(完整版)边缘提取和边缘检测matlab程序代码大全

附录

Part1：对cameraman原始图像处理的仿真程序：

clc

clear all

close all

A = imread('cameraman.bmp'); % 读入图像

subplot(2,4,1);

imshow(A);title('原图');

x_mask = [1 0;0 -1]; % 建立X方向的模板

y_mask = rot90(x_mask); % 建立Y方向的模板

I = im2double(A); % 将图像数据转化为双精度

dx = imfilter(I, x_mask); % 计算X方向的梯度分量dy = imfilter(I, y_mask); % 计算Y方向的梯度分量grad = sqrt(dx.*dx + dy.*dy); % 计算梯度

grad = mat2gray(grad); % 将梯度矩阵转换为灰度图像level = graythresh(grad); % 计算灰度阈值

BW = im2bw(grad,level); % 用阈值分割梯度图像subplot(2,4,2);

imshow(BW); % 显示分割后的图像即边缘图像

title('Roberts');

y_mask = [-1 -2 -1;0 0 0;1 2 1];

x_mask = y_mask';

I = im2double(A);

dx = imfilter(I, x_mask);

dy = imfilter(I, y_mask);

grad = sqrt(dx.*dx + dy.*dy); % 计算梯度

grad = mat2gray(grad);

level = graythresh(grad);

BW = im2bw(grad,level);

subplot(2,4,3);

imshow(BW); % 显示分割后的图像即边缘图像

title('Sobel');

y_mask = [-1 -1 -1;0 0 0;1 1 1];

x_mask = y_mask';

dx = imfilter(I, x_mask);

dy = imfilter(I, y_mask);

grad = sqrt(dx.*dx + dy.*dy); % 计算梯度

grad = mat2gray(grad);

level = graythresh(grad);

BW = im2bw(grad,level); % 用阈值分割梯度图像

subplot(2,4,4);

imshow(BW); % 显示分割后的图像即边缘图像

title('Prewitt');

mask=[0,-1,0;-1,4,-1;0,-1,0]; % 建立模板

dx = imfilter(I, mask); % 计算梯度矩阵

grad = mat2gray(dx); % 将梯度矩阵转化为灰度图像

BW = im2bw(grad,0.58); % 用阈值分割梯度图像

subplot(2,4,5);

imshow(BW); % 显示分割后的图像，即梯度图像

title('Laplacian');

mask=[0,0,-1,0,0;0,-1,-2,-1,0;-1,-2,16,-2,-1;0,-1,-2,-1,0;0,0,-1,0,0]; % 建立模板dx = imfilter(I, mask); % 计算梯度矩阵

grad = mat2gray(dx); % 将梯度矩阵转化为灰度图像

BW = im2bw(grad,0.58);

subplot(2,4,6);

imshow(BW); % 显示分割后的图像，即梯度图像

title('log');

BW1 = edge(I,'canny'); % 调用canny函数

subplot(2,4,7);

imshow(BW1); % 显示分割后的图像，即梯度图像

title('Canny');

mask1=[-1 -2 -1;0 0 0;1 2 1]; % 建立方向模板

mask2=[-2 -1 0;-1 0 1;0 1 2];

mask3=[-1 0 1;-2 0 2;-1 0 1];

mask4=[0 1 2;-1 0 1;-2 -1 0];

mask5=[1 2 1;0 0 0;-1 -2 -1];

mask6=[2 1 0;1 0 -1;0 -1 -2];

mask7=[1 0 -1;2 0 -2;1 0 -1];

mask8=[0 -1 -2;1 0 -1;2 1 0];

d1 = imfilter(I, mask1); % 计算8个领域的灰度变化

d2 = imfilter(I, mask2);

d3 = imfilter(I, mask3);

d4 = imfilter(I, mask4);

d5 = imfilter(I, mask5);

d6 = imfilter(I, mask6);

d7 = imfilter(I, mask7);

d8 = imfilter(I, mask8);

dd = max(abs(d1),abs(d2)); % 取差值变化最大的元素组成灰度变化矩阵dd = max(dd,abs(d3));

dd = max(dd,abs(d4));

dd = max(dd,abs(d5));

dd = max(dd,abs(d6));

dd = max(dd,abs(d7));

dd = max(dd,abs(d8));

grad = mat2gray(dd); % 将灰度变化矩阵转化为灰度图像

BB = grad;

FW=median(BB(:))/0.6745;

B = BB.*BB;

B = sum(B(:));

FX= sqrt(B/256^2);

