数字图像处理大作业
数字图像处理大作业
《数字图像处理》大作业2011本次作业的任务是进行图片分类实验，实验数据集由20个类别共2000张图片组成，其中1000张图片用于训练，另1000张图片用于测试（详情见附录A）。
图片分类程序的常见步骤【建议】图片分类程序可以分为以下5个步骤：(1)为训练图片提取底层特征，用特征向量表示训练图片；(2)利用训练图片的特征向量和类别标注数据训练分类器；(3)为测试图片提取底层特征，用特征向量表示测试图片；(4)使用训练好的分类器对测试图片的特征向量进行预测分类；(5)对预测分类的结果进行评测。
底层特征【要求】在本次大作业中，请大家查阅相关资料, 至少要用到以下特征：(1)边缘直方图(Edge Histogram)(2)灰度共生矩阵(Gray Level Co-occurrence Matrix)(3)SIFT (Scale-invariant feature transform)(4)除上述3种特征外, 请至少实现一种形状类特征(Hu不变矩, Hough变换等)和一种颜色类特征，如CCV (Color Coherence Vector)等。
【建议】不限制必做特征的具体做法, 可以尝试多种途径来提升该特征的效果(如对图片分块等)【建议】可以在对不同的底层特征进行融合的过程中，观察不同的底层特征之间的互补关系，并加以分析。
分类方法【要求】在本次大作业中，至少要用到以下分类器：(1)Libsvm：SVM是一种被广泛采用的分类方法，Libsvm是一个应用非常普遍的开源的SVM实现，当前的最新版本是2.88版本(下载地址);(2)除Libsvm外，自选另外至少一种分类方法。
【建议】可以根据数据本身的特点, 合理改进分类器(如改进SVM的核函数等)【建议】可以在实验过程中，观察不同的分类方法的效果优劣，并加以分析。
【建议】可以对多个分类器的分类结果进行融合, 提高最终的分类效果。
统一的预测分类结果文件格式为了便于进行图片分类结果的评测和比较，在实验的过程中请将图片分类结果输出为以下统一的格式：(1)每一行由3个数字组成，分别是图片(在整个图片集中)的序号、图片的真实(标注)类别、图片分类程序的预测类别；(2)由于共有1000张图片，该文件共有1000行。
《数字图像处理》大作业：车牌识别PPT共28页
31、别人笑我太疯癫，我笑他人看不 穿。(名 言网) 32、我不想听失意者的哭泣，抱怨者 的牢骚 ，这是 羊群中 的瘟疫 ，我不 能被它 传染。 我要尽 量避免 绝望， 辛勤耕 耘，忍 受苦楚 。我一 试再试 ，争取 每天的 成功， 避免以 失败收 常在别 人停滞 不前时 ，我继 续拼搏 。
33、如果惧怕前面跌宕的山岩，生命 就永远 只能是 死水一 潭。 34、当你眼泪忍不住要流出来的时候 ，睁大 眼睛， 千万别 眨眼!你会看到 世界由 清晰变 模糊的 全过程 ，心会 在你泪 水落下 的那一 刻变得 清澈明 晰。盐 。注定 要融化 的，也 许是用 眼泪的 方式。
35、不要以为自己成功一次就可以了 ，也不 要以为 过去的 光荣可 以被永 远肯定 。
56、书不仅是生活，而且是现在、过 去和未 来文化 生活的 源泉。 ——库 法耶夫 57、生命不可能有两次，但许多人连一 次也不 善于度 过。— —吕凯 特 58、问渠哪得清如许，为有源头活水来 。—— 朱熹 59、我的努力求学没有得到别的好处， 只不过 是愈来 愈发觉 自己的 无知。敢地 走到底 ，决不 回头。 ——左
数字图像处理大作业(DOC)
大作业指导书题目：数字图像处理院（系）：物联网工程学院专业: 计算机班级：计算机1401-1406指导老师：学号：姓名：设计时间： 2016-2017学年 1学期摘要 (3)一、简介 (3)二、斑点数据模型.参数估计与解释 (4)三、水平集框架 (5)1.能量泛函映射 (5)2.水平集传播模型 (6)3.随机评估方法 (7)四、实验结果 (8)五、总结 (11)基于水平集方法和G0模型的SAR图像分割Abstract（摘要）这篇文章提出了一种分割SAR图像的方法，探索利用SAR数据中的统计特性将图像分区域。
我们假设为SAR图像分割分配参数，并与水平集模型相结合。
分布属于G分布中的一种，处于数据建模的目的，它们已经成功的被用于振幅SAR图像中不同区域的建模。
