图像轮廓线提取
一种改进的快速轮廓线提取算法
Ｅｘ ｅｉ ｅ ｔｌｒｓ ｌｓｓ ｏ ｔ ａ ｈ ｅ ａｇ ｒ ｈ ｃ ｎ ｎ ｔｏ ｌ ｘｒ ｃｉｅ ｔｅａ ｃ ｒｔ ｏ ｔ ｕ ｕ ｌｏ ｈ ｓｓ ｍｅａ ｔ ｎ ｉｅ ｐ ｒ ｎ ａ ｅ ｕｔ ｈ ｗ ｈ ｔｔ ｅｎ ｗ ｌｏ ｉ ｍ ａ ｏ ｎｙ ｅ ｔａｔｖ ｈ ｃ ｕ ａｅｃ ｎｏ ｒｂ ｔａｓ ａ ｏ ｎ ｉ ｏｓ ｍ ｔ － ｐ ｒｏ ｍａ ｃ ，ｅ ｓ Ｏ ｉ ｌｍｅ ｔａ ｄｆｓｅ． ｅ ｆｒ ｎ ｅ ａ ｙ ｔ ｍｐｅ ｎ ｎ ａ ｔｒ
（ ｍｐ ｔｒＣ ｌ ｇ ， ｉｕ ｎＵ ｎｖ ｒｉ ｆＳ ｉｎ ｅａ ｄＴｅ ｈ ｏｏ ｙ Ｃｏ ｕ ｅ ｌ ｅ Ｔａｙ ａ ｉｅｓｔ ｏ ｃｅ ｃ ｎ ｃ ｎ ｌｇ ，Ｔａｙ ａ ０ ０ ２ ） ｏ ｅ ｙ ｉｕ ｎ ３ ０ ４
（ｃ ｏ１ ｆ ｃｉｅｙａ ｄＡｕｏ ｂｌ Ｅ ｇｎｅｉｇ Ｈｅ ｉ ｉｅｓｔ ｆ ｃｎ ｌｇ Ｓ ｈ ｏ ｏ ｈｎ ｒ ｎ ｔｍｏ ｉ ｎ ｉｅｒ ， ｆ ｖｒｉ ｏ ｈ ｏｏ ｆ ，Ｈｅｅ ２ ００ ） Ｍａ ｅ ｎ ｅ Ｕｎ ｙ Ｔｅ ｆｉ ３ ０ ９
Ｋ ｙ Ｗ ｏ ｄ ａ ｔ ｅ ｃ ｎ ｏ ｒｍｏ ｅ ，Ｐ Ｏ ，ＧＶＦ ｅ ｒｓ ｃｉ ｏ ｔｕ ｄ ｌ Ｓ ｖ Ｃｌｓ ｍ ｂ ｒ ＴＰ３ ］ ６ ａ ｓ Ｎｕ ｅ ０ ．
１ 引言
图像识别中的轮廓提取算法探索(七)
图像识别中的轮廓提取算法探索引言：图像识别技术如今已经广泛应用于各个领域，其关键之一就是图像中的轮廓提取算法。
轮廓提取的准确与否直接影响到图像识别的效果。
本文将探索图像识别中常用的轮廓提取算法，并对其原理和优缺点进行分析。
一、边缘检测算法边缘检测是图像处理中最基础的一步，是进行轮廓提取的前提。
常用的边缘检测算法有Sobel算子、Laplacian算子和Canny算子等。
1. Sobel算子Sobel算子是一种基于梯度的边缘检测算法，其原理是通过计算每个像素点的梯度值来判断其是否为边缘点。
然后根据梯度值的大小确定边缘的强度，进而提取轮廓。
Sobel算子的优点是计算简单，对噪声鲁棒性强。
但其缺点也较为明显，容易产生边缘断裂的情况，并且对角线边缘检测效果较差。
2. Laplacian算子Laplacian算子是一种基于二阶导数的边缘检测算法，其原理是通过计算图像中每个像素点的二阶导数来判断其是否为边缘点。
Laplacian算子的优点是能够检测出边缘的交叉点，能够更精准地定位边缘。
但其缺点是对噪声比较敏感，容易产生误检。
3. Canny算子Canny算子是一种综合考虑多种因素的边缘检测算法，其原理是通过梯度计算、非极大值抑制和阈值处理来提取目标轮廓。
Canny算子的优点是能够提取清晰且连续的边缘，对噪声抑制效果好。
但其缺点是计算量较大，算法较为复杂。
二、区域生长算法区域生长算法是一种基于种子点的轮廓提取方法，其原理是在图像中选择若干个种子点，然后通过像素点之间的相似性判断来逐渐生长成为一个完整的区域。
区域生长算法的优点是能够提取出连续且相似的轮廓，适用于要求较高的图像识别任务。
但其缺点是对种子点的选择比较敏感，容易受到图像质量和噪声的影响。
三、边缘跟踪算法边缘跟踪算法是一种基于边缘连接的轮廓提取方法，其原理是通过追踪边缘点的连接关系，形成完整的轮廓。
边缘跟踪算法的优点是能够提取出精细的轮廓，并且对噪声抑制效果好。
计算机视觉中的轮廓线提取技术
计算机视觉中的轮廓线提取技术随着现代技术的迅速发展，计算机视觉技术也日渐成熟。
其中轮廓线提取技术是视觉算法中一个重要的环节，它能够从图像中提取出物体的轮廓线，为图像处理、目标检测、三维建模等应用提供基础支持。
本文将介绍计算机视觉中的轮廓线提取技术，包括方法原理、应用场景以及相关算法。
一、轮廓线提取技术原理轮廓线提取是数字图像处理中一个重要的过程，它主要通过对图像进行边缘检测和特征提取，来实现对物体轮廓线的提取。