FS=sqrt(max(FX^2-FW^2,0));

T=sqrt(2)*FW^2/FS; % 计算最佳阈值

grad = mat2gray(BB);

BW2=im2bw(grad,T); % 用最佳阈值分割梯度图像subplot(2,4,8);

imshow(BW2); % 显示分割后的图像，即边缘图像title('sobel改进算子');

Part2加入高斯噪声后的cameraman仿真程序：

clc

clear all

close all

A = imread('cameraman.bmp'); % 读入图像

V=0.009;

X=imnoise(A,'gaussian',0,V);

subplot(2,4,1);

imshow(X);%添加均值为0、方差0.09的高斯噪声

x_mask = [1 0;0 -1]; % 创建X方向的模板

y_mask = rot90(x_mask); % 创建Y方向的模板

I = im2double(X); % 图像数据双精度转化

dx = imfilter(I, x_mask); % X方向的梯度分量的计算dy = imfilter(I, y_mask); % Y方向的梯度分量的计算grad = sqrt(dx.*dx + dy.*dy); % 梯度计算

grad = mat2gray(grad); % 梯度矩阵转换成灰度图像level = graythresh(grad); % 计算灰度阈值

BW = im2bw(grad,level); % 使用阈值分割梯度图像subplot(2,4,2);

imshow(BW); % 显示分割后的图像即边缘图像title('Roberts');

y_mask = [-1 -2 -1;0 0 0;1 2 1];

x_mask = y_mask';

dx = imfilter(I, x_mask);

dy = imfilter(I, y_mask);

grad = sqrt(dx.*dx + dy.*dy);

grad = mat2gray(grad); % 梯度矩阵转为灰度图像level = graythresh(grad); % 计算灰度阈值

BW = im2bw(grad,level); % 用阈值分割梯度图像subplot(2,4,3);

imshow(BW); % 显示分割后的图像即边缘图像title('Sobel');

y_mask = [-1 -1 -1;0 0 0;1 1 1];

x_mask = y_mask';

dx = imfilter(I, x_mask);

dy = imfilter(I, y_mask);

grad = sqrt(dx.*dx + dy.*dy);

grad = mat2gray(grad);

level = graythresh(grad);

BW = im2bw(grad,level);

subplot(2,4,4);

imshow(BW); % 显示分割后的图像即边缘图像title('Prewitt');

mask=[0,-1,0;-1,4,-1;0,-1,0]; % 建立模板

dx = imfilter(I, mask); % 计算梯度矩阵

grad = mat2gray(dx); % 将梯度矩阵转化为灰度图像BW = im2bw(grad,0.58); % 用阈值分割梯度图像subplot(2,4,5);

imshow(BW); % 显示分割后的图像，即梯度图像

title('Laplacian');

mask=[0,0,-1,0,0;0,-1,-2,-1,0;-1,-2,16,-2,-1;0,-1,-2,-1,0;0,0,-1,0,0]; % 建立模板dx = imfilter(I, mask); % 计算梯度矩阵

grad = mat2gray(dx); % 将梯度矩阵转化为灰度图像

BW = im2bw(grad,0.58); % 用阈值分割梯度图像

subplot(2,4,6);

imshow(BW); % 显示分割后的图像，即梯度图像

title('log');

BW1 = edge(I,'canny'); % 调用canny函数

subplot(2,4,7);

imshow(BW1); % 显示分割后的图像，即梯度图像

title('Canny');

mask1=[-1 -2 -1;0 0 0;1 2 1]; % 建立方向模板

mask2=[-2 -1 0;-1 0 1;0 1 2];

mask3=[-1 0 1;-2 0 2;-1 0 1];

mask4=[0 1 2;-1 0 1;-2 -1 0];

mask5=[1 2 1;0 0 0;-1 -2 -1];

mask6=[2 1 0;1 0 -1;0 -1 -2];

mask7=[1 0 -1;2 0 -2;1 0 -1];

mask8=[0 -1 -2;1 0 -1;2 1 0];

d1 = imfilter(I, mask1); % 计算8个领域的灰度变化

d2 = imfilter(I, mask2);

d3 = imfilter(I, mask3);

d4 = imfilter(I, mask4);

d5 = imfilter(I, mask5);

d6 = imfilter(I, mask6);

d7 = imfilter(I, mask7);

d8 = imfilter(I, mask8);

dd = max(abs(d1),abs(d2)); % 取差值变化最大的元素组成灰度变化矩阵

dd = max(dd,abs(d3));

dd = max(dd,abs(d4));

dd = max(dd,abs(d5));

dd = max(dd,abs(d6));

dd = max(dd,abs(d7));

dd = max(dd,abs(d8));

grad = mat2gray(dd); % 将灰度变化矩阵转化为灰度图像BB = grad;