这种统计数据模型是驱动能量泛函执行区域映射的基础，被引用到水平集传播数值方案中，将SAR 图像分为均匀、异构和极其异构区域。
此外，我们引入了一个基于随机距离和模型的评估过程，用于量化我们方法的鲁棒性和准确性。
实验结果表明，我们的算法对合成和真实SAR 数据都具有准确性。
+简介1、Induction（简介）合成孔径雷达系统是一种成像装置，采用相干照明比如激光和超声波，并会受到斑点噪声的影响。
在SAR图像处理过程中，返回的是斑点噪声和雷达切面建模在一起的结果。
这个积性模型（文献[1]）因包含大量的真实SAR数据，并且在获取过程中斑点噪声被建模为固有的一部分而被广泛应用。
因此，SAR图像应用区域边界和目标检测变得更加困难，可能需要斑点去除。
因此，斑点去除是必需的，有效的方法可以在文献[2][3][4][5][6][7][8][9][10]中找到。
对于SAR图像分割，水平集方法构成一类基于哈密顿-雅克比公式的重要算法。
水平集方法允许有效的分割标准公式，从文献[12]中讨论的传播函数项可以得到。
经典方法有着昂贵的计算成本，但现在的水平集的实现配置了有趣的低成本的替换。
数字图像处理matlab大作业
2.均衡化
程序
2.均衡化
程序
2.均衡化
Matlab 处理过程
2.均衡化
Matlab 处理效果
2.均衡化
Photoshop 处理效果
通过自定义滤镜处理
3.大家一起来找茬
程序
3.大家一起来找茬
Matlab 处理效果
3.大家一起来找茬
Matlab 处理效果
4.背景图片制作过程
程序
4.背景图片制作过程
从事汽车行业机械设计制造及相关工艺设计工作多年
几个图像处理实例
—— matlab & photoshop
姓名： 学号：
matlab & photoshop
Matlab： lab、 科学研究、 编程处理
Photoshop: shop、 艺术创作、 无须写代码
处理实例
1.羽化 2.均衡化 3.大家一起来找茬 4.背景图片制作过程
1.羽化
程序
1.羽化
程序
Matlab 处理效果
1.羽化
1.羽化
Photoshop 处理效果
2.均衡化
• 定义： 通过图像灰度直方图均衡化处理,使得图
像的灰度分布趋向均匀,图像所占有的像素 灰度间距拉开,加大了图像反差，改善视觉 效果,达到增强目的。
2.均衡化
程序
2.均衡化
程序
2.均过程图片
谢 谢！
数字图像处理实验报告maap数字图像处理大作业期末论文
数字图像处理数字图像处理是一门新兴技术，随着计算机硬件的发展，数字图像的实时处理已经成为可能，由于数字图像处理的各种算法的出现，使得其处理速度越来越快，能更好的为人们服务。
数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。
数字图像处理技术已经在各个领域上都有了比较广泛的应用。
图像处理的信息量很大，对处理速度的要求也比较高。
MATLAB强大的运算和图形展示功能，使图像处理变得更加的简单和直观。
本文介绍了MATLAB 语言的特点,基于MATLAB的数字图像处理环境，介绍了如何利用MATLAB及其图像处理工具箱进行数字图像处理，并通过一些例子来说明利用MATLAB图像处理工具箱进行图像处理的方法。
主要论述了利用MATLAB实现图像增强、二值图像分析等图像处理。
1.1 课题研究目的及意义数字图像处理（Digital Image Processing），就是利用数字计算机或者其他数字硬件，对从图像信息转换而得到的电信号进行某些数学运算，以提高图像的实用性。
例如从卫星图片中提取目标物的特征参数，三维立体断层图像的重建等。
总的来说，数字图像处理包括点运算、几何处理、图像增强、图像复原、图像形态学处理、图像编码、图像重建、模式识别等。
由于计算机处理能力的不断增强，数字图像处理学科在飞速发展的同时，也越来越广泛地向许多其他学科快速交叉渗透，使得图像作为信息获取以及信息的利用等方面也变得越来越重要。
目前数字图像处理的应用越来越广泛，已经渗透到工业、医疗保健、航空航天、军事等各个领域，在国民经济中发挥越来越大的作用。
MathWorks公司推出的MATLAB软件是学习数理知识的好帮手。
应用MATLAB 友好的界面和丰富、实用、高效的指令及模块，可以使人较快地认识、理解图像处理的相关概念，逐步掌握图像信号处理的基本方法，进而能够解决相关的工程和科研中的问题。
