x,y)| G；Roberts梯度算子對(duì)應(yīng)的卷積模版為:Gx1001Gy0110）用以上兩個(gè)卷積算子與圖像運(yùn)算后，可求出圖像的梯度幅值G ( x,y)，然后選擇適當(dāng)?shù)拈撝祎 ，若G ( x,y)> t,則(i ,j)為邊緣點(diǎn)，否則，判斷(i ,j)為非邊緣

8、 點(diǎn)。由此得到一個(gè)二值圖像 g (i,j) ，即邊緣圖像。 Roberts 算子采用的是用對(duì) 角線方向上相鄰兩像素的差近似梯度幅值來檢測(cè)邊緣， 它的定位精度高， 對(duì)于水 平和垂直方向的邊緣， 檢測(cè)效果較好， 而對(duì)于有一定傾角的斜邊緣， 檢測(cè)效果則 不理想，存在著許多的漏檢。另外，在含噪聲的情況下， Roberts 算子不能有效 的抑制噪聲， 容易產(chǎn)生一些偽邊緣。 因此，該算子適合于對(duì)低噪聲且具有陡峭邊 緣的圖像提取邊緣。3)Sobel 算子Sobel算子在邊緣檢測(cè)算子擴(kuò)大了其模版，在邊緣檢測(cè)的同時(shí)盡量削弱了噪 聲。其模版大小為3X3,其將方向差分運(yùn)算與局部加權(quán)平均相結(jié)合來提取邊緣。 在求取圖像

9、梯度之前，先進(jìn)行加權(quán)平均，然后進(jìn)行未分，加強(qiáng)了對(duì)噪聲的一致。Sobel 算子所對(duì)應(yīng)的卷積模版為:1 0 1'1 2 1Gx 2 0 2Gy 0 0 0（）1 0 11 2 1圖像中的每個(gè)像素點(diǎn)和以上水平和垂直兩個(gè)卷積算子做卷積運(yùn)算后，再計(jì)算得到梯度幅值G ( x,y)，然后選取適當(dāng)?shù)拈撝祎 ，若G ( x,y)> t,貝U (i ,j)為邊緣 點(diǎn)，否則，判斷(i ,j)為非邊緣點(diǎn)。由此得到一個(gè)二值圖像 g (i,j)，即邊緣圖像。 Sobel 算子在空間上比較容易實(shí)現(xiàn)，不但產(chǎn)生較好的邊緣檢測(cè)效果，同時(shí)， 由于其引入了局部平均， 使其受噪聲的影響也較小。 若使用較大的鄰域， 抗噪性

10、 會(huì)更好，但也增加了計(jì)算量， 并且得到的邊緣比較粗。 在對(duì)精度要求不是很高的 場(chǎng)合下， Sobel 算子是一種較為常用的邊緣檢測(cè)算法。4) Prewitt 算子同 Sobel 算子相似， Prewitt 算子也是一種將方向的差分運(yùn)算和局部平均相 結(jié)合的方法，也是取水平和垂直兩個(gè)卷積核來分別對(duì)圖像中各個(gè)像素點(diǎn)做卷積運(yùn) 算，所不同的是， Sobel 算子是先做加權(quán)平均然后再微分， Prewitt 算子是先平均后求微分，其對(duì)應(yīng)的卷積模版為:1 0 1'111Gx 1 0 1Gy 000（）101111圖像中的每個(gè)像素點(diǎn)和以上水平和垂直兩個(gè)卷積算子做卷積運(yùn)算后， 再計(jì)算得到 梯度幅值G ( x

11、,y)，然后選取適當(dāng)?shù)拈撝祎 ，若G ( x,y)> t,貝U (i ,j)為邊緣 點(diǎn)，否則，判斷(i ,j)為非邊緣點(diǎn)。由此得到一個(gè)二值圖像 g (i,j)，即邊緣圖 像。在此基礎(chǔ)上，有人提出了改進(jìn)的 Prewitt 算子，將其擴(kuò)展到八個(gè)方向，依次用這些邊緣模板去檢測(cè)圖像， 與被檢測(cè)區(qū)域最為相似的樣板給出最大值。 用這個(gè) 最大值作為算子的輸出值 P i ,j, 這樣就可將邊緣像素檢測(cè)出來。八個(gè)方向的 Prewitt 算子模板及其所對(duì)應(yīng)的邊緣方向如下所示：1111111111211211 2 1111111111180 °方向225°方向270 °方向11