FW=median(BB(:))/0.6745;

B = BB.*BB;

B = sum(B(:));

FX= sqrt(B/256^2);

FS=sqrt(max(FX^2-FW^2,0));

T=sqrt(2)*FW^2/FS; % 计算最佳阈值

grad = mat2gray(BB); % 将梯度矩阵转化为灰度图像BW2=im2bw(grad,T); % 用最佳阈值分割梯度图像subplot(2,4,8);

imshow(BW2); % 显示分割后的图像，即边缘图像

title('sobel改进算子');

加入椒盐噪声的边缘检测程序：

function jingdian

I=imread('lenna.bmp');

I1=imnoise(I,'salt & pepper');%添加椒盐噪声，默认值为0.02 figure,imshow(I1);%添加均值为0、方差0.002的高斯噪声title('添加椒盐噪声后原图')

B1=edge(I1,'roberts');

B2=edge(I1,'sobel');

B3=edge(I1,'prewitt');

B4=edge(I1,'canny');

B5=edge(I1,'log');

subplot(2,3,1);

imshow(B1);title('roberts算子检测');

subplot(2,3,2);

imshow(B2);title('sobel算子检测');

subplot(2,3,3);

imshow(B3);title('prewitt算子检测');

subplot(2,3,4);

imshow(B4);title('canny算子检测');

subplot(2,3,5)

imshow(B5);title('log算子检测');

B1=edge(I1,'roberts');%调用roberts算子检测图像

B2=edge(I1,'sobel');%调用soble算子进行边缘检测

B3=edge(I1,'prewitt');%调用prewitt算子进行边缘检测

B4=edge(I1,'canny');%调用canny算子对图像进行边缘检测

B5=edge(I1,'log');%调用log算子对图像进行边缘检测

subplot(2,3,1);%设置图像布局

imshow(B1);title('roberts算子检测');%现实图像并命名为roberts算子检测subplot(2,3,2);

imshow(B2);title('sobel算子检测');

subplot(2,3,3);

imshow(B3);title('prewitt算子检测');

subplot(2,3,4);

imshow(B4);title('canny算子检测');

subplot(2,3,5)

imshow(B5);title('log算子检测');

mask1=[-1 -2 -1;0 0 0;1 2 1]; % 建立方向模板mask2=[-2 -1 0;-1 0 1;0 1 2];

mask3=[-1 0 1;-2 0 2;-1 0 1];

mask4=[0 1 2;-1 0 1;-2 -1 0];

mask5=[1 2 1;0 0 0;-1 -2 -1];

mask6=[2 1 0;1 0 -1;0 -1 -2];

mask7=[1 0 -1;2 0 -2;1 0 -1];

mask8=[0 -1 -2;1 0 -1;2 1 0];

I = im2double(I1); % 将数据图像转化为双精度

d1 = imfilter(I, mask1); % 计算8个领域的灰度变化d2 = imfilter(I, mask2);

d3 = imfilter(I, mask3);

d4 = imfilter(I, mask4);

d5 = imfilter(I, mask5);

d6 = imfilter(I, mask6);

d7 = imfilter(I, mask7);

d8 = imfilter(I, mask8);

dd = max(abs(d1),abs(d2)); % 取差值变化最大的元素组成灰度变化矩阵dd = max(dd,abs(d3));

dd = max(dd,abs(d4));

dd = max(dd,abs(d5));

dd = max(dd,abs(d6));

dd = max(dd,abs(d7));

dd = max(dd,abs(d8));

grad = mat2gray(dd); % 将灰度变化矩阵转化为灰度图像

level = graythresh(grad); % 计算灰度阈值

BW = im2bw(grad,level); % 用阈值分割梯度图像

BB = grad;

FW=median(BB(:))/0.6745;

B = BB.*BB;

B = sum(B(:));

FX= sqrt(B/256^2);

FS=sqrt(max(FX^2-FW^2,0));

T=sqrt(2)*FW^2/FS; % 计算最佳阈值

grad = mat2gray(BB); % 将梯度矩阵转化为灰度图像

BW2=im2bw(grad,T); % 用最佳阈值分割梯度图像

subplot(2,3,6);

imshow(BW2); % 显示分割后的图像，即边缘图像

title('加入椒盐噪声的sobel改进算子');