图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。
华东政法大学计算机专业数字图像处理matlab作业
IFG=ifft2(G); imshow(IFG,[]); title(‘逆变换图像’); (2)h=imnoise(‘motion’,10,10); M=imfilter(f,h); M1=fft2(double(M))… 4、任意选择一幅图像，绘制图像的直方图。可以直接通过使用 imhist(I)来显示图像的直方图 I=imread(‘cameraman.tif’); imshow(I);title('原始图像'); b=size(I); %测量图像尺寸参数 a=zeros(1,256); %创建存放灰度出现概率的向量 for m=1:b(1) for n=1:b(2) a(I(m,n)+1)=a(I(m,n)+1)+1; %将灰度为 I(m,n） 的像素存储在 a （I(m,n)+1） 中， 因为 MATLAB 里没有 a（0）； end end n=0:255; figure,bar(n,a); %绘制原始图像的直方图 title('原图像直方图');xlabel('灰度值');ylabel('出现概率 '); 6、读入图像将图像转化成二值图像。在一张图表上，显示原始图像、灰度图像，二值图像； [imm,map]=imread('trees.tif'); % imm 为 2 维矩阵、map 为 256*3 矩阵 figure, imshow(imm,map); % 显示原始图像（彩色） gmap = rgb2gray(map); figure, subplot(1,2,1),imshow(imm,gmap); % 显示灰度图像 subplot(1,2,2),imshow(im2bw(imm,map,0.4),[]); % 显示二值图像 注意：若输入图像是 3 维矩阵，则转化为灰度图像时为 gimm = rgb2gray(imm); 7、读入一幅图像（cameraman.tif） ，完成如下操作，并存储变换后的图像 （1）把图像翻转 90 及 180 度，并显示； （参考 imrotate 函数） （2）缩小图像 （3）切割图像（参考 incrop 函数） （4）镜像图像（如样图所示镜像效果） I=imread(‘cameraman.tif’); H=size(I); I2(1:H(1),1:H(2))=I(H(1):-1:1,1:H(2)); % 垂直翻转（垂直镜像） figure, imshow(I2); I3(1:H(1),1:H(2))=I(1:H(1),H(2):-1:1); % 水平翻转（水平镜像） figure,imshow(I3); I4(1:H(1),1:H(2))=I(H(1):-1:1,H(2):-1:1); % 对角镜像 figure,imshow(I4); 5、对同一场景但模糊程度不一样的三张数字图像绘制出其直方图，计算每一幅图像所有像素灰度的方差。 使用 imhist 求其直方图。计算像素灰度的方差： I=imread()； IG=rgb2gray(I); k=size(IG);
《数字图像处理》大作业：车牌识别28页PPT
61、奢侈是舒适的，否则就不是奢侈 。——CocoCha nel 62、少而好学，如日出之阳；壮而好学 ，如日 中之光 ；志而 好学， 如炳烛 之光。 ——刘 向 63、三军可夺帅也，匹夫不可夺志也。 ——孔 丘 64、人生就是学校。在那里，与其说好 的教师 是幸福 ，不如 说好的 教师是 不幸。 ——海 贝尔 65、接受挑战，就可以享受胜利的喜悦 。——杰纳勒 尔·乔治·S·巴顿
ቤተ መጻሕፍቲ ባይዱ谢谢！
《数字图像处理》大作业：车牌识别
•
6、黄金时代是在我们的前面，而不在 我们的 后面。
•
7、心急吃不了热汤圆。
•
8、你可以很有个性，但某些时候请收 敛。
•
9、只为成功找方法，不为失败找借口 (蹩脚 的工人 总是说 工具不 好)。
•
10、只要下定决心克服恐惧，便几乎 能克服 任何恐 惧。因 为，请 记住， 除了在 脑海中 ，恐惧 无处藏 身。-- 戴尔． 卡耐基 。
2022年数字图像处理复习大作业及答案