轮廓线是物体和背景之间的边界线，它具有明显的区分度，适用于识别物体的形状、大小和位置等信息。
轮廓线提取技术的主要流程包括：1. 去噪：对原始图像进行降噪处理，使得图像更加干净，有利于后续的边缘检测和特征提取。
2. 边缘检测：经过降噪后，对图像进行边缘检测，以便提取出物体的轮廓线。
边缘检测算法主要有Sobel算子、Canny算子、Laplacian算子等。
3. 特征提取：提取边缘点，将其组成闭合的轮廓线。
常用的特征提取算法有霍夫变换、最大连通区域分析等。
二、轮廓线提取算法1. Sobel算子Sobel算子是一种边缘检测算法，在数字图像处理中广泛应用。
该算法通过对图像进行卷积操作，来提取出图像中的边缘点。
Sobel算子具有简单、易于实现的特点，但是提取出的边缘点可能不够准确，容易受到噪声的影响。
2. Canny算子Canny算子是一种比较常用的边缘检测算法，它对图像进行多次卷积操作，以提取出图像中的边缘点。
Canny算子具有高灵敏度和低误检率的特点，可以有效地提取出物体的轮廓线，受到很广泛的应用。
3. Laplacian算子Laplacian算子是一种利用二阶偏导数求解的边缘检测算法，它主要通过对图像进行拉普拉斯滤波，来提取出图像中的边缘点。
Laplacian算子具有灵敏度高、响应速度快的特点，但是容易受到噪声的干扰。
三、轮廓线提取技术的应用场景轮廓线提取技术可以应用于多个领域，如图像处理、目标检测、三维建模等。
opencv轮廓提取原理
opencv轮廓提取原理标题：OpenCV轮廓提取原理引言：OpenCV是一个开源的计算机视觉库，提供了丰富的图像处理和分析功能。
其中，轮廓提取是一项重要的技术，可以用于目标检测、图像分割等应用。
本文将介绍OpenCV中轮廓提取的原理及其应用。
一、什么是轮廓？轮廓是指图像中连续的边界线，可以用一系列的点来表示。
在图像处理中，轮廓是由边缘检测算法得到的。
边缘检测是一种识别图像中明暗变化的方法，常用的算法有Sobel、Canny等。
二、OpenCV中的轮廓提取方法OpenCV提供了多种轮廓提取的方法，其中最常用的是findContours 函数。
该函数可以根据二值化图像找到图像中的轮廓，并将其保存为一个轮廓向量。
三、轮廓提取的原理轮廓提取的基本原理是通过图像的边缘信息来确定物体的边界。
具体步骤如下：1. 图像预处理：首先，对原始图像进行预处理，包括灰度化、降噪、二值化等操作。
这一步的目的是将图像转换为二值图像，使得物体与背景能够更好地区分开来。
2. 边缘检测：利用边缘检测算法，如Sobel、Canny等，在二值化图像中找到物体的边缘。
边缘检测算法会计算图像中每个像素点的梯度值，梯度值较大的点被认为是边缘点。
3. 轮廓提取：根据边缘图像，使用findContours函数将边缘点连接起来，形成物体的轮廓。
findContours函数会返回一个轮廓向量，其中每个轮廓由一系列的点表示。
4. 轮廓处理：根据需要，可以对轮廓进行进一步的处理，如轮廓拟合、轮廓面积计算等。
这些处理可以用于物体检测、形状识别等应用。
四、轮廓提取的应用轮廓提取在计算机视觉和图像处理中有广泛的应用，包括但不限于以下几个方面：1. 目标检测：通过提取图像中物体的轮廓，可以实现目标检测。
例如，可以通过形状匹配的方法，在图像中找到与给定模板形状相似的物体。
2. 图像分割：轮廓提取可以用于图像分割，将图像中的不同物体分离开来。
例如，在医学图像中，可以通过轮廓提取将肿瘤与正常组织分割开来。
CT图像区域轮廓线提取方法
维普资讯
大
（１ ．大庆 石 油 学 院 计 算 机 与 信 息 技 术 学 院 ， 龙 江 大 庆 １ ３ １ ； ２ 黑 ６ ３ ８ ．大 庆 石 油 管 理 局 电 力 集 团 ， 龙 江 大 庆 黑
１ ３ １ ） ６ ３４
摘
要： 为提 取 Ｃ 扫 描 图 像 区域 轮廓 线 ， 现 有 的 区域 边 界 生 成 方 法 进 行 改进 ．使 用 扫 描 线 算 法 ， 图像 中 的 指 定 Ｔ 对 对
