下载文档原格式
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。
文章编号:1007-757X(2020)10-0004-03一种基于Sobel算子的边缘检测算法郑欢欢，白鱼秀，张雅琼(榆林学院信息工程学院,陕西榆林719000)摘要：针对传统Sobel边缘检测算法对噪声敏感、定位不够精确的缺点，提出了改进Sobel算子的边缘检测算法#算法基于均值计算和差分处理角度构造了5X5的梯度权值模板，通过改进的非极大抑制算法有效细化了边缘，采用局部自适应动态阈值提取边缘信息#通过实验表明，该算法不仅能够较快、较好的提取边缘信息，而且具有较强的抗噪能力#关键词：Sobel算子；边缘检测；非极大值抑制；局部自适应动态阈值中图分类号：TN911.73文献标志码：AAn Edge Detection Algorithm Based on Sobel OperatorZHENG Huanhuan,BAI Yuxiu,ZHANG Yaqiong(School of Information Engineering,Yulin University,Yulin719000,China)Abstract:Aiming at the shortcomings of traditional Sobel edge detection algorithm such as noise sensitivity and inaccurate location,an improved Sobel operator edge detection algorithm is proposed.Based on mean calculation and difference processing,a 5X5gradient weight template is constructed.The edge is refined effectively by improved non-maximum suppression algorithm, and the edge information is extracted by local adaptive dynamic threshold.Experiments show that the algorithm not only can extractedgeinformationquicXlyandbe t er,butalsohasstronganti-noiseability.Key words:Sobel operator；edge detection；non-maximum suppression；local adaptive dynamic threshold0引言图像低级特征提取技术就是从整副图像而不是显著区域层次来描述图像，其中最重要的研究内容之一就是边缘检测。
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。
基于多方向的sobel算子解释说明1. 引言1.1 概述引言部分将会对本文所要探讨的主题进行概述。
本文将介绍基于多方向的Sobel 算子，该算子是一种用于边缘检测的常见图像处理算法。
通过对图像中各个像素点进行局部梯度计算，并结合多个方向上的梯度信息，可以有效地检测出图像中的边缘。
1.2 文章结构在本文中，将会按照以下结构来展开说明基于多方向的Sobel算子的应用和实现过程。
首先，简单介绍Sobel算子作为边缘检测的方法，并阐述其原理与应用领域（第2节）。
然后，详细介绍多方向的Sobel算子设计思路，包括对单一方向Sobel算子局限性的分析以及多方向算子的优势介绍和设计过程与方法论（第3节）。
接下来，将详细描述多方向Sobel算子的具体实现步骤，并给出代码示例，同时还会通过实验结果和分析报告评估其在图像边缘检测中的性能（第4节）。
最后，在结论与展望部分总结本文内容并对未来研究进行展望（第5节）。
1.3 目的本文的目的是介绍基于多方向的Sobel算子在图像边缘检测中的应用，并通过实例研究来说明其设计和实现过程。
通过深入探讨多方向Sobel算子的优势和适用性，旨在为读者提供更全面、深入的理解，并为后续研究和应用提供参考和指导。
通过本文，读者将能够了解到如何利用多方向Sobel算子来提高边缘检测的准确性和鲁棒性，并且还能够对其在更高级别应用场景中的适用性进行评估。
2. Sobel算子简介2.1 边缘检测概述边缘是图像中灰度级变化较为剧烈的地方，对于图像分析和处理任务具有重要意义。
边缘检测是一种常用的图像处理技术，可以识别出图像中不同物体或区域之间的边界。
边缘检测在计算机视觉、模式识别和图像分析等领域广泛应用。
2.2 Sobel算子原理Sobel算子是一种常用的边缘检测算子，可以识别出图像中的水平和垂直边界。
