基于改进Sobel算子的红外图像边缘提取算法

合集下载

基于Sobel算子图像边缘检测的MATLAB实现

基于Sobel算子图像边缘检测的MATLAB 实现作者：吴术路来源：《电脑知识与技术》2010年第19期摘要:边缘检测在数字图像处理中有着重要的应用。

边缘是图像的最基本特征。

该文利用Sobel算子对图像进行水平和垂直的边缘提取,并对图像进行MATLAB仿真比较,仿真实验表明,该方法对图像边缘的检测精度较高,抗噪声能力强,提高了图像边缘检测效果。

关键词:边缘检测;Sobel算子;MATLAB中图分类号:TP391文献标识码:A文章编号:1009-3044(2010)19-5314-02Based on Sobel Edge Detection Operator of MATLAB ImplementationWU Shu-lu(Qinghai & TV University, Xi'ning 810008, China)Abstract: Edge detection in the digital image processing has important applications. Edge is the most basic features of the image. In this paper, Sobel operator to the image horizontal and vertical edge detection, and image comparison MATLAB simulation, simulation experiments show that the method has high precision in image detection, anti-noise ability and improving the image edge detection.Key words: edge detection; sobel operator; MATLAB边缘检测技术对于数字图像非常重要,边缘是所要提取目标和背景的边界线,提取出边缘才能将目标和背景区分开。

