数字图像处理
数字图像处理ppt课件
基于特征分类的辨认
总结词
通过提取图像中的特征，利用分类器对特征 进行分类，从而辨认图像的类别。
详细描写
基于特征分类的图像辨认方法是一种常用的 图像辨认方法。它通过提取图像中的特征， 如边缘、角点、纹理等，利用分类器如支持 向量机、神经网络等对特征进行分类，从而 辨认图像的类别。这种方法能够有效地提取 图像中的本质特征，并具有较强的鲁棒性，
纹理特征提取
灰度共生矩阵
通过分析图像中像素灰度值的空间依赖关系，形成共生矩阵，并从中提取出统 计特征，如对照度、能量和相关性等。该方法适用于描写图像的粗糙程度和方 向性。
小波变换
将图像分解成不同频率和方向的小波分量，通过分析小波系数的统计特性来提 取纹理特征。该方法能够有效地表示图像的细节信息和全局结构。
但特征提取和分类器的设计是关键。
基于深度学习的辨认
总结词
利用深度学习算法自动提取图像特征， 并进行分类辨认。
VS
详细描写
基于深度学习的图像辨认方法是目前研究 的热点。它利用深度学习算法如卷积神经 网络（CNN）等自动提取图像的特征， 并进行分类辨认。这种方法能够有效地从 原始图像中提取复杂的特征，并具有较高 的辨认准确率。但需要大量的标注数据进 行训练，且计算复杂度较高。
04
CATALOGUE
特征提取
颜色特征提取
颜色直方图
通过统计图像中不同颜色像素的数量 ，形成颜色直方图作为图像的颜色特 征。该方法简单、有效，适用于不同 光照和视角变化的场景。
颜色矩
利用图像颜色的散布信息，通过计算 一阶矩（均值）、二阶矩（方差）和 三阶矩（偏度）来表示颜色特征。该 方法对颜色突变和噪声不敏锐。
图像辨认
基于模板匹配的辨认
数字图像处理的主要内容
数字图像处理的主要内容
数字图像处理是将原始数字图像经过一系列特定步骤处理达到所需要的修改或
者提取图像相关信息的一种技术。
它包括图像采样、数字图像处理技术、图像参数维度，以及图像状态分析与特征抽取的等多种技术，是计算机视觉技术的一个重要组成部分。
数字图像采样，是将复杂的现实世界的信息片段，利用计算机进行图像编码处理，编码后进行数据采样，将采样结果以图像数据形式表示或显示出来，它通常将摄取到的图像数据编排成一系列矩阵，空间分辨率越高，代表的信息量越大，所采样出的图像就越清晰，通常采用RGB三原色或者灰度级，将原始图像进行信息处理，使图像变换成采样图形序列。
数字图像处理技术，是指对已经采样的图像进行编码与处理，将所采样的图像
数据变换成另一种形式，进行增强、转换、滤波、压缩、边缘检测、分割、提取特征等等，在不同参数精度上都得到所期望的结果。
比如，在处理图像边缘时，利用Robert、Prewitt等运算来实现图像边缘的提取，将图像中非边缘部分消除，是广
泛应用的数字图像处理技术。
图像参数的维度是指它所收集的图像参数的测量方法，其中包括图像尺寸、像
素数、色彩模式、分辨率等。
它可以影响到图像的色彩细节和色调等的变化，也可以用来改变图像的视觉效果，因此，有必要根据图像的数字图像处理要求，首先了解图像参数的维度，以决定有效操作方法。
最后，图像状态分析和特征抽取，即分析图像特征，提取好特征和信息，以用
于一些应用场景或参考，常见的技术有空间和时间域的处理方法，将图像变换成一系列特征向量，以用于特征相似度的评估，以及图像的聚类和分类等，可以用于分析图像的状态和特征，以支撑和管理图像应用中的信息抽取。
数字图像处理的基础知识
数字图像处理的基础知识数字图像处理是一种以计算机为基础的处理图像的技术。
它的核心是数字信号处理技术，其中包括数字滤波、傅里叶变换、数字图像处理等等。
数字图像处理主要是针对图像进行数字信号处理和计算机算法处理，从而得到使图像更加美观、清晰，同时也可对其进行各种分析和处理。
数字图像处理的基础知识包括图像的获取、表示和处理。
在此，我们将分别阐述这些基础知识。
一、图像的获取图像的获取方式有很多种，包括摄影、扫描、数码相机等等。
这些方式都可以将图像转化为数字信号，以便于计算机的处理。
在数字相机中，传感器采集光线信息并将其转化为电信号，再经过模数转换后保存在内存卡中。
而在扫描仪中，可以通过光线照射样品，然后采集样品的反射信息，保存成数字图像的形式。
二、图像的表示图像可以用矩阵的形式进行表示，其中每个矩阵的元素都对应图像中的一个像素点。
这个像素值可以代表颜色、灰度和亮度等信息。
将图像信息存储成数字矩阵的方式称为栅格画。