上学期《数字图像解决》复习大作业及参照答案=====================================================一、选择题（共20题）1、采用幂次变换进行灰度变换时，当幂次取不小于1时，该变换是针对如下哪一类图像进行增强。
（B）A 图像整体偏暗B 图像整体偏亮C图像细节沉没在暗背景中D图像同步存在过亮和过暗背景2、图像灰度方差阐明了图像哪一种属性。
（B ）A 平均灰度B 图像对比度C 图像整体亮度D图像细节3、计算机显示屏重要采用哪一种彩色模型（ A ）A、RGBB、CMY或CMYKC、HSID、HSV4、采用模板［-1 1］T重要检测（ A ）方向旳边沿。
A.水平B.45︒C.垂直D.135︒5、下列算法中属于图象锐化解决旳是：( C )A.低通滤波B.加权平均法C.高通滤波D. 中值滤波6、维纳滤波器一般用于（ C ）A、去噪B、减小图像动态范畴C、复原图像D、平滑图像7、彩色图像增强时， C 解决可以采用RGB彩色模型。
A. 直方图均衡化B. 同态滤波C. 加权均值滤波D. 中值滤波8、__B__滤波器在对图像复原过程中需要计算噪声功率谱和图像功率谱。
A. 逆滤波B. 维纳滤波C. 约束最小二乘滤波D. 同态滤波9、高通滤波后旳图像一般较暗，为改善这种状况，将高通滤波器旳转移函数加上一常数量以便引入某些低频分量。
这样旳滤波器叫B。
A. 巴特沃斯高通滤波器B. 高频提高滤波器C. 高频加强滤波器D. 抱负高通滤波器10、图象与灰度直方图间旳相应关系是 B __A.一一相应B.多对一C.一对多D.都不11、下列算法中属于图象锐化解决旳是：CA.低通滤波B.加权平均法C.高通滤D. 中值滤波12、一幅256*256旳图像，若灰度级数为16，则存储它所需旳比特数是：( A )A、256KB、512KC、1M C、2M13、噪声有如下某一种特性（ D ）A、只具有高频分量B、其频率总覆盖整个频谱C、等宽旳频率间隔内有相似旳能量D、总有一定旳随机性14. 运用直方图取单阈值措施进行图像分割时：（B）a.图像中应仅有一种目旳b.图像直方图应有两个峰c.图像中目旳和背景应同样大d. 图像中目旳灰度应比背景大15. 在单变量变换增强中，最容易让人感到图像内容发生变化旳是（ C ）A亮度增强觉B饱和度增强C色调增强D不一定哪种增强16、运用平滑滤波器可对图像进行低通滤波，消除噪声，但同步模糊了细节。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1、下图是一用于干涉原理进行测试的干涉场图像，要求判读条纹的间距，请给出图像处理的方案并说明每一步的作用及其对其它处理步骤可能产生的影响。
解：步骤与思路：○1.进行模糊处理，消除噪声○2.边缘检测，进行图像增强处理○3．二值化图像，再进行边缘检测，能够得到很清晰的边界。
○4.采用横向标号法，根据值为1像素在标号中的相邻位置可以确定间距I=imread('xz mjt.bmp');I1=medfilt2(I); %对图像中值滤波imshow(I1);[m,n]=size(I1);for i=1:mfor j=1:nif(I1(i,j)<100) %阈值为100I1(i,j)=255;elseI1(i,j)=0; %进行二值化endendendfigure;imshow(I1);Y1=zeros(1,25);y2=y1;c=y2;i=100;for j=1:1200if (I1(i,j)==255&&I1(i,j+1)==0)Y1=j+1;endif (I1(i,j)==0&&I1(i,j+1)==255)Y2=j;endendfor i=1:25c=Y2(i)-Y1(i)endc %找出每两个条纹之间的距离2. 现有8个待编码的符号m0,……,m7,它们的概率分别为0.11,0.02,0.08,0.04,0.39,0.05,0.06,0.25,利用哈夫曼编码求出这一组符号的编码并画出哈夫曼树。
3. 请以图像分割方法为主题，结合具体处理实例，采用期刊论文格式，撰写一篇小论文。
各种算子对图像进行边缘检测效果的研究图像分割是根据需要将图像划分为有意义的若干区域或部分的图像处理技术。
通过边缘检测在Matlab 中实现方法，及用四叉数分解函数进行区域分割的方法，掌握了Matlab 区域操作函数的使用和图像分析和理解的基本方法,并学到了'roberts','sobel','prewitt','canny','log'算子对图像进行边缘检测的不同效果。