图像边缘提取

图像边缘提取图像的边界信息⼀般通过灰度值突变来体现，所以图像边缘提取⼀般通过捕捉灰度突变的⽅法来实现，捕捉灰度突变可以通过求微分来实现导数越⼤说明变化越⼤，边缘信号越强1.Sobel算⼦也叫离散微分算⼦，⼀阶微分算⼦，求导算⼦，先做⾼斯平滑在做微分求导可以在各个⽅向上求图像的梯度如⽔平⽅向 Gx=[-1,0,1,-2,0,2,-1,0,1]，垂直⽅向Gy=[-1,-2,-1,0,0,0,1,2,1]最终G=sqrt(Gx^2+Gy^2),或者G=|Gx|+|Gy|第⼆种的运算速度要快于第⼀种，所以⼀般采⽤第⼆种⽅法Sobel算⼦的改进版叫Scharr算⼦[-3，0，3，-10，0，10，-3，0，3]#include<iostream>#include<opencv2/opencv.hpp>using namespace std;using namespace cv;int main(int argc, char **argv){Mat src, dst;src = imread("b.png");if (src.empty()){cout << "load img failed" << endl;return -1;}imshow("input img", src);Mat gaussian,gray_src;GaussianBlur(src, gaussian, Size(3, 3), 0, 0);cvtColor(gaussian, gray_src, CV_BGR2GRAY);imshow("blur gray", gray_src);Mat xgrad, ygrad;Sobel(gray_src, xgrad, CV_16S, 1, 0, 3);Sobel(gray_src, ygrad, CV_16S, 0, 1, 3);convertScaleAbs(xgrad, xgrad);convertScaleAbs(ygrad, ygrad);imshow("x grade", xgrad);imshow("y grade", ygrad);addWeighted(xgrad, 0.5, ygrad, 0.5, 0, dst);imshow("output img", dst);/*dst = Mat(xgrad.size(), xgrad.type());int width = dst.cols;int height = dst.rows;for(int i=0;i<height;++i)for (int j = 0; j < width; ++j){int xg = xgrad.at<char>(i, j);int yg = ygrad.at<char>(i, j);int xy = xg + yg;dst.at<char>(i, j) = saturate_cast<uchar>(xy);}imshow("output img", dst);*/waitKey(0);return0;}plance算⼦求⼆阶导数，在⼆阶导数的时候，最⼤变化处的值为0，即边缘的⼆阶导数是0流程：⾼斯模糊去噪GaussianBlur()转为灰度值cvtColor()Laplance⼆阶导数计算Laplancian()取绝对值convertScaleAbs()显⽰结果#include<iostream>#include<opencv2/opencv.hpp>using namespace std;using namespace cv;int main(int argc, char **argv){Mat src, dst;src = imread("b.png");if (src.empty()){cout << "load img failed" << endl;return -1;}imshow("input img", src);Mat gaussian,gray_src;GaussianBlur(src, gaussian, Size(3, 3), 0, 0);cvtColor(gaussian, gray_src, CV_BGR2GRAY);imshow("blur gray", gray_src);Laplacian(gray_src, dst, CV_16S,3);convertScaleAbs(dst, dst);imshow("Laplacian", dst);threshold(dst, dst, 0, 255, THRESH_OTSU | THRESH_BINARY);imshow("output img", dst);/*dst = Mat(xgrad.size(), xgrad.type());int width = dst.cols;int height = dst.rows;for(int i=0;i<height;++i)for (int j = 0; j < width; ++j){int xg = xgrad.at<char>(i, j);int yg = ygrad.at<char>(i, j);int xy = xg + yg;dst.at<char>(i, j) = saturate_cast<uchar>(xy);}imshow("output img", dst);*/waitKey(0);return0;}3.Canny边缘检测步骤：⾼斯模糊 GaussianBlur灰度转换cvtColor计算梯度Sobel/Scharr⾮最⼤信号抑制⾼低阈值输出⼆值图像⾮最⼤信号抑制需要计算梯度⽅向T1为低阈值，T2为⾼阈值，凡是⾼于T2的都保留，凡是低于T1的都丢弃，从⾼于T2的像素出发，凡是⼤于T1且相互连接的都保留，最终得到⼀个输出⼆值图像推荐的⾼低阈值⽐为3：1或2：1Canny(src,dst,threshold_low,threshold_high,Sobel_size,Lwgradient)最后⼀个如果是true就⽤L2归⼀化（开根），如果不是就L1归⼀化（绝对值），⼀般⽤L1 #include<iostream>#include<opencv2/opencv.hpp>using namespace std;using namespace cv;Mat src, dst, gray_src, gaussian;int t1_value = 50;int max_value = 255;const char* OUTPUT_TITLE = "Canny Result";void Canny_Demo(int,void*);int main(int argc, char **argv){//Mat src, dst;src = imread("b.png");if (src.empty()){cout << "load img failed" << endl;return -1;}imshow("input img", src);//Mat gaussian,gray_src;//GaussianBlur(src, gaussian, Size(3, 3), 0, 0);namedWindow(OUTPUT_TITLE, CV_WINDOW_AUTOSIZE);cvtColor(src, gray_src, CV_BGR2GRAY);createTrackbar("Threshold Value :", OUTPUT_TITLE, &t1_value, max_value, Canny_Demo);Canny_Demo(0, 0);waitKey(0);return0;}void Canny_Demo(int, void*){Mat edge_output;blur(gray_src, gray_src, Size(3, 3), Point(-1, -1), BORDER_DEFAULT);Canny(gray_src, edge_output, t1_value, t1_value * 2, 3, false);//dst.create(src.size(), src.type());//src.copyTo(dst, edge_output);imshow(OUTPUT_TITLE, ~edge_output);}去掉注释会变成彩⾊图，注意修改imshow中的输出变量。

Matlab实现：图像边缘提取

Matlab实现：图像边缘提取1、边缘提取算法⽅法⼀：⼀阶微分算⼦Sobel算⼦Sobel算⼦检测⽅法对灰度渐变和噪声较多的图像处理效果较好，Sobel算⼦对边缘定位不是很准确，图像的边缘不⽌⼀个像素。

Roberts算⼦Roberts算⼦检测⽅法对具有陡峭的低噪声的图像处理效果较好，但是利⽤roberts算⼦提取边缘的结果是边缘⽐较粗，因此边缘的定位不是很准确。