在黑白影像中，每个像素点只有黑和白两种颜色，每个像素点都用1或0表示。
在彩色图像中，每个像素中则由红绿蓝三原色按一定比例混合而成的颜色值来表示，并用数值表示。
这些数值也可以是整数或浮点数等形式。
另外，还有图像的压缩技术。
图像压缩通常包括有损压缩和无损压缩。
有损压缩会使压缩的图像失去一些细节，但能帮助减少图像的尺寸。
无损压缩则不会丢失图像的任何信息。
常见的无损压缩格式为PNG、BMP、TIFF等，常见的有损压缩格式为JPEG、GIF等。
三、图像的处理图像的处理包括预处理、增强、分割、检测和识别等等。
其中预处理指图像的去噪、灰度平衡、色彩校正等，以利用后续处理。
增强指通过调整图像的对比度、亮度等等，使图像更加清晰、唯美。
分割技术可以将图像分为多个区域，每个区域有独特的特征。
例如，我们可以用分割技术将人体和背景分开。
检测技术用于在图像中找到我们感兴趣的点，例如在医学图像中检测肿瘤。
识别技术允许计算机对图像中的对象进行分类，例如人脸识别技术和指纹识别技术等等。
数字图像处理技术解析
数字图像处理技术解析第一章：数字图像处理基础知识数字图像处理是一门研究如何处理和操作数字图像的学科。
数字图像是离散的表示了光的强度和颜色分布的连续图像。
数字图像处理技术可以应用于许多领域，如医学影像、机器视觉、遥感图像等。
1.1 数字图像表示与存储数字图像可以使用像素（pixel）来表示，每个像素包含一定数量的位元（bit），用于表示图像的灰度值或颜色信息。
常见的像素表示方法有灰度图像和彩色图像。
在计算机中，数字图像可以以不同的方式进行存储，如位图存储、压缩存储等。
1.2 数字图像处理的基本操作数字图像处理的基本操作包括图像增强、图像恢复、图像压缩和图像分割等。
图像增强可以改善图像的质量，使其更适于人眼观察或用于其他应用。
图像恢复是指通过去除图像中的噪声、模糊等不良因素，使图像恢复到原始清晰状态。
图像压缩可以减少图像的存储空间和传输带宽。
图像分割是将图像分成几个具有独立特征的区域，用于目标检测、目标跟踪等应用。
第二章：数字图像增强技术数字图像增强技术可以提高图像的质量和信息内容，使其更适合进行后续处理或人眼观察。
常用的图像增强方法包括灰度变换、直方图均衡化和空域滤波等。
2.1 灰度变换灰度变换是通过对图像的灰度值进行变换，来改变图像的对比度和亮度。
常见的灰度变换方法包括线性变换、非线性变换和直方图匹配等。
线性变换通过对灰度值进行线性和平移变换，可改变图像的对比度和亮度。
非线性变换使用非线性函数对灰度值进行变换，如对数变换、反转变换等。
直方图匹配是将图像的直方图变换为期望直方图，以达到对比度和亮度的调整。
2.2 直方图均衡化直方图均衡化是一种常用的图像增强方法，可以通过对图像的直方图进行变换，使得图像的灰度分布更加均匀。
直方图均衡化可以增加图像的对比度，使得图像细节更加清晰。
该方法适用于灰度图像和彩色图像。
2.3 空域滤波空域滤波是一种基于像素的图像处理方法，通过对图像的局部像素进行加权平均或非线性操作，来改变图像的特征。
数字图像处理技术
数字图像处理技术数字图像处理技术是一种针对数字图像进行处理和分析的技术。
随着计算机技术的不断发展和普及，数字图像处理技术在图像处理领域中扮演着越来越重要的角色。
本文将详细介绍数字图像处理技术的概念、原理、应用及未来发展方向。
概念数字图像处理技术是指利用计算机对数字图像进行处理和分析的技术。
数字图像是通过像素表示的图像，而像素是图像最小的单元，每个像素都有其特定的数值表示颜色和亮度。
数字图像处理技术可以对图像进行各种操作，如增强图像的质量、提取图像特征、恢复图像信息等。
原理数字图像处理技术的原理主要包括图像获取、图像预处理、图像增强、图像分割、特征提取和图像识别等基本步骤。
1.图像获取：通过相机或扫描仪等设备获取数字图像，将图像转换为数字信号。
2.图像预处理：对原始图像进行去噪、几何校正、尺度变换等预处理操作，以提高后续处理的效果。
3.图像增强：通过直方图均衡化、滤波等方法增强图像的对比度、亮度等特征。
4.图像分割：将图像分割成若干个区域或对象，以便更好地分析和处理图像。
5.特征提取：提取图像中的特征信息，如颜色、纹理、形状等，为图像识别和分类提供依据。
6.图像识别：利用机器学习、深度学习等算法对图像进行分类、识别和分析。