关键词：图像分割 Prewitt 算子 Sobel 算子 log 算子 canny 算子一、前言图像分割技术( 英文： image segmentation)： 将图像分成互不重叠,具有各自特征的区域。
这里的特性可以是灰度、颜色或纹理等。
图像分割应满足：①分割后所得到的区域总和应覆盖整个图像；②各区域之间互不重叠；③同一区域的像元应具有某种共同特征,这些特征可以是像元值、颜色、纹理、形状等；④同一目标(类别)可以对应于一个区域,也可以对应于多个区域。
图像分割方法主要有基于边界的分割技术和基于区域的分割方法。
图像分割(image segmentation )：根据需要将图像划分为有意义的若干区域或部分的图像处理技术。
图像的边缘是图像最基本的特征，它是灰度不连续的结果。
通过计算一阶导数或二阶导数可以方便地检测出图像中每个像素在其邻域内的灰度变化，从而检测出边缘。
图像中具有不同灰度的相邻区域之间总存在边缘。
边缘检测可借助微分算子(包括梯度算子和拉普拉斯算子)在空间域通过模板卷积来实现。
二、梯度算子1 . Prewitt 和Sobel 算子常用的梯度算子如表4-3所示(星号代表模板中心)。
梯度算子一般由两个模板组成，分别对应梯度的两个偏导数，用于计算两个相互垂直方向上的边缘响应。
在计算梯度幅度时，可使用式(4-25)或式(4-26)，在适当的阈值下，对得到梯度图像二值化即可检测出有意义的边缘。
Krisch 算子由8个模板组成，其它模板可以由其中一个模板绕其中心旋转得到，每个模板都对特定的边缘方向作出最大响应。
当把最大响应的模板的序号输出时，就构成了边缘方向的编码。
Prewitt 算子和Sobel 算子也可以像Krisch 算子那样，扩展到两个对角方向，使其在对角方向上作出最大响应。
Prewitt 和Sobel 算子在两个对角方向上的模板如图1所示。
⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡*---110101011⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--*-011101110(a) Prewitt 算子45度和-45度方向模板(b) Sobel 算子45度和-45度方向模板图1 Prewitt 算子和Sobel 算子检测对角方向边缘的模板图2(b)为用Sobel 水平模板对图2(a)进行卷积运算得到的水平梯度图，它对垂直边缘有较强的响应。
图2(c)为用Sobel 垂直模板对图2(a)进行卷积运算得到的垂直梯度图，它对水平边缘有较强的响应。
图5-13(d)为Sobel算子梯度图。
图2 Sobel 算子边缘检测2. 高斯-拉普拉斯(LOG)算子常用的两个拉普拉斯模板见图3(a)和(b)。
其中，第一个模板在水平和垂直4个方向上具有各向同性，而第二个模板在水平、垂直和对角8个方向上具有各向同性。
然而，拉普拉斯算子一般不直接用于边缘检测，因为它作为一种二阶微分算子对噪声相当敏感，常产生双边缘，且不能检测边缘方向。
主要利用拉普拉斯算子的过零点性质确定边缘位置，以及根据其值的正负来确定边缘像素位于边缘的暗区还是明区。
⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡*---210101012⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--*-012101210图3 LOG 算子剖面及其常用的5×5模板高斯-拉普拉斯(LOG)算子把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来实现边缘检测，即先通过高斯平滑抑制噪声，以减轻噪声对拉普拉斯算子的影响，再进行拉普拉斯运算，通过检测其过零点来确定边缘位置。
因此，高斯-拉普拉斯算子是一种性能较好的边缘检测器。
二维高斯平滑函数表示如下：其中，σ是高斯分布的均方差，图像被模糊的程度与其成正比。
令r 2=x 2+y 2，上式对r 求二阶导数来计算其拉普拉斯值，则有3. Canny 边缘检测Canny 边缘检测算子是一个非常普遍和有效的算子。
Canny 算子首先对灰度图像用均方差为σ的高斯滤波器进行平滑，然后对平滑后图像的每个像素计算梯度幅值和梯度方向。