Prewitt算⼦Prewitt算⼦检测⽅法对灰度渐变和噪声较多的图像处理效果较好。

但边缘较宽，⽽且间断点多。

Canny算⼦Canny算⼦是⽬前边缘检测最常⽤的算法，效果也是最理想的。

Canny⽅法不容易受噪声⼲扰，能够检测到真正的弱边缘。

优点在于，使⽤两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。

⽅法⼆：⼆阶微分算⼦Laplacian算⼦Laplacian算⼦法对噪声⽐较敏感，所以很少⽤该算⼦检测边缘，⽽是⽤来判断边缘像素视为与图像的明区还是暗区。

2、实验结果分析⼀、边缘提取：Sobel算⼦检测⽅法对灰度渐变和噪声较多的图像处理效果较好，sobel算⼦对边缘定位不是很准确，图像的边缘不⽌⼀个像素；Roberts算⼦检测⽅法对具有陡峭的低噪声的图像处理效果较好，但是利⽤roberts算⼦提取边缘的结果是边缘⽐较粗，因此边缘的定位不是很准确；Prewitt算⼦检测⽅法对灰度渐变和噪声较多的图像处理效果较好。

但边缘较宽，⽽且间断点多；Laplacian算⼦法对噪声⽐较敏感，所以很少⽤该算⼦检测边缘，⽽是⽤来判断边缘像素视为与图像的明区还是暗区；Canny⽅法不容易受噪声⼲扰，能够检测到真正的弱边缘。

优点在于，使⽤两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。

⼆、边缘复合增强Sobel、Robert、Prewitt算⼦的增强效果并不是很明显，尤其是Robert算⼦，因为它提取的边缘点过于稀疏和离散；Laplacian算⼦和canny算⼦的增强效果都⽐较理想，将边缘叠加上去后，整个⼿的轮廓和边缘都很清晰，直观上看，canny算⼦实现的效果⽐Laplacian算⼦好，最明显的地⽅就是⼿指尖的边缘。

基于图像增强的边缘检测方法

ｎ与ｎｉ和进行比较，比值分别记为一［ｉ，如果两个比值均大于（为一常数）１Ｊ＋￣ｋ１，则对此范围内的象素进行灰度变换，如果ｆ＜０５；ｆ．则根据公式：
：１＝＝
（ ‘ ）。ｚ而＋・一５
（１）
将低灰度级区间拉伸到相对较宽和较高的灰度级范围内。（。Ｚ代表目标灰度级范围，Ｚ代表十等分后的
收稿日期：２０—９２０６０—８
基金项目：四川省教育厅青年基金项目（０４１）２０Ｂ０８
作者简介：陈吕强（９２）１８一，男，安徽淮北人，硕士生，主要从事图像处理及模式识别方面的研究。
维普资讯
７８
四Ｊ理工学院学报（自然科学版）ｌｌ
文章编号：１７ — ５９（０７）０～０７０６３１４２０２０７ —４
基于图像增强的边缘检测方法
陈吕强，杨平先，李奇琳，孙兴波
（．１四川理工学院电子与电信工程系，四川自６３０；２贡４００．成都农业科技职业学院，成都６１３）１１０
１改进的边缘检测算法
１１图像自适应增强算法．
图像增强在图像的预处理中具有重要作用，它的目的是提高低对比度图像的质量，扩大目标与背景之间的灰度差值。对于一幅数字图像来说，如果物体边缘没有与其相邻物体形成明显的灰度对比，那么有可能在边缘检测中将一些物体的边缘漏检。为了更好的检测一幅图像的细节边缘，采用图像的
维普资讯
第２卷第２ Biblioteka 期２００７年４月
四川理工学院学报（自然科学版）