它利用了图像灰度值的梯度来确定像素点是否位于边缘上。
Sobel算子通过卷积运算，在每个像素点周围的邻域内计算出水平方向和垂直方向上的梯度值，然后综合这两个梯度值来获得最终的边缘强度。
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 引言图像边缘是一种重要的视觉信息，图像边缘检测是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤。
其结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。
实现边缘检测有很多不同的方法，也一直是图像处理中的研究热点，人们期望找到一种抗噪强、定位准、不漏检、不误检的检测算法。
经典的算法中主要用梯度算子，最简单的梯度算子是Roberts算子，比较常用的有Prewitt算子和Sober算子，其中Sober算子效果较好，但是经典Sober算子也存在不足，其边缘具有很强的方向性，只对垂直与水平方向敏感，其他方向不敏感，这就使得那些边缘检测不到j。
对后续的图像处理有很的影响。
本文在此基础提出了一种新的算法，该算子该算法提高了传统Sober检测算子的性能，具有良好的检测精度。
对数字图像{f(x,y)}的每个像素，考察它上下左右邻点灰度的加权差，与之接近的邻点的权大。
据此，定义Sober算子如下：其卷积算子：适当取门限TH，作如下判断：s(i,j)>TH，(i,j)为阶跃状边缘点，{s(i,j)}为边缘图像。
Sober算子很容易在空问上实现，Sober边缘检测器不但产生较好的边缘检测效果，而且受噪声影响也比较小。
当使用大的邻域时，抗噪性能会更好，但这样会增加计算量，并且得出的边缘也会相应变粗。
Sober算子利用像素点上下、左右邻点的灰度加权算法，根据在边缘点处达到极值这一现象进行边缘的检测。
Sober算子对噪声具有平滑作用，提供较为精确的边缘方向信息，是一种较为常用的边缘检测方法。
2 算法设计针对经典Sober算子对边缘具有很强的方向性特点，提出了一种在Sober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，这就可以使各个方向的边缘都可以检测到。
但也可能会丢失原本可直接用Sober算子检测到的边缘。
因此，用处理后所得的图像与用Sober算子直接对原始图像进行边缘检测的图像相加，这一步就得尤为重要。
Sobel 锐化算子及其改进算法0908112 07 史清一、锐化的基本理论1、问题的提出在图像增强过程中，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。
2、锐化的目的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。
图像锐化处理的主要目的是突出图像中的细节或者增强被模糊化了的细节，一般情况下图像的锐化被用于景物边界的检测与提取，把景物的结构轮廓清晰地表现出来。
3、重点明确图像锐化的目的是加强图像中景物的细节边缘和轮廓。
锐化的作用是使灰度反差增强。
因为边缘和轮廓都位于灰度突变的地方。
所以锐化算法的实现是基于微分作用。
4、图像锐化的方法一阶微分锐化方法；二阶锐化微分方法。
5、一阶微分锐化的基本原理一阶微分计算公式：f'(x,y)-—x y离散之后的差分方程：f (i,j) [f (i 1,j) f(i,j)] [f(i,j 1) f(i,j)]考虑到图像边界的拓扑结构性，根据这个原理派生出许多相关的方法。
故一阶微分锐化又可分为单方向一阶微分锐化和无方向一阶微分锐化，后者又包括交叉微分锐化、Sobe锐化、Priwitt锐化。
6无方向一阶微分锐化问题的提出及设计思想单方向的锐化处理结果对于人工设计制造的具有矩形特征物体(例如：楼房、汉字等)的边缘的提取很有效。
第34卷第6期 2011年6月合肥工业大学学报(自然科学版)JO U RN AL O F H EFEI U N IV ERSIT Y OF T ECH N OL O GYVol.34No.6 Jun.2011收稿日期:2010 07 01;修回日期:2010 08 16基金项目:国家高技术研究发展计划(863计划)资助项目(2004AA424521)作者简介:张建军(1963-),男,浙江宁波人,博士,合肥工业大学教授,硕士生导师.Doi:10.3969/j.issn.1003 5060.2011.06.012基于改进Sobel 算子的表面裂纹边缘检测算法张建军, 罗 静(合肥工业大学计算机与信息学院,安徽合肥 230009)摘 要:文章针对经典So bel 边缘检测算子存在图像边缘定位精度不高和对噪声敏感等缺点,通过分析引水压力钢管表面裂纹图像的特点,提出了一种改进算法。