在每层 二维 扫描 图像 中提取 感兴趣 区域 的边 界 轮廓线 ， 用重 构方法 构造 出相 应 的三维表 面模 型口 ．有 ２ 利 ］
种 较典 型 的算 法能 提取 出指定 区域 的边 缘点 ： 是 ＫＡＳ 提 出 的“ ＮＡＫＥ 法［ ， 一 ＳＭ Ｓ ” ２ 二是 王 子罡 提 出 的 ］
基 于扫描线 的区域边 界生 成方 法．这 ２种 方法 能 够得 到 一条 连 续 封 闭 的区 域边 界 ， 能 够充 分 利 用 区域 并 边 界 的相关性 ， 通过 对 区域边 缘点 的连接 ， 速指 定连 同区域 的 所有 封 闭 的连续 边 界 ； 这 ２种 算法 分 别 快 但
存 在效率 不佳 和无 法排 除 图像 噪声 干扰 的弊 端 ， 噪声 影 响 比较 显著 的 区域 ， 出现 孤 岛及 尖刺 效 果．为 在 会
收 稿 日期 ：０ ６一 ２—２ ； 稿 人 唐 世 伟 ； ２０ Ｏ ８审 编辑 ： 丽芹 郑
轮廓提取的智能算法
轮廓提取的智能算法1背景介绍轮廓提取是一种在图像处理中常用的算法，它可以实现对图像中目标物体的轮廓进行提取和描述。
在计算机视觉、图像识别、物体检测等领域中有着广泛的应用。
而随着人工智能技术的不断发展，轮廓提取的算法也在不断优化和完善。
2轮廓提取的基本原理轮廓提取的基本原理是基于像素点之间的差异进行计算，将相邻的像素点进行比较，在差异达到一定阈值的情况下，就认为这两个像素点是不同的，因此可以将它们相连成线条，从而得到目标物体的轮廓线。
常用的算法有Canny算法、边缘检测算法、边缘连接算法等。
3基于深度学习的轮廓提取算法传统的轮廓提取算法存在一些问题，比如在处理复杂图像或噪声干扰图像时，提取的轮廓线可能不准确。
而基于深度学习的轮廓提取算法可以更好地解决这些问题。
基于深度学习的轮廓提取算法主要是利用深度神经网络来实现的。
它通过使用卷积神经网络（CNN）对图像进行训练，从而获取到图像中的特征信息，并将其用于轮廓线的提取和描述。
这种算法的优点在于可以针对不同类别的图像进行训练和优化，从而提高算法的准确性和鲁棒性。
4基于强化学习的轮廓提取算法另外，还有基于强化学习的轮廓提取算法，它是基于强化学习的智能算法，通过对图像中的轮廓进行监督学习和探索，来确定最优的轮廓线。
这种算法可以更好地适应复杂图像和噪声干扰的情况，从而提高轮廓提取的准确度。
5轮廓提取的应用轮廓提取的应用非常广泛。
一方面，它可以用于计算机视觉和图像识别等领域，从而实现对物体的检测、跟踪和识别等功能；另一方面，它可以用于医学影像领域，如CT扫描图像的分析和诊断等。
此外，轮廓提取还可以用于计算机图形学，如建模、动画制作、虚拟现实等领域中。
6结论随着人工智能技术的不断发展，轮廓提取的算法也在不断优化和完善。
基于深度学习和强化学习的智能算法，使得轮廓提取可以更好地适应复杂图像和噪声干扰的情况，从而提高轮廓提取的准确度和鲁棒性。
而轮廓提取广泛应用于计算机视觉、医学影像和计算机图形学等领域中，在实际应用中具有重要的意义。
使用AI技术进行图像生成的方法
使用AI技术进行图像生成的方法一、引言随着人工智能（AI）技术的不断发展，图像生成已成为其重要领域之一。
现如今，我们可以通过AI技术快速高效地生成逼真的数字图像，这在许多领域都有着广泛的应用前景。
本文将介绍几种常用的使用AI技术进行图像生成的方法。
二、基于深度学习的图像生成深度学习是实现图像生成的重要方法之一。
在过去几年中，卷积神经网络（CNN）和生成对抗网络（GAN）等深度学习模型取得了巨大成功。
1. 卷积神经网络（CNN）卷积神经网络是一种特殊类型的神经网络，在图像处理任务中表现出色。
通过多层卷积和池化操作，CNN能够自动学习并提取图像中的特征。
在图像生成任务中，CNN可以根据输入数据与标签之间的关系来推断并生成新的数据。
2. 生成对抗网络（GAN）生成对抗网络由两个部分组成：一个生成器和一个判别器。