梯度方向用于细化边缘，如果当前像素的梯度幅值不高于梯度方向上两个邻点的梯度幅值，则抑制该像素响应，从而使得边缘细化，这种方法称之为非最大抑制(Nonmaximum Suppression)。
该方法也可以结合其它边缘检测算子来细化边缘。
三、实验内容1.边缘检测(a)使用edge 函数对图像‘trees.tif ’进行边缘检测。
I=imread('trees.tif');⎪⎪⎭⎫ ⎝⎛+--=2222exp ),(σy x y x h ⎪⎪⎭⎫ ⎝⎛-⎪⎪⎭⎫ ⎝⎛--=∇2242222exp )(σσσr r r himshow(I)bw1=edge(I,'roberts');bw2=edge(I,'sobel');bw3=edge(I,'prewitt');bw4=edge(I,'canny');bw5=edge(I,'log');figure,imshow(bw1)figure,imshow(bw2)figure,imshow(bw3)figure,imshow(bw4)figure,imshow(bw5)运行结果：图一边缘检测(b)要求同时比较‘roberts',‘sobel',’prewitt',‘canny',’log'算子检测效果。
edge函数提供的最有效的边缘检测方法是canny方法。
优点:使用两种不同的阈值分别检测强、弱边缘,并且仅当弱边缘与强边缘相连时，才将弱边缘包含在输出图像中。
该方法不易受噪声干扰，能够在噪声和边缘间取得较好的平衡，检测到真正的弱边缘。
2. 区域操作使用区域选择函数roicolor, 区域滤波函数roifilt2和区域填充函数roifilld对图像‘coins.png’或‘liftingbody.png’进行区域操作。
I=imread'coins.png’);imshow(I)BW=roipoly;figure,imshow(BW)h=fspecial('unsharp');I2=roifilt2(h,I,BW);figure,imshow(I2)I3=roifill;figure,imshow(I3);I=imread('liftingbody.png');imshow(I)c=[222 272 300 270 221 194];r=[21 21 75 121 121 75];BW=roipoly(I,c,r);figure,imshow(BW)H=fspecial('unsharp');J1=roifilt2(H,I,BW);figure,imshow(J1)J2=roifill(I,c,r);figure,imshow(J2)运行结果：图二区域操作3．区域分割I=imread(' trees.tif');I=I(1+[1:128],1+[1:128]);figure,imshow(I)S=qtdecomp(I,0.2);figure,imshow(S)S=qtdecomp(I,0.1);figure,imshow(S)图三区域分割四、实验结果与分析1.边缘检测（1）使用edge函数对图像‘trees.tif’进行边缘检测。
（2）比较‘roberts',‘sobel',’prewitt',‘canny',‘log'算子的检测效果：Robert算子：根据任一相互垂直方向上的差分都用来估计梯度，Robert算子采用对角方向相邻像素只差Sobel算子：其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，缺点是Sobel算子并没有将图像的主题与背景严格地区分开来，即Sobel算子并没有基于图像灰度进行处理，由于Sobel 算子并没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。
Prewitt算子：该算子与Sobel算子类似，只是权值有所变化，但两者实现起来功能还是有差距的，据经验得知Sobel要比Prewitt更能准确检测图像边缘。
log算子：log算法是一种基于灰度值的二阶导数来进行边缘检测的，通过检测零点来进行边缘检测。
Canny算子：优点:使用两种不同的阈值分别检测强、弱边缘,并且仅当弱边缘与强边缘相连时，才将弱边缘包含在输出图像中。
该方法不易受噪声干扰，能够在噪声和边缘间取得较好的平衡，检测到真正的弱边缘。