基于改进的Sobel算子边缘检测算法

基于改进的Sobel算子边缘检测算法沈德海;侯建;鄂旭【摘要】为了解决传统的Sobel算子算法存在的斜向方向不敏感问题，提出了一种改进的Sobel算法。

该算法在Sobel 算子的基础上，增加了45º和135º2个方向模板，并且以斜向边缘为主重新分配了算子模板的权重。

算法先将图像转换为灰度图像，然后用改进的Sobel算子得到梯度图像，再采用局部梯度阈值对梯度图像进行细化处理，最后结合斜向边缘方向域值进行二值化，得到边缘图像。

仿真实验表明，与传统Sobel算法相比，该算法提高了检测精度，使得边缘细节更丰富、更连续。

%An improved Sobel algorithm is proposed to overcome the disadvantage,which the traditional Sobel operator algorithm is insen-sitive for the diagonal directions. The algorithm increases two templates in both directions of 45 o and 135 o ,and reallocates operator tem-plate weight according to diagonal edge. The algorithm first converts the image to grayscale image,and then obtains the gradient image with the improved Sobel operator,then refines the gradient image with local gradient threshold values,finally the algorithm binaries the image according to the direction toward combining selected threshold. Simulation result shows that the algorithm has a higher detection accuracy,achieves more rich and more continuous edge than traditional Sobel algorithm.【期刊名称】《计算机技术与发展》【年(卷),期】2013(000)011【总页数】4页(P22-25)【关键词】边缘检测;Sobel算子;斜向边缘【作者】沈德海;侯建;鄂旭【作者单位】渤海大学信息科学与技术学院，辽宁锦州 121013;渤海大学信息科学与技术学院，辽宁锦州 121013;渤海大学信息科学与技术学院，辽宁锦州121013【正文语种】中文【中图分类】TP391.410 引言图像边缘是图像灰度变化最显著的区域或边界，主要存在于不同的目标、背景及区域之间，是图像分析工作(如图像分割、纹理和形状特征提取等)的重要基础。

基于Sobel算子的医学图像边缘检测研究

基于Sobel算子的医学图像边缘检测研究沈德海;鄂旭;张龙昌【摘要】边缘检测是图像处理过程的关键技术.由于医学图像的特殊性,检测边缘的准确性对疾病的诊断和治疗有着重大的影响.针对传统Sobel算法存在定位不精确、提取边缘较粗等不足,提出了一种改进算法.算法在传统Sobel算子模板基础上增加了45°方向和135°方向两个模板,提高了边缘定位的精度,采取局部梯度均值作为阈值对初始梯度图像进行局部梯度筛选,局部弱边缘得到增强,然后对处理后梯度图像进行细化和提取,得到边缘图像.实验证明,算法获取的图像边缘与传统Sobel算法相比,具有定位准确、边连续性好和边缘较细等优点,在医学图像处理中具有一定的实用性.【期刊名称】《电子设计工程》【年(卷),期】2015(023)007【总页数】4页(P141-144)【关键词】医学图像;边缘检测;Sobel算子;细化【作者】沈德海;鄂旭;张龙昌【作者单位】渤海大学信息科学与技术学院,辽宁锦州121013;渤海大学信息科学与技术学院,辽宁锦州121013;渤海大学信息科学与技术学院,辽宁锦州121013【正文语种】中文【中图分类】TN911.73图像的边缘是指其周围像素灰度发生阶跃变化或屋顶形状变化的像素的集合[1]，边缘检测就是确定和提取图像中目标物体的边界信息，为后续分析和处理提供重要的依据。

医学图像由于成像的特殊性，与普通图像不同，其本质上具有模糊性和不均匀性[2]，例如，CT图像中，同一组织中的信号值会出现较大幅度变化；由于局部体效应，一些病变组织由于侵袭周围组织，造成边缘确定较难。

另外，由于医学图像采集过程中不可避免受到一些噪声的干扰，造成图像清晰度的降低，边缘往往不清晰，提取时会出现虚假边缘[3]，为了提高诊断的精确性，治疗的有效性，医学图像的检测边缘必须要轮廓清晰，细节尽可能少丢失，边缘细锐，因此探究良好的边缘检测算法意义十分重大。