应用数字图像处理技术在各个领域都有广泛的应用，如医疗影像分析、无人驾驶、安防监控、智能交通等。
以下列举一些典型的应用场景：•医疗影像分析：利用数字图像处理技术分析医学影像，辅助医生进行疾病诊断和治疗。
•安防监控：通过视频监控系统、人脸识别技术等实现对安全领域的监控和警报。
•智能交通：通过交通监控系统、车辆识别技术等提高交通管理效率和道路安全。
未来发展数字图像处理技术在人工智能、物联网等新兴技术的推动下不断发展和创新，未来的发展方向主要包括以下几个方面：1.深度学习在图像处理中的应用：深度学习技术在图像分类、目标检测等方面取得重大突破，将在数字图像处理领域得到更广泛的应用。
2.虚拟现实与增强现实：数字图像处理技术将与虚拟现实、增强现实技术结合，实现更加沉浸式的用户体验。
数字图像处理技术
数字图像处理技术数字图像处理技术是一种利用计算机对图像进行处理和分析的技术。
随着计算机技术和图像采集设备的不断发展，数字图像处理技术已经广泛应用于影像处理、医学图像分析、机器视觉、模式识别等领域。
本文将重点介绍数字图像处理技术的基本原理、常见的图像处理方法和应用领域。
一、数字图像处理技术的基本原理数字图像处理是在计算机中对图像进行数值计算和变换的过程。
图像是由像素组成的二维数组，每个像素包含了图像中某一点的亮度或颜色信息。
数字图像处理技术主要包括如下几个基本步骤：1. 图像采集：利用摄像机、扫描仪等设备将实际场景或纸质图像转换成数字图像。
2. 图像预处理：对采集到的图像进行预处理，包括图像增强、去噪、几何校正等操作，以提高图像质量。
3. 图像变换：通过一系列的数值计算和变换，改变图像的亮度、对比度、颜色等特征，以满足特定的需求。
4. 图像分析：对图像进行特征提取、目标检测、模式识别等操作，以获取图像中的各种信息。
5. 图像展示：将处理后的图像显示在计算机屏幕上或输出到打印机、投影仪等设备上，以便人们观看和分析。
二、常见的图像处理方法1. 图像增强：通过调整图像的亮度、对比度、颜色等参数，使图像更清晰、更鲜艳。
2. 图像滤波：利用滤波器对图像进行低通滤波、高通滤波、中值滤波等操作，以去除噪声、平滑图像或增强边缘。
3. 图像分割：将图像分成若干个区域，以便更好地分析和识别图像中的目标。
4. 特征提取：从图像中提取出与目标相关的特征，如纹理特征、形状特征、颜色特征等。
5. 目标检测：利用机器学习、模式识别等方法，从图像中检测和识别出目标，如人脸、车辆等。
三、数字图像处理技术的应用领域数字图像处理技术在很多领域都有广泛的应用，以下列举几个主要的应用领域：1. 影像处理：数字图像处理技术可以应用于电影特效、动画制作、数字摄影等领域，提高影像的质量和逼真度。
2. 医学图像分析：数字图像处理技术可以应用于医学影像的分析、诊断和治疗，如CT扫描、核磁共振等。
数字图像处理
第一章概论一、数字图像与像素数字图像是由一个个的像素（Pixel）构成的，各像素的值(灰度，颜色)一般用整数表示。
二、数字图像处理的目的1、提高图像的视觉质量。
2、提取图像中的特征信息。
3、对图像数据进行变换、编码和压缩。
三、工程三层次图像处理、图像分析和图像理解图像理解符号目标像素高层中层低层高低抽象程度数据量操作对象小大语义图像分析图像处理四、图像处理硬件系统组成图像输入设备（采集与数字化设备，如数码相机），图像处理设备（如PC机）和图像输出设备（如显示器，打印机）第二章数字图像处理基础一、图像数字化过程----采样与量化模拟图像的数字化包括采样和量化两个过程。
细节越多，采样间隔应越小。
把采样后得到的各像素的灰度值进一步转换为离散量的过程就是量化。
一般，灰度图像的像素值量化后用一个字节(8bit)来表示。
二、采样、量化与图像质量的关系采样点数越多，图像质量越好；量化级数越多，图像质量越好。
为了得到质量较好的图像采用如下原则：对缓变图像，细量化，粗采样，以避免假轮廓。
对细节化图像，细采样，粗量化，以避免模糊。
三、图像尺寸、数据量、颜色数量的计算灰度图像的像素值量化后用一个字节(8bit)来表示。
彩色图像的像素值量化后用三个字节(24bit)来表示。
一幅512X512（256K）的真彩色图像，计算未压缩的图像数据量是多少？（必考）图像总像素：512px*512px=256K总数据量：256K*3Byte=768KB一幅256X256（64K）的真彩色图像，计算未压缩的图像数据量是多少？图像总像素：256px*256px=64K总数据量：64K*1Byte=64KB四、数字图像类型二值图像、灰度图像、索引颜色图像)和真彩色图像。