首先增加6个方向模板,提高定位精度;其次,对于使用8个方向模板检测的图像运用迭代阈值分割算法进行二值化处理,去除伪边缘;最后利用形态学膨胀算法连接裂纹。
经实验证明,该算法能够有效地提取裂纹边缘信息和连接裂纹。
关键词:边缘检测;Sobel 算子;迭代阈值;形态学膨胀中图分类号:T P391 4 文献标识码:A 文章编号:1003 5060(2011)06 0845 04A surface crack edge detection algorithmbased on improved Sobel operatorZH ANG Jian jun, LU O Jing(School of Computer and Inform ation,H efei University of Techn ology,H efei 230009,C hina)Abstract:To solve the draw backs of classical Sobel edge detection operator such as low im ag e edge po sitio ning accuracy and being sensitive to noise,this paper proposes an improved alg orithm by analy zing the image characteristics of surface cracks o n steel pressur e pipe.Six orientation tem plates are firstly added to improv e the edge positioning accuracy.T hen a binary im age is produced from the out coming image m easured by eig ht orientatio n templates thr oug h adopting the iterative seg mentation al g orithm so as to eliminate the false edges.Finally the fracturing cracks are connected by using mo r pholog ical ex pansio n algo rithm.The ex perim ents verify that the algo rithm can ex tr act the inform ation of cr ack edg es and connect fr acturing cracks effectively.Key words:edge detection;So bel o perator;iterative thr esho ld;mo rpholo gical ex pansion 引水压力钢管是水电站的重要组成部分,在电站维护期间,压力钢管均需要全面的安全检测,传统的无损检测方法主要有射线检测、渗透检测、超声波检测[1-2],这些检测方法在理论及实际应用中均已成熟,但它们在检测速度、抗干扰能力方面有一定的局限性。
近年来,机器视觉技术随着计算机技术的发展而迅速发展起来,并被广泛应用于实际工程中,如工业安全检测、机器人视觉导航等,因此将机器视觉技术应用到压力钢管裂纹检测系统是未来的一种趋势。
边缘检测是机器视觉的重要基础,传统的边缘检测方法主要是一阶微分算子法,如Rober ts 算子、Pr ew itt 算子、So bel 算子和Canyy 算子等。
其中,So bel 算子计算简单、处理速度快,并且检测的边缘光滑、连续,是一种常用的边缘检测算法,但是Sobel 算子的缺点是检测的边缘较粗,且对噪声敏感[3-4]。
本文针对Sobel 算子的缺点,提出了一种改进的边缘检测方法。
1 边缘检测根据视觉理论,人眼对物体的辨识首先要得到它的轮廓,而计算机视觉系统模仿人的视觉识别目标图像,首先要得到表征目标图像轮廓的要素图[5]。
边缘检测即获取目标轮廓的过程,是机器视觉、图像分析及目标特征测量的重要基础。
边缘检测一般包括平滑滤波、边缘检测、阈值分割、边缘定位、边缘连接等步骤,如图1所示,其中前3个步骤是普遍使用的边缘检测算法。
图1 边缘提取流程图2 经典的Sobel 边缘检测算法So bel 算子是一个梯度算子[6],一幅数字图像的一阶导数是基于各种二维梯度的近似值,其定义如下:G x =[f (x +1,y -1)-f (x -1,y -1)]+2[f (x +1,y )-f (x -1,y )]+[f (x +1,y +1)-f (x -1,y +1)](1)G y =[f (x -1,y +1)-f (x -1,y -1)]+2[f (x ,y +1)-f (x ,y -1)]+[f (x +1,y +1)-f (x +1,y -1)](2) f =G x 2+G 2y(3) 为计算简便,(3)式常用(4)式代替:f =|G x |+|G y |(4)若采用矩阵模板的形式,Sobel 算子可表示为:G x =-1-2-1 0 0 0 121, G y =-101-202-101(5)其中,G x 检测水平边缘,G y 检测垂直边缘。