图像边缘检测算法一直是国内外众多学者研究的热点之一，总体上分为以下两大类：一类是传统边缘检测方法，如Roberts、Sobel、Laplacian、Prewitt、Canny、形态学算子[4]及小波变换[5]等。

sobel算子

Sobel算子改进算法通过以上对经典边缘检测算法的分析可知，Sobel算法的优点是计算简单，速度快。

但是由于只采用了2个方向的模板，只能检测水平和垂直方向的边缘，因此这种算法对于纹理较为复杂的图像，其边缘检测效果就不是很理想。

该算法认为：凡灰度新值大于或等于阈值的像素点时都是边缘点。

这种判断欠合理，会造成边缘点的误判，因为许多噪声点的灰度值也很大。

由于图像的边缘有许多方向，除了水平方向和垂直方向外，还有其他的方向，下面将对Sobel算子进行改进，即将算子模板扩展到8个模板，如图3.１所示。

图3.1 8个方向模板进过8个方向模板的计算，对某一幅图像进行逐点计算，并且去最大值为像素点的新灰度值，通过阈值的设定，判断边缘点。

最大值对应的模板所表示的方向为该像素点的边缘方向。

Sobel改进算法的思想与步骤。

针对经典Sobel算子对边缘具有很强的方向性特点，设计了一种基于Sobel算子上改进的算法，其主要思想是先对图像进行全局阈值的分割处理，因为分割后的图像是二值图像，此时进行边缘提取，这就可以各个方向的边缘都可以检测到。

但也可能会丢失原本直接用算子检测到的边缘。

Sobel 算子的优点是方法简单、处理速度快, 并且所得的边缘光滑, 其缺点是边缘较粗, 得到的边缘象素往往是分小段连续, 由于处理时需作二值化处理, 故得到的边缘与阈值的选取有很大的关系, 并且边缘图中梯度幅值较小的边缘也丢失了。

为克服这个缺陷,对 S( i, j)引入一个衰减因子 D, 用它去除计算的结果, 即:(,)S i j=（3.1）因此，用处理后的所得到图像与Sobel 算子直接对原始图像进行边缘检测的图像相加，这一步显得尤为重要。

最后分别对数字图像和红外图像进行MATLAB 仿真，从仿真的结果可以看出，此算法具有较好的精度。

三次样条插值Sobel 算子检测出像素级边缘后,为了得到亚像素级的边缘,要对灰度边缘图进行内插处理。

插值算法有很多种,例如最近邻插值、双线性插值、三次样条插值等等。

基于改进sobel算法的叶片图像边缘检测

基于改进Sobel算法的叶片图像边缘检测张辉，马明建(山东理工大学农业工程与食品科学学院，山东淄博255049)摘要：采用数字图像处理技术对叶片图像进行边缘检测，主要研究了基于s obel算子的叶片边缘的检测方法。

在对图像进行灰度化和滤波去噪等预处理的基础上。

增加了6个方向模板对s obel算子进行改进。

试验证明，该方法有效解决了S0bel算子边缘检测时边缘过粗的问题，得到的边缘较细，精确度提高了13．6％。

关键词：边缘检测；叶片；s obel算子中圈分类号：S126：T F玛91．41文献标识码：A文章编号：1003—188X(2012J05—0046—03续表l0引言在图像分析和处理中，边缘是图像分割的重要依据，又是许多图像高层处理(如图像理解和识别等)的重要前提，因此图像边缘检测的好坏将直接影响后续处理的精度和效果…。

在几种经典的边缘检测算子中，s obel算子方法简单、处理速度快，并且所得的边缘光滑、连续。

但它能检测的方向有限，抗噪能力比较低，这也给它的使用带来局限性。

为此，本文针对农业叶片图像边缘检测中的问题，提出了一种改进的基于s obe l算子的边缘提取算法，使得检测的方向和精度都得到了提高。

1经典边缘检测算子存在的问题目前，经典的边缘检测算子都有：S obel，R obens，Pr e w i n，G auss Lapl ace，C aI l ny等算子忙1。