五、数字图像文件的类型jpg、bmp、tif、gifJPEG采用基于DCT变换的压缩算法,为有损压缩。
六、图像文件三要素文件头、颜色表、图像数据七、读取一个图像，并将其尺寸缩小0.5倍，将缩小后的图像旋转30度。
数字图像处理
数字图像处理概述数字图像处理是一项广泛应用于图像处理和计算机视觉领域的技术。
它涉及对数字图像进行获取、处理、分析和解释的过程。
数字图像处理可以帮助我们从图像中提取有用的信息，并对图像进行增强、复原、压缩和编码等操作。
本文将介绍数字图像处理的基本概念、常见的处理方法和应用领域。
数字图像处理的基本概念图像的表示图像是由像素组成的二维数组，每个像素表示图像上的一个点。
在数字图像处理中，我们通常使用灰度图像和彩色图像。
•灰度图像：每个像素仅包含一个灰度值，表示图像的亮度。
灰度图像通常表示黑白图像。
•彩色图像：每个像素包含多个颜色通道的值，通常是红、绿、蓝三个通道。
彩色图像可以表示图像中的颜色信息。
图像处理的基本步骤数字图像处理的基本步骤包括图像获取、前处理、主要处理和后处理。
1.图像获取：通过摄像机、扫描仪等设备获取图像，并将图像转换为数字形式。
2.前处理：对图像进行预处理，包括去噪、增强、平滑等操作，以提高图像质量。
3.主要处理：应用各种算法和方法对图像进行分析、处理和解释。
常见的处理包括滤波、边缘检测、图像变换等。
4.后处理：对处理后的图像进行后处理，包括去隐私、压缩、编码等操作。
常见的图像处理方法滤波滤波是数字图像处理中常用的方法之一，用于去除图像中的噪声或平滑图像。
常见的滤波方法包括均值滤波、中值滤波、高斯滤波等。
•均值滤波：用一个模板覆盖当前像素周围的像素，计算平均灰度值或颜色值作为当前像素的值。
•中值滤波：将模板中的像素按照灰度值或颜色值大小进行排序，取中值作为当前像素的值。
•高斯滤波：通过对当前像素周围像素的加权平均值来平滑图像，权重由高斯函数确定。
边缘检测边缘检测是用于寻找图像中物体边缘的方法。
常用的边缘检测算法包括Sobel 算子、Prewitt算子、Canny算子等。
•Sobel算子：通过对图像进行卷积运算，提取图像中的边缘信息。
•Prewitt算子：类似于Sobel算子，也是通过卷积运算提取边缘信息，但采用了不同的卷积核。
- 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)。
《数字图像处理》期中大作业拉普拉斯算子ROBERT算子SOBLE算子三种锐化滤波算子性能研究学号：12010245389姓名：周玉琴拉普拉斯算子、ROBERT算与SOBLE算子三种锐化滤波算子性能研究摘要：在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。
一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。
这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。
为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。
本文主要探究几种边缘检测算子，拉普拉斯算子，ROBERT算子与SOBLE算子在数字图像处理中的应用。
关键字：图像锐化边缘检测拉普拉斯算子 ROBERT SOBLE一、算法介绍1.1 图像锐化的概念在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。
一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。
这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。
为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。
图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算(如微分运算)就可以使图像变得清晰。
从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。