12、1'12 11 1 1315 °方向111'111'1 1 1'111'1211211 2 11211111111111110°方向45°方向90°方向135°方向Prewitt 算子通過對(duì)圖像上的每個(gè)像素點(diǎn)的八方向鄰域的灰度加權(quán)差之和來 進(jìn)行檢測(cè)邊緣， 對(duì)噪聲有一定抑制作用， 抗噪性較好， 但由于采用了局部灰度平 均，因此容易檢測(cè)出偽邊緣，并且邊緣定位精度較低。5) Kirsch 算子Kirsch算子是一種3X3的非線性方向算子。其基本思想是希望改進(jìn)取平均 值的過程，從而盡量使邊緣兩側(cè)的像素各自與自己同

13、類的像素取平均值， 然后再 求平均值之差，來減小由于取平均值所造成的邊緣細(xì)節(jié)丟失。通常采用八方向Kirsch 模板的方法進(jìn)行檢測(cè)，取其中最大的值作為邊緣強(qiáng)度，而將與之對(duì)應(yīng)的方向作為邊緣方向。常用的八方向Kirsch 模板如下所示：305355'5553333335 535 03333533333503503533553333333'303305555355實(shí)際的應(yīng)用中，通常都是利用簡(jiǎn)單的卷積核來計(jì)算方向差分的，不同的算子 對(duì)應(yīng)著不同的卷積核。 它們?cè)趫D像的像素點(diǎn)上所產(chǎn)生的兩個(gè)方向的偏導(dǎo)數(shù)用均方 值或者絕對(duì)值求和的形式來近似代替梯度幅值， 然后選取一個(gè)合適的閾值， 用所 得到的梯

14、度幅值和所設(shè)定的閾值進(jìn)行比較來判斷邊緣點(diǎn)。 若大于所取的閾值， 則 判斷為邊緣點(diǎn)；否則，判斷為非邊緣點(diǎn)。很顯然，在提取邊緣的過程中，閾值 的選取特別重要， 尤其在含噪圖像中， 閾值的選擇要折衷考慮噪聲造成的偽邊緣 和有效邊緣的丟失。6) Laplace 算子拉普拉斯算子是不依賴于邊緣方向的二階導(dǎo)數(shù)算子， 它是一個(gè)標(biāo)量而不是向用差分方程近似二階偏倒數(shù)的結(jié)果如下()(2310)量，具有旋轉(zhuǎn)不變即各向同性的性質(zhì)。若只關(guān)心邊緣點(diǎn)的位置而不需要了解一其 周圍的實(shí)際灰度差時(shí)，一般選擇該算子提取圖像的邊緣。Laplace算子的定義為:2 f牙 f(x,y 1)2f(x, y) f(x,y 1)x2 f-4

15、f(x 1，y) 2f(x, y) f(x 1,y) y將這兩個(gè)式子合并，可以得到近似 Laplace算子的模版:0102 f 141010當(dāng)Laplace算子輸出出現(xiàn)過零點(diǎn)時(shí)就表明有邊緣存在，其中忽略無意義的過 零點(diǎn)(均勻零區(qū))。原則上，過零點(diǎn)的位置精度可以通過線性內(nèi)插方法精確到子像 素分辨率。但是拉普拉斯算子在圖像邊緣檢測(cè)中并不常用。主要原因有：任何包含有二階導(dǎo)數(shù)的算子比只包含有一階導(dǎo)數(shù)的算子更易受噪聲的影響，一階導(dǎo)數(shù)很小的局部峰值也能導(dǎo)致二階導(dǎo)數(shù)過零點(diǎn)，所以Laplace算子對(duì)噪聲具有無法接受的敏感性；Laplace算子的幅值產(chǎn)生雙邊元，這是復(fù)雜的分割不希望有的結(jié)果;最后，Laplace

16、算子不能檢測(cè)邊緣的方向。為了避免噪聲的影響，必須采用特別 有效的濾波方法。所以，人們提出了改進(jìn)的功LOG算子。7) LOG算子(高斯拉普拉斯算子)LOG算子基本思想是：先在一定的范圍內(nèi)做平滑濾波，然后再利用差分算子 來檢測(cè)在相應(yīng)尺度上的邊緣。濾波器的選擇要考慮以下兩個(gè)因素： 其一是濾波器 在空間上要求平穩(wěn)，即要求空間位置誤差 x要?。黄涠瞧交瑸V波器本身要求是帶通濾波器，并且在有限的帶通內(nèi)是平穩(wěn)的，即要求頻域誤差要小。根據(jù)信號(hào)處理中的測(cè)不準(zhǔn)原理， x和是相互矛盾的，而達(dá)到測(cè)不準(zhǔn)下限的濾波器就是高斯濾波器。Marr和Hildreth提出的這種差分算子是各向同性 的拉普拉斯二階差分算子。該邊緣檢測(cè)