对图像进行边缘检测时，运算速度与选取的模块大小有直接关系：模块越大，检测效果越明显，速度越慢；反之则效果差一点，但速度提高很多。

其次，抑制噪声和边缘精确定位是无法同时满足的，以下是各个算子的特点，如表1所示。

表1边缘榆测算子的特点边缘检测箅子算子特点s obe I算子采用加权滤波，边缘清晰且较细。

产生断点，产生伪边缘Pr e w i t t算子采用平均滤波，边缘较宽，断点多。

产生伪边缘收稿日期：20l l一06—28基金项目：山东省自然科学基金项目(2003ZX l O)作者简介：张辉(1986一)，男，山东淄博人，硕士研究生，(E—m B i l) 148089452@163．com。

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)。

中图分类号：ＴＰ７５１．１文献标识码：ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１ — ５０７８．２０１３．１０．１７
Ｅｄｇｅｅｘｔｒａｃｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｉｎｆｒａｒｅｄｔｈｅｒｍａｌｉｍａｇｅｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｓｏｂｅｌｏｐｅｒａｔｏｒ
像的边缘，弥３１、Ｓｏｂｅｌ算子的不足及提高了Ｓｏｂｅｌ算子边缘检测的性能，计算简单，具有良好的检测精度，而且得到的边缘较细，极大的改善了图像边缘提取的效果。
关键词：图像处理；边缘检测；改进的Ｓｏｂｅｌ算子；热红外图像
Ａｂｓｔｒａｃｔ：Ｔｈｅｉｎｆｒａｒｅｄｉｍａｇｅｏｆｔｅｎｈａｓｔｈｅｄｒａｗｂａｃｋｓｏｆｆｕｚｚｙｅｄｇｅ，ｔｈｅｉｍａｇｅｄｉｖｅｒｓｉｔｙａｎｄｄｉｉｃｆｕｌｔｙｔｏｅｘｔｒａｃｔｔｈｅｅｄｇｅｉｎｆｏｒｍａｔｉｏｎ．Ｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓ，ａｎｅｄｇｅｅｘｔｒａｃｔｉｏｎａｌｇｏｉｔｒｈｍｂａｓｅｄｏｎＳｏｂｅｌｏｐｅｒａｔｏｒｇｒａｄｉｅｎｔｍｕｌｔｉｐｌｉｃａｔｉｏｎｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｈｉｇｈｔｅｍｐｅｒａｔｕｒｅｒｅｇｉｏｎｏｆｔｈｅｔａｒｇｅｔｔｏｂｅｉｄｅｎｔｉｉｆｅｄｉｓｅｘｔｒａｃｔｅｄ；ｓｅｃｏｎｄｌｙ，ＳｏｂｅｌｏｐｅｒａｔｏｒａｄｄｅｄｓｉｘｏｒｉｅｎｔａｔｉｏｎｔｅｍｐｌａｔｅｓａｎｄＲｏｂｅｒｔｓｏｐｅｒａｔｏｒａｒｅｕｓｅｄｔｏｅｘｔｒａｃｔｉｍａｇｅｅｄｇｅ；ｔｈｉｒｄｌｙ，ｔｗｏｇｒａｄｉｅｎｔｍａｇｎｉｔｕｄｅｉｍａｇｅｓａｒｅｍｕｌｔｉｐｌｉｅｄ；ｆｏｕｒｔｈｌｙ，ｅｄｇｅｅｘｔｒａｃｔｅｄｉｍａｇｅｉｓｏｂｔａｉｎｅｄ．