其中，生成器负责根据随机噪声等输入产生伪造数据，并试图欺骗判别器；而判别器则负责对所生成的数据进行鉴别和评估。
通过不断反复迭代训练，生成器和判别器之间的竞争促使网络生成逼真的图像。
三、基于变分自编码器（VAE）的图像生成除了使用深度学习模型，还可以运用变分自编码器（VAE）进行图像生成。
VAE是一种无监督学习模型，能够通过学会数据分布来实现图像重构与生成。
1. 自编码器（AE）自编码器是一种神经网络，旨在将输入数据压缩到低维表示，并尽可能准确地重新构建出原始输入数据。
自编码器由两个主要部分组成：编码器和解码器。
编码过程将输入数据转换为潜在空间中的表示，而解码过程则将该表示映射回原始输入空间。
2. 变分自编码器（VAE）变分自编码器加入了概率因素，并通过训练模型来学习数据集的概率分布。
VAE使用随机抽样的方式从潜在空间中采样，并利用解码器将采样得到的潜在向量映射回输入空间，从而实现图像生成。
四、基于轮廓线的图像生成除了直接从图像数据中生成，还可以通过轮廓线生成图像。
这种方法在一些特殊的应用场景中很有用，比如人脸重建等。
提取连通区域的轮廓算法
提取连通区域的轮廓算法连通区域的轮廓提取是计算机视觉和图像处理领域的一个重要任务，它可以用于边缘检测、物体识别、图像分割等应用。
在本文中，我们将介绍一种常用的连通区域的轮廓提取算法——基于边缘跟踪的方法。
连通区域的轮廓提取算法的基本思想是通过跟踪边缘像素来确定连通区域的边界。
具体而言，算法首先找到一个起始像素点，然后根据一定的规则选择下一个像素点，直到回到起始点为止。
在跟踪的过程中，通过判断当前像素点的邻域像素是否属于连通区域，来确定下一个跟踪的方向。
当跟踪到一个边界像素时，标记该像素为轮廓点，并继续跟踪下一个像素点。
这样就可以得到连通区域的轮廓。
具体实现时，可以采用四邻域或八邻域的方式进行边缘跟踪。
四邻域的方式只考虑当前像素点上下左右四个邻域像素，而八邻域的方式还考虑斜对角方向的四个邻域像素。
选择四邻域还是八邻域取决于具体的应用需求和图像特点。
在边缘跟踪的过程中，有几个关键的问题需要解决。
首先是选择起始像素点的问题。
一种常用的方法是选择图像中第一个遇到的边界像素作为起始点。
另一种方法是选择具有最小或最大灰度值的像素作为起始点。
其次是确定跟踪的方向。
一种简单的方法是按照顺时针或逆时针的顺序选择邻域像素进行跟踪。
还可以根据像素位置和灰度值的变化来确定跟踪的方向。
最后是确定何时终止跟踪的问题。
一般情况下，当回到起始点时，跟踪结束。
但是在实际应用中，可能需要根据具体需求设置其他的终止条件。
除了基本的边缘跟踪算法，还可以通过一些优化方法来提高连通区域轮廓提取的效果。
一种常用的优化方法是使用边缘连接算法，将多个局部的轮廓线连接成一个完整的轮廓线。
另一种优化方法是使用像素标记算法，将已经访问过的像素标记为已处理，避免重复处理。
连通区域的轮廓提取算法是图像处理领域中的一个重要问题。
通过跟踪边缘像素并标记轮廓点，可以有效地提取连通区域的边界信息。
在实际应用中，可以根据具体需求选择不同的边缘跟踪方式和优化方法，以达到更好的效果。
- 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)。
数学实验报告实验二图像轮廓线提取技术学院专业姓名学号成绩单序号提交日期一、实验目的1.了解对matlab的图像处理功能，掌握基本的图像处理方式；2.掌握imread，imshow，imwrite，subplot，title等的基本使用方法。
3.掌握图像轮廓线提取的简单方法并上机实现。
4.了解matlab自带的边界检测算子的使用，提高对复杂图像处理的能力。
二、实验要求1．任意选取一幅灰度图像和一幅彩色图像，对算法中若干关键语句中进行调整，得出不同的实验结果，对这些结果进行分析，并与MATLAB自带的边缘检测做对比。
2．提出其它的轮廓线提取方法，与简单阈值法进行比较分析。
