几种常用边缘检测算法的比较

几种常用边缘检测算法的比较摘要:边缘是图像最基本的特征，边缘检测是图像分析与识别的重要环节。基于微分算子的边缘检测是目前较为常用的边缘检测方法。通过对 Roberts,Sobel,Prewitt,Canny 和 Log及一种改进 SobeI 等几个微分算子的算法分析以及 MATLAB 仿真实验对比，结果表明，Roberts，Sobel 和 Prewitt 算子的算法简单，但检测精度不高，Canny 和 Log 算子的算法复杂，但检测精度较高，基于 SobeI 的改进方法具有较好的可调性,可针对不同的图像得到较好的效果,但是边缘较粗糙。在应用中应根据实际情况选择不同的算子。0 引言边缘检测是图像分析与识别的第一步，边缘检测在计算机视觉、图像分析等应用中起着重要作用，图像的其他特征都是由边缘和区域这些基本特征推导出来的，边缘检测的效果会直接影响图像的分割和识别性能。边缘检测法的种类很多，如微分算子法、样板匹配法、小波检测法、神经网络法等等，每一类检测法又有不同的具体方法。目前，微分算子法中有 Roberts，Sobel，Prewitt，Canny，Laplacian，Log 以及二阶方向导数等算子检测法，本文仅将讨论微分算子法中的几个常用算子法及一个改进 SobeI 算法。1 边缘检测在图像中，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间。边缘表明一个特征区域的终结和另一特征区域的开始。边缘所分开区域的内部特征或属性是一致的，而不同的区域内部特征或属性是不同的。边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测，这些差异包括灰度、颜色或纹理特征，边缘检测实际上就是检测图像特征发生变化的位置。边缘的类型很多，常见的有以下三种:第一种是阶梯形边缘，其灰度从低跳跃到高;第二种是屋顶形边缘，其灰度从低逐渐到高然后慢慢减小;第三种是线性边缘，其灰度呈脉冲跳跃变化。如图 1 所示。(a)阶梯形边缘(b)屋顶形边缘(b)线性边缘图像中的边缘是由许多边缘元组成，边缘元可以看作是一个短的直线段，每一个边缘元都由一个位置和一个角度确定。边缘元对应着图像上灰度曲面 N 阶导数的不连续性。如果灰度曲面在一个点的 N 阶导数是一个 Delta 函数，那么就定义灰度曲面在这个点是 N 阶不连续，则线性边缘是 0 阶不连续，阶梯形边缘是一阶不连续，而屋顶形边缘是二阶不连续。在实际中，单纯的阶跃和线性边缘图像是很少见的，由于大多数传感元件具有低频特性，使得阶跃边缘变成斜坡形...