ＭＡＴＬＡＢｉｓｕｓｅｄｔｏｓｉｍｕｌａｔｅｔｈｅｉｍａｇｅ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅ — ｓｕｈｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｒａｐｉｄｌｙａｎｄｅｉｃｆｉｅｎｔｌｙｅｘｔｒａｃｔｔｈｅｅｄｇｅｏｆｉｎｆｒａｒｅｄｔｈｅｒｍａｌｉｍａｇｅ，ｍａｋｅｕｐｔｈｅｄｅｔｆ — ｃｉｅｎｃｉｅｓｏｆＳｏｂｅｌｏｐｅｒａｔｏｒａｎｄｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＳｏｂｅｌｏｐｅｒａｔｏｒ．Ｔｈｅａｌｇｏｒｉｔｈｍｈａｓｓｉｍｐｌｅｃａｌｃｕｌａｔｉｏｎ，ｈＪｉｇｈｐｒｅｃｉｓｉｏｎａｎｄｓｈａｒｐｅｄｇｅ．Ｉｔｉｓｅｆｆｅｃｔｉｖｅｆｏｒｉｎｆｒａｒｅｄｉｍａｇｅｅｄｇｅｅｘｔｒａｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ；ｅｄｇｅｄｅｔｅｃｔｉｏｎ；ｔｈｅｉｍｐｒｏｖｅｄＳｏｂｅｌｏｐｅｒａｔｏｒ；ｉｎｆｒａｒｅｄｔｈｅｒｍａｌｉｍａｇｅ
第４３卷第１０期２０１３年１０月
激光与红外
ＬＡＳＥＲ＆ＩＮＦＲＡＲＥＤ
Ｖｏ１．４３，Ｎｏ．１０Ｏｃｔｏｂｅｒ，２０１３
文章编号：１００１ — ５０７８（２０１３）１０ — １１５８－０４
・图像与信号处理・
基于改进Ｓｏｂｅｌ算子的红外图像边缘提取算法
夏清，张振鑫，王婷婷，王亚云，石 பைடு நூலகம்娟
（１．中国矿业大学（北京）土地复垦与生态重建研究所，北京１０００８３；２．中国矿业大学（北京）地球科学与测绘工程学院，北京１０００８３）
ＸＩＡＱｉｎｇ一，ＺＨＡＮＧＺｈｅｎ — ｘｉｎ，ＷＡＮＧＴｉｎｇ．ｒｉｎｇ，ＷＡＮＧＹａ — ｙｕｎ，ＳＨＩＪｕａｎ－ｊｕａｎ
（１．ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＭｉｉｎｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ（Ｂｅｉｊｉｎｇ），ＩｎｓｔｉｔｕｔｅｏｆｌａｎｄＲｅｃｌａｍａｔｉｏｎｎｄａＥｃｏｌｏｇｉｃａｌＲｅｃｏｓｔｎｒｕｃｉｔｏｎ，Ｂｅｉｊｉｎｇ１（１１３８３，Ｃｈｉｎａ；２ＣｉｎｈａＵｉｎｖｅｓｒｉｔｙｏｆＭｉｉｎｎｇｎｄａＴｅｃｎｏｈｌｏｇｙ（Ｂｅｉｊｉｎｇ），ＣｏｌｌｅｇｅｏｆＧｅｏｓｃｉｅｎｃｅａｎｄＳｕｒｖｅｙｉｎｇＥｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｉｈｎａ）
摘要：针对红外热像仪采集的图像边缘信息模糊，图像显示多样性，边缘信息难提取的特点，提出了一种基于Ｓｏｂｅｌ算子梯度相乘的边缘提取算法。该算法首先对红外热像仪图像进行待识别目标的高温区域提取，然后分别利用增加了６个方向模板的Ｓｏｂｅｌ算子和Ｒｏｂｅａｓ算子对图像进行边缘提取，再将得到的两幅梯度幅值图像进行梯度相乘，最终得到边缘提取图像。最后，用ＭＡＴＬＡＢ对图像进行了仿真，仿真结果表明，该算法能够快速有效地提取红外热像仪图