17、器的基本特征是：(1) 所用的平滑濾波器是高斯濾波器(2) 增強(qiáng)步驟采用的是二階導(dǎo)數(shù)(即二維拉普拉斯函數(shù))(3) 邊緣檢測(cè)的判據(jù)是二階導(dǎo)數(shù)過零點(diǎn)并且對(duì)應(yīng)一階導(dǎo)數(shù)的極大值該方法的特點(diǎn)是先用高斯濾波器與圖像進(jìn)行卷積，既平滑了圖像又降低了噪聲，使孤立的噪聲點(diǎn)和較小的結(jié)構(gòu)組織被濾除。 然而由于對(duì)圖像的平滑會(huì)導(dǎo)致邊 緣的延展，因此只考慮那些具有局部梯度極大值的點(diǎn)作為邊緣點(diǎn)，這可以用二階 導(dǎo)數(shù)的零交叉來實(shí)現(xiàn)。拉普拉斯函數(shù)可用作二維二階導(dǎo)數(shù)的近似，因?yàn)樗且环N 標(biāo)量算子。為了避免檢測(cè)出非顯著的邊緣，所以應(yīng)該選擇一階導(dǎo)數(shù)大于某一閾值 的零交叉點(diǎn)來作為邊緣點(diǎn)。實(shí)際應(yīng)用中，常用的 LOG算子的模版為：2-4-4-

18、4-24080-448248-44080-42-4-4-4-2說明，高斯平滑運(yùn)算不但可以濾除噪聲，還會(huì)導(dǎo)致圖像中的邊緣和其它尖銳 不連續(xù)部分模糊，而模糊程度取決于空間尺度因子C的大小。(T越大，高斯濾波對(duì)噪聲的濾除效果越好，但同時(shí)也會(huì)丟失重要的邊緣信息，影響到邊緣檢測(cè)器 的性能。如果C較小，又可能導(dǎo)致平滑作用不完全而留有較多的噪聲。因此在 實(shí)際應(yīng)用中，要根據(jù)情況選擇適當(dāng)?shù)?。8) Ca nny 算子1986年，Canny從邊緣檢測(cè)算子應(yīng)該滿足的三個(gè)準(zhǔn)則出發(fā)，推導(dǎo)出了最優(yōu)邊緣檢測(cè)算子Canny算子，該算子是目前理論上相對(duì)最完善的一種邊緣檢測(cè)算法。 Canny提出的評(píng)價(jià)邊緣檢測(cè)性能優(yōu)劣的三個(gè)準(zhǔn)則分

19、別是：(1) 好的信噪比準(zhǔn)則。即將非邊緣點(diǎn)判為邊緣點(diǎn)的概率要低，將邊緣點(diǎn)判為非 邊緣點(diǎn)的概率要低；(2) 好的定位性能準(zhǔn)則。即檢測(cè)出的邊緣點(diǎn)要盡可能在實(shí)際邊緣的中心；(3) 單邊緣響應(yīng)準(zhǔn)則。即單一邊緣具有唯一響應(yīng)，單一邊緣產(chǎn)生的多個(gè)響 應(yīng)的概率要低，并且對(duì)虛假邊緣的響應(yīng)應(yīng)得到最大抑制。利用Canny算子檢測(cè)邊緣的土體算法如下：(1) 用式所示的高斯函數(shù)h(r)對(duì)圖像進(jìn)行平滑濾波，去除圖像中的噪聲。(2) 在每一點(diǎn)計(jì)算出局部梯度和邊緣方向，可以利用Sobel算子、Roberts算子 等來計(jì)算。邊緣點(diǎn)定義為梯度方向上其強(qiáng)度局部最大的點(diǎn)。3) 對(duì)梯度進(jìn)行“非極大值抑制”。在第二步中確定的邊緣點(diǎn)會(huì)導(dǎo)致

20、梯度幅度圖 像中出現(xiàn)脊。然后用算法追蹤所有脊的頂部，并將所有不在脊的頂部的像素設(shè)為 零，以便在輸出中給出一條細(xì)線。4) 雙闡值化和邊緣連接。脊像素使用兩個(gè)閩值TI和竹做閡值處理，其中TI<T2. 值大于竹的脊像素稱為強(qiáng)邊緣像素，Tl和T2之間的脊像素稱為弱邊緣像素。由 于邊緣陣列孔是用高閩值得到的，因此它含有較少的假邊緣，但同時(shí)也損失了一 些有用的邊緣信息。而邊緣陣列 Tl的閩值較低，保留了較多信息。因此，可以以邊緣陣列幾為基礎(chǔ)，用邊緣陣列Tl進(jìn)行補(bǔ)充連接，最后得到邊緣圖像。Canny 算子也存在不足之處，(1)為了得到較好的邊緣檢測(cè)結(jié)果，它通常需要使用較大 的濾波尺度，這樣容易丟失一些