但要注意能够进行锐化处理的图像必须有较高的性噪比，否则锐化后图像性噪比反而更低，从而使得噪声增加的比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理。
本文主要探究几种边缘检测算子，拉普拉斯算子，ROBERT算子与Soble算子以下具体介绍。
图像边缘检测：边缘检测是检测图像局部显著变化的最基本运算，梯度是函数变化的一种度量。
图像灰度值的显著变化可用梯度的离散逼近函数来检测，大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。
边缘检测可分为两大类基于查找一类和基于零穿越的一类。
基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。
基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。
1.2 拉普拉斯算子拉式算子是一个刻画图像灰度的二阶商算子，它是点、线、边界提取算子，亦称为边界提取算子。
通常图像和对他实施拉式算子后的结果组合后产生一个锐化图像。
拉式算子用来改善因扩散效应的模糊特别有效，因为它符合降制模型。
扩散效应是成像过程中经常发生的现象。
拉普拉斯算子也是最简单的各向同性微分算子，具有旋转不变性。
一个二维图像函数的拉普拉斯变换是各向同性的二阶导数，定义22222f ff x y∂∂∇=+∂∂ （1）为了更适合于数字图像处理，将拉式算子表示为离散形式：2[(1,)(1,)(,1)(,1)]4(,)f f x y f x y f x y f x y f x y ∇=++-+++-- （2）另外，拉普拉斯算子还可以表示成模板的形式，如下图(1)所示，为离散拉普拉斯算子的模板，图(2)表示其扩展模板。
图(1) 图(2)从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。
因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。
一般增强技术对于陡峭的边缘和缓慢变化的边缘很难确定其边缘线的位置。
但此算子却可用二次微分正峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突出图像中的孤立点、孤立线或线端点为目的的场合。
同梯度算子一样，拉普拉斯算子也会增强图像中的噪声，有时用拉普拉斯算子进行边缘检测时，可将图像先进行平滑处理。
1.3 Robert 算子Robert 梯度相当于在图像上开一个 2×2 的窗口，用模板 T1 计算后取绝对值再加上模板 T2 计算后取绝对值。
将计算值作为中心像元（x ，y ）的梯度值。
这样就可以得到 Robert 算子对图像进行边缘检测的结果。
这种算法的意义在于用交叉的方法检测出像元与其在上下之间或左右之间或斜方向之间的差异。
Robert 算子是一种简单的利用局部差分算子寻找边缘的基于2×2的梯度算子。
这种算子提供了梯度幅度值最简单的逼近公式:[(,)][(,)(1,1)][(1,)(,1)]G f i j f i j f i j f i j f i j =-++++-+ (3)Robert 算子的卷积模板如图2所示。
Roberts 算子对具有陡峭的低噪声的图像效果较好。
图3 Robert 算子1.4 Sobel算子（加权平均差分法）Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。
Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差单独使用Sobel算子做边缘检测，边缘定位精度不高，有时还可能对非边缘像素的响应大于某些边缘处的响应或者响应差别不是很大，造成漏检或误检，但是它对噪声具有较好的鲁棒性。