三、实验过程1．任意选取一幅灰度图像和一幅彩色图像，对算法中若干关键语句中进行调整，得出不同的实验结果，对这些结果进行分析。
⑴灰度图的轮廓线提取，M文件代码：function gray(pix,n) %灰度图的轮廓线提取A=imread(pix); %读取指定的灰度图%生成与图像对应的矩阵[a,b]=size(A); %a,b分别等于矩阵A的行数和列数B=double(A); %将矩阵A变为双精度矩阵D=40*sin(1/255*B); %将矩阵B进行非线性变换T=A; %新建与A同等大小矩阵for p=2:a-1 %处理图片边框内的像素点for q=2:b-1if(D(p,q)-D(p,q+1))>n|(D(p,q)-D(p,q-1))>n|(D(p,q)-D(p+1,q))>n|(D(p,q)-D(p-1,q))>n|( D(p,q)-D(p-1,q+1))>n|(D(p,q)-D(p+1,q-1))>n|(D(p,q)-D(p-1,q-1))>n|(D(p,q)-D(p+1,q +1))>nT(p,q)=0; %置边界点为黑色%新建轮廓线矩阵elseT(p,q)=255; %置非边界点为白色end;end;end;subplot(2,1,1); %将窗口分割为两行一列，下图显示于第一行image(A); %显示原图像title('灰度图原图'); %图释axis image; %保持图片显示比例subplot(2,1,2); %下图显示于第二行image(T); %显示提取轮廓线后的图片title('提取轮廓线'); %图释axis image;①调整算法中的灰度值差值n，得到图像如下：图一n=1 图二n=5图三n=10 图四n=20②调整像素的灰度值T(p,q)，实验图像如下：图五边界点T(p,q)=0，非边界T(p,q)=255 图六边界点T(p,q)=20，非边界T(p,q)=120 ③调整非线性变化D=40*sin(1/255*B)中的系数，设其系数为A，所得实验图像如下：图七系数A=100 图八系数A=400图九系数A=15 图十系数A=40实验结果分析：①图一，二，三，四表明，灰度值差值在提取轮廓线中起到了决定性的作用，调整灰度值差值可以修整轮廓线的提取效果，差值越大则满足条件的边界点越少，边界点与非边界点区分不明显，提取的轮廓线较为模糊；差值越小则满足条件的边界点越多，提取的轮廓线线条较粗，精度也较低且颜色较深。
因此，在实际提取轮廓线时，为了达到最佳的提取效果，应该多次调整差值n，提高轮廓线的精度同时减少断点。
②图五，图六表明，调整像素的灰度值可以改变图像轮廓线的灰度级以及图像本身的背景，即改变非边界点的灰度级。
③图七，八，九，十表明，提取轮廓线时改变算法中非线性变化的系数，其效果相当于改变灰度值差值n。
在灰度值差值n相同的情况下，非线性变换的系数越大，其效果相当于差值n越小；相反，非线性变换的系数越小，其效果相当于差值n越大⑵彩色图的轮廓线提取，M文件代码：function color(pix,n) %彩色图片轮廓线提取函数A=imread(pix); %读取指定彩色图片for i=1:3 %依次从三个矩阵中提取轮廓线if i==1 %从红色矩阵提取E=A(:,:,1); ;else if i==2 %从绿色矩阵提取E=A(:,:,2); ;else E=A(:,:,3); ; %从蓝色矩阵提取end;end;H=double(E); %将选择的矩阵变为双精度矩阵F=40*sin(1/255*H); %进行非线性变换[k,j]=size(E); % k,j分别为矩阵D的行数和列数T=A;for p=2:k-1for