21、細(xì)節(jié)；(2) Canny算子的雙閾值要人為的選取， 不能夠自適應(yīng)。3.實(shí)驗(yàn)與結(jié)果分析實(shí)驗(yàn)在MATLAB R2007a平臺(tái)下進(jìn)行，實(shí)驗(yàn)的結(jié)果如下圖所示：圖2原始圖圖3 Roberts算子圖4 Sobel算子圖5 Prewitt算子圖6 Kirsch算子圖7 LOG 算子圖5Canny算子4代碼function kirsch= edgekirsch(gray,th)m, n=size(gray);%得到圖像的大小(長(zhǎng)和寬)temp=double(gray);kirsch=zeros(m,n);%定義一個(gè)大小為 S的零矩陣%利用Sobel算子進(jìn)行邊緣提取for i=2:m-1for j=2: n-1

22、di=(5*temp(i-1,j-1)+5*temp(i-1,j)+5*temp(i-1,j+1)-3*temp(i,j-1)-3*temp(i,j+1)-3*temp(i+1,j-1)-3* temp(i+1,j)-3*temp(i+1,j+1)A2; %Sobel算子的 dx(垂直梯度)d2=(-3)*temp(i-1,j-1)+5*temp(i-1,j)+5*temp(i-1,j+1)-3*temp(i,j-1)+5*temp(i,j+1)-3*temp(i+1,j-1) -3*temp(i+1,j)-3*temp(i+1,j+1)A2; %Sobel 算子的 dy(水平梯度)d3=(-

23、3)*temp(i-1,j-1)-3*temp(i-1,j)+5*temp(i-1,j+1)-3*temp(i,j-1)+5*temp(i,j+1)-3*temp(i+1,j-1)- 3*temp(i+1,j)+5*temp(i+1,j+1)A2;d4=(-3)*temp(i-1,j-1)-3*temp(i-1,j)-3*temp(i-1,j+1)-3*temp(i,j-1)+5*temp(i,j+1)-3*temp(i+1,j-1)+ 5*temp(i+1,j)+5*temp(i+1,j+1)A2;d5=(-3)*temp(i-1,j-1)-3*temp(i-1,j)-3*temp(i-1,

24、j+1)-3*temp(i,j-1)-3*temp(i,j+1)+5*temp(i+1,j-1)+ 5*temp(i+1,j)+5*temp(i+1,j+1)A2;d6=(-3)*temp(i-1,j-1)-3*temp(i-1,j)-3*temp(i-1,j+1)+5*temp(i,j-1)-3*temp(i,j+1)+5*temp(i+1,j-1) +5*temp(i+1,j)-3*temp(i+1,j+1)A2;d7=(5*temp(i-1,j-1)-3*temp(i-1,j)-3*temp(i-1,j+1)+5*temp(i,j-1)-3*temp(i,j+1)+5*temp(i+1,

25、j-1)-3* temp(i+1,j)-3*temp(i+1,j+1)A2;d8 =(5*temp(i-1,j-1)+5*temp(i-1,j)-3*temp(i-1,j+1)+5*temp(i,j-1)-3*temp(i,j+1)-3*temp(i+1,j-1)-3*temp(i+1,j)-3*temp(i+1,j+1)A2;tmp=d1;if d2>tmptmp=d2;else if d3>tmptmp=d3;else if d4>tmptmp=d4;else if d5>tmptmp=d5;else if d6>tmptmp=d6;else if d7>

26、;tmptmp=d7;else if d8>tmptmp=d8;endendendendendendendkirsch(i,j)=round(sqrt(tmp);% kirsch(i,j)=round(sqrt(d1+d2+d3+d4+d5+d6+d7+d8); % 梯度模取整endendfor i=1:mfor j=1:nif kirsch(i,j)>thkirsch(i,j)=255;%將梯度值與閾值比較，大于 T 則把圖像的灰度變?yōu)?255，小于 T 則把圖像的灰度變?yōu)?0elsekirsch(i,j)=0;endendendclose allclear;clc;robers

27、t 邊緣檢測(cè)器 sobel 邊緣檢測(cè)器 prewitt 邊緣檢測(cè)器 kirsch 邊緣檢測(cè)器 LOG 邊緣檢測(cè)器 canny 邊緣檢測(cè)器origin=imread('lena.jpg'); gray=rgb2gray(origin); roberts=edge(gray,'roberts'); sobel=edge(gray,'sobel'); prewitt=edge(gray,'prewitt'); kirsch=edgekirsch(gray,256); log=edge(gray,'log');canny=edge(gray,'can