二、程序代码2.1拉普拉斯算子程序代码（1）img=imread('F:\照片\古楼.JPG');subplot(1,2,1);imshow(I);title('原始图像');I = rgb2gray(I);I=double(I);H=[0.0 -1.0 0.0-1.0 5.0 -1.00.0 -1.0 0.0];H=double(H);J=conv2(I,H,'same');subplot(1,2,2);imshow(J,[]);title('拉普拉斯算子增强图像');（2）img=imread('F:\照片\古楼.JPG');[H,W]=size(I);M=double(I);J=M;for i=2:H-1for j=2:W-1J(i,j)=4*M(i,j)-[M(i+1,j)+M(i-1,j)+M(i,j+1)+M(i,j-1)];end;end;subplot(1,2,1);imshow(I);title('原图');subplot(1,2,2);imshow(uint8(J));title('锐化处理后的图');2.2Robert算子程序代码img=imread('F:\照片\古楼.JPG');figure;subplot(1,2,1);imshow(img);title('原始图像');s=ones(1);s=0;n=3;[R,C]=size(img);musk=ones(n,n);m=fix(n/2);img2=zeros(R+n-1,C+n-1);img3=zeros(R+n-1,C+n-1);for i = 1:Rfor j=1:Cimg2(i+m,j+m)=img(i,j);endendfor i=m+1:R+mfor j=m+1:C+mmusk(1:n,1:n)=img2(i-m:(i-m)+(n-1),j-m:(j-m)+(n-1));gx=abs(musk(3,3)-musk(2,2));gy=abs(musk(3,2)-musk(2,3));img3(i,j)=gx+gy;s=0;endendfor i=m+1:R+mfor j=m+1:C+mimg(i-m,j-m)=img3(i,j);endendsubplot(1,2,2);imshow(mat2gray(double(img)));title('Robert处理后图像');2.3 Sobel算子程序代码img=imread('F:\照片\古楼.JPG');[H,W]=size(I);M=double(I);J=M;for i=2:H-1for j=2:W-1J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+2*M(i,j+1)-2*M(i,j-1)+M(i+1,j+1)-M(i+1,j-1))+abs(M(i-1,j-1)-M(i+1,j-1)+2*M(i-1,j)-2*M(i+1,j)+M(i-1,j+1)-M(i+1,j+1));end;end;subplot(1,2,1);imshow(I);title('原图');subplot(1,2,2);imshow(uint8(J));title('Sobel 处理后');三、图片处理结果3.1 拉普拉斯算子处理：图4 拉普拉斯算子增强图像图5 拉普拉斯算子锐化处理后的图像3.2 Robert算子处理：图6 Robert算子处理后的图像3.3 Sobel算子处理：图7 Sobel算子处理后的图像四、性能比较与结论laplace算子：是与方向无光的各向同性边缘检测算子,若只关心边缘点的位置而不顾其周围的实际灰度差时,一般选择该算子进行检测.特点:各向同性,线性和位移是不变的,对线性和孤立点检测效果好,但边缘方向信息丢失,常产生双像素的边缘,对噪声有双倍的加强作用。
Robert算子：对图像分辨率的变化最不敏感，在高、中、低分辨率时，均能做到定位准确，边缘连续，轮廓细而清晰。
因为图像分辨率降低将使对应景物的图像灰度变化将变得更为陡峭，但边缘位置会有些变化。
该算子对对比度差的图像效果较差，但随着分辨率的降低边缘效果反而变得好一些。
Sobel算子：Sobel算子的特点是对图像分辨率的响应要比Robert算子敏感些，因为它的模板是3x3的，比Robert 算子的模板大。
用Sobel算子提取边缘，简单有效，被广泛应用。
但是，Sobel算子并没有将图像的主体与背景严格的区分开来，所以提取的图像轮廓有时并不令人满意。
本文首次对几种经典的边缘检测算子对图像在不同的分辨率条件下的性能进行了较为系统的对比研究，结论如下：（1）不同的边缘检测算子对同一景物在不同分辨率的图像其性能变化是由差异的。
总的来说，随着图像分辨率的降低，各种算子的性能都会受到削弱，但梯度算子中Robert 算子和Sobel算子的性能变化较小。
而laplace算子的性能变化最为明显。
（2）几种经典的边缘检测算子对同一景物在不同分辨率下的加噪图像其性能变化存在明显差异。