图像f (x ,y )与模板(5)式卷积后,得到梯度幅值图像G(x ,y ),选取适当阈值T h 并进行判断,如果G(x ,y )>T h ,则(x ,y )为阶跃状边缘点,所得阶跃状边缘点的集合{G(x ,y )}为边缘图像。
So bel 算子是一种利用像素点上下、左右相邻像素点的灰度加权平均,并在边缘点取极值的边缘检测方法[7]。
由于引入了加权平均,该算子不仅能够提取边缘信息,而且有一定的抑噪能力,是常用的边缘检测算子之一。
3 改进的Sobel 边缘检测算法由于经典的So bel 边缘检测算子采用的方向模板有限,只对垂直边缘和水平边缘敏感,对于纹理较复杂的图像,其边缘检测效果不佳。
为了达到更好的检测效果,本文在经典Sobel 算子原有的2个方向模板的基础上新增了6个方向模板,0 、45 、90 、135 、180 、225 、270 、315 边缘方向模板分别定义如下:-1-2-1 0 0 0 121, -2-1 0-1 0 1 0 1 2,-101-202-101, 012-1 01-2-10, 1210 0 0-1-2-1, 211 0-10-1-2,10-120-210-1,0-1-21 0-12-1。
8个方向模板所能检测的边缘方向,如图2所示。
图2 改进的Sobel 模板边缘检测方向8个方向模板分别在图像f (x ,y )上平滑移动,与每一像素点进行领域卷积运算,取8次运算结果的最大值为该像素点的梯度值,取最大值时所对应模板的方向为该点的边缘方向。
4 改进Sobel 算子的迭代阈值选取虽然改进的Sobel 边缘检测算子增加了方向模板,能够获得更完整的边缘信息,但是由于噪声的影响,边缘检测获得的梯度幅值图像含有伪边缘且边缘较粗,为此选取合适的阈值对梯度幅值图像做二值化处理。
由于钢管裂纹和背景之间的灰度级差异不大,梯度幅值图像并不能呈现出明显的双峰分布,采用迭代法来寻找最佳分割阈值。
迭代阈值选择方法的基本步骤如下:(1)选择初始阈值T 0,本文中取梯度幅值图846合肥工业大学学报(自然科学版)第34卷像灰度中间值。
(2)利用阈值T0把图像分割成2个区域R1和R2,R1由所有灰度值大于T0的像素组成,R2由所有灰度值小于或等于T0的像素组成。
(3)计算2个区域的平均灰度值,分别为u1和u2。
(4)选择新的阈值T,定义为T=(u1+u2)2。
(5)计算新旧阈值的差值: =|T0-T|,若 > ,则令T0=T,转步骤(2)。
在步骤(2)和步骤(4)之间循环,直到 小于某个给定的值 ,此时取新阈值T为最佳阈值。
通过选取最佳阈值T h,对边缘检测后的图像G(x,y)进行分割,处理后的二值图像定义如下:G (x,y)=1,G(x,y)>T h;0,G(x,y) T h(6)实际工程中,由于噪声、不均匀照明而产生的边缘间断以及其他由于引入虚假的亮度间断所带来的影响,使得图像分割所提取的裂纹边缘并不闭合[8],需要使用连接算法将断裂的边缘连接起来,从而形成闭合连通的裂纹边缘。
在这里可以使用形态学膨胀算法对钢管表面裂纹图像进行边缘连接,该算法主要思想是将与目标区域接触的背景点合并到该目标中,从而使目标边界向外部扩张。
膨胀常用来填补目标区域中存在的空洞,裂纹连接是其最简单的应用之一[9]。
对分割后的G (x,y)膨胀处理可表示为:D=F S=x,y|S xy X (7)其中,D为膨胀后的二值图像;F为G (x,y);S 为结构元素。
结构模板S在图像G (x,y)中作平滑移动, S的原点与G (x,y)中某一像素点重合,如果S 覆盖范围内有一个像素值为1,则S原点对应的像素点值为1,否则为0。
5 实验验证预处理后图像如图3所示;经典So bel边缘检测算法结果如图4所示;改进的So bel边缘检测算法结果如图5所示;迭代阈值分割结果如图6所示;形态学膨胀结果如图7所示。
通过图4和图5的对比可知,相对于经典的Sobel边缘检测算法,改进的边缘检测算法能够提取更完整的边缘信息,边缘定位更精确。
通过迭代法选取最佳阈值进行二值化和形态学膨胀处理后,获得了清晰完整的裂纹边缘(图7)。
图3 预处理后图像图4 经典Sobel边缘检测算法结果图5 改进的Sobel边缘检测算法结果图6 迭代阈值分割结果图7 形态学膨胀结果6 结束语本文提出了一种改进的Sobel边缘检测算(下转第960页)847第6期张建军,等:基于改进Sobel算子的表面裂纹边缘检测算法图5 本文方法所得的2条过渡曲线2 结束语在保持G1连续的条件下,将2条不相邻接的三次B zier曲线连接起来,其中间媒介也为B zier曲线。