q=2:j-1if(F(p,q)-F(p,q+1))>n|(F(p,q)-F(p,q-1))>n|(F(p,q)-F(p+1,q))>n|(F(p,q)-F(p-1,q))> n|(F(p,q)-F(p-1,q+1))>n|(F(p,q)-F(p+1,q-1))>n|(F(p,q)-F(p-1,q-1))>n|(F(p,q)-F( p+1,q+1))>nT(p,q,1)=0;T(p,q,2)=0;T(p,q,3)=0; %置边界点黑色elseT(p,q,1)=255;T(p,q,2)=255;T(p,q,3)=255;%置非边界点白色end;end;end;subplot(2,2,i+1); %将窗口分割为两行两列，下图显示于第i＋1位置image(T);%显示轮廓线if i==1 %从红色矩阵提取title('从红色矩阵提取');else if i==2 %从绿色矩阵提取title('从绿色矩阵提取');else title('从蓝色矩阵提取'); %从蓝色矩阵提取end; %图释axis image; %保持图片显示比例end;subplot(2,2,1); %下图显示于第1位置image(A); %显示原彩色图片title('彩色图原图'); %图释axis image; %保持图片显示比例end;改变灰度值差值n，所得图像如下：图十一n=1 图十二n=5图十三n=10 图十四n=20实验结果分析：从图十一，十二，十三，十四可以看到，对于彩色图而言，由于其像素点都是由红、绿、蓝三色的强度值一起定义其颜色，因此，即使对于相同灰度值差值n，对同一彩色图的不同单色矩阵提取轮廓线时，其效果是十分不同的。
例如在本实验中，蓝色矩阵提取效果最好，绿色次之，红色较差。
灰度图差值n 的影响则与其对灰度图的影响相同2.利用matlab自带的算子进行边缘检测利用matlab中log算子，roberts算子，sobel算子进行边缘检测，M文件代码：A=imread('C:\Users\wonder\Desktop\cc.JPG');B=rgb2gray(f);subplot(2,3,2);imshow(A);title(‘原始图像');C=edge(B,'log');subplot(2,3,4);imshow(C);title('log算子分割结果');D=edge(B,'sobel','both');subplot(2,3,5);imshow(D);title('sobel算子分割结果');E=edge(B,'roberts');subplot(2,3,6);imshow(E);title('roberts算子分割结果');实验图像如下：实验结果分析：从实验图像可知，对于同一图片，采用matlab中不同算子进行边缘检测时，其轮廓线提取结果也是不同的，例如在本实验中，采用roberts算子提取的轮廓线效果最好，sobel次之，log算子提取结果则较差。
在实际操作中，应该根据原始图像的具体情况采用合适的算子。
3.提出其它的轮廓线提取方法，与简单阈值法进行比较分析㈠算法思路：将指针在像素矩阵上依次移动，每到达一点时，取出其自身及其周围共9个像素点进行分析。
利用std函数计算这9个灰度值的标准差，当该值大于预设阈值n时，判断该点为边界点。
⑵M文件代码：clear;clf;a=imread('C:\Users\wonder\Desktop\cc.jpg');[s1,s2,s3]=size(a);n=30;b=a(:,:,1);b=b./2;for i=2:1:s1-1for j=2:1:s2-1c=[b(i-1,j-1:j+1,1),b(i,j-1:j+1,1),b(i+1,j-1:j+1,1)]; %将9个像素点排成一行s=std(double(c)); %计算九个像素点的标准差if s>n %将标准差与阈值n比较d(i,j,1)=0;else d(i,j,1)=255;endend;end;size(d);imshow(d);⑶实验图像如下：n=2 n=8n=12 n=18与简单阈值法进行比较分析：本算法采用指针对相素矩阵进行提取，由于指针的灵活性，算法相对于简单阈值法而言更为灵活，效率更高。
此外，算法采用像素点的标准差与阈值n 进行比较，而不是将其非线性变化后再与阈值n 比较，而标准差的误差较小，因此采用本算法提取轮廓线相对于简单阈值法而言，效果更好。