下载文档原格式
图像处理中的边缘检测算法使用比较边缘检测算法是图像处理领域中一种重要的技术，用于detecting 出图像中物体的边缘。
它在计算机视觉、图像识别、医学图像处理等领域具有广泛的应用。
本文将介绍几种常用的边缘检测算法，并对它们进行比较。
1. Sobel 算子Sobel 算子是一种基于梯度运算的边缘检测算法。
它通过计算图像的梯度来检测边缘的位置和方向。
Sobel 算子在图像的噪声较少的情况下表现良好，但当图像存在噪声时，结果可能会受到噪声的干扰。
2. Prewitt 算子Prewitt 算子也是一种梯度运算的边缘检测算法。
与 Sobel 算子类似，Prewitt 算子也可以计算图像的梯度来检测边缘。
与 Sobel 算子不同的是，Prewitt 算子采用了不同的权重分配，可以更好地检测出图像中的水平和垂直边缘。
3. Roberts 算子Roberts 算子是一种基于差分运算的边缘检测算法。
它通过计算图像中像素点的差异来检测边缘。
Roberts 算子简单直观，并且对噪声不敏感，但它对图像的边缘宽度有一定的限制，可能会造成边缘断裂的情况。
4. Canny 算子Canny 算子是一种综合性边缘检测算法，被广泛应用于图像处理领域。
Canny 算子通过多个步骤进行边缘检测，包括高斯滤波、计算图像梯度、非极大值抑制和双阈值处理。
Canny 算子能够有效地检测图像中的边缘，并具有较好的鲁棒性和准确性。
5. Laplacian 算子Laplacian 算子是一种基于二阶微分的边缘检测算法。
它通过计算图像的二阶导数来检测边缘。
Laplacian 算子可以有效地检测出图像中的变化率最大的位置，适合用于检测曲线和角点等特征。
在比较这些边缘检测算法时，我们可以从以下几个方面进行考察：1. 检测准确性：算法是否能够准确地检测出图像中的边缘，且边缘位置和形状是否与真实边缘一致。
2. 鲁棒性：算法对图像噪声的敏感程度。
在现实应用中，图像会受到不同程度的噪声干扰，算法能否在噪声环境下依然有效检测边缘。
几种常用边缘检测算法的比较边缘检测是在数字图像上寻找图像亮度变化的过程，它对于图像处理和计算机视觉任务非常重要。
常见的边缘检测算法有Sobel算子、Prewitt算子、Roberts算子和Canny边缘检测算法。
本文将对这几种算法进行比较。
1. Sobel算子：Sobel算子是一种常见的边缘检测算法，它通过计算图像像素点与其邻域像素点之间的差异来检测边缘。
Sobel算子具有简单、快速的优点，可以检测水平和垂直方向的边缘，但对于斜向边缘检测效果较差。
2. Prewitt算子：Prewitt算子也是一种常用的边缘检测算法，它类似于Sobel算子，通过计算图像像素点与其邻域像素点之间的差异来检测边缘。
Prewitt算子可以检测水平、垂直和斜向边缘，但对于斜向边缘的检测结果可能不够精确。
3. Roberts算子：Roberts算子是一种简单的边缘检测算法，它通过计算图像像素点与其对角线方向上的邻域像素点之间的差异来检测边缘。
Roberts算子计算简单，但对于噪声敏感，容易产生干扰边缘。
4. Canny边缘检测算法：Canny边缘检测算法是一种经典的边缘检测算法，它包含多个步骤：高斯滤波、计算梯度、非最大抑制和双阈值处理。
Canny算法具有良好的边缘定位能力，并且对于噪声和细节边缘具有较好的抑制效果。
但Canny算法计算复杂度较高，在处理大规模图像时可能较慢。
综上所述，不同的边缘检测算法具有各自的优缺点。
若要选择适合应用的算法，需要综合考虑图像特点、计算复杂度和应用需求等因素。
如果对图像边缘的方向要求不高，可以选择Sobel或Prewitt算子；如果对图像边缘的方向要求较高，可以选择Canny算法。
另外，为了获得更好的边缘检测结果，通常需要进行适当的预处理，如灰度化、滤波和阈值处理等。
最后，对于不同的应用场景，可能需要使用不同的算法或算法组合来满足特定需求。
常用的检测算子有：(1)微分算子(2)拉普拉斯高斯算子(3)canny算子微分算子Sobel算子， Robert算子，prewitt算子比较Sobel算子是滤波算子的形式来提取边缘。
X，Y方向各用一个模板，两个模板组合起来构成1个梯度算子。
X方向模板对垂直边缘影响最大，Y方向模板对水平边缘影响最大。
Robert算子是一种梯度算子，它用交叉的差分表示梯度，是一种利用局部差分算子寻找边缘的算子，对具有陡峭的低噪声的图像效果最好。
prewitt算子是加权平均算子，对噪声有抑制作用，但是像素平均相当于对图像进行地同滤波，所以prewitt算子对边缘的定位不如robert算子。
源程序：i=imread('tanke.jpg');i2=im2double(i);ihd=rgb2gray(i2);[thr,sorh,keepapp]=ddencmp('den','wv',ihd);ixc=wdencmp('gbl',ihd,'sym4',2,thr,sorh,keepapp);figure,imshow(ixc),title('消噪后图像');k2=medfilt2(ixc,[7 7]);figure,imshow(k2),title('中值滤波');isuo=imresize(k2,0.25,'bicubic');%sobert、robert和prewitt算子检测图像边缘esobel=edge(isuo,'sobel');erob=edge(isuo,'roberts');eprew=edge(isuo,'prewitt');subplot(2,2,1);imshow(isuo);title('前期处理图像');subplot(2,2,2);imshow(esobel);title('sobel算子提取');subplot(2,2,3);imshow(erob);title('roberts算子提取');subplot(2,2,4);imshow(eprew);title('prewitt 算子提取'); 程序运行结果：拉普拉斯高斯算子拉普拉斯高斯算子是一种二阶导数算子，将在边缘处产生一个陡峭的零交叉。
图像处理中的边缘检测算法分析与比较边缘检测是图像处理领域中的一项重要任务，它主要用于识别图像中物体的轮廓以及边缘的提取。
本文将从边缘检测的基本原理出发，分析和比较几种常见的边缘检测算法，包括Sobel算子、Prewitt算子、Canny算子和Laplacian算子。
1. Sobel算子Sobel算子是一种基于灰度差分的边缘检测算法，它通过对灰度图像进行卷积运算来计算图像的一阶梯度，进而得到边缘信息。
Sobel算子分别使用水平和垂直两个3×3的卷积核进行运算，然后将两个方向上的梯度幅值相加得到最终的梯度幅值图像。
Sobel算子简单快速，适用于实时性要求较高的应用场景，但对于一些复杂的边缘情况无法准确检测。
2. Prewitt算子Prewitt算子与Sobel算子类似，也是基于灰度差分的边缘检测算法。
不同之处在于Prewitt算子使用了更为简单的卷积核，即[-1,0,1]和[-1,0,1]的转置，分别对图像进行水平和垂直方向上的卷积运算。
Prewitt算子的计算速度较快，但对于边缘的定位相对不够精确。
3. Canny算子Canny算子是一种经典的边缘检测算法，通过多个步骤的处理来提取图像的边缘。
首先，Canny算子利用高斯滤波器对图像进行平滑处理，以减少噪声对边缘检测的影响。
然后，计算图像的梯度幅值和方向，并利用非极大值抑制来细化边缘。
最后，通过设置高低阈值来进行边缘的二值化，将边缘与其他噪声区分开。
Canny算法具有较高的边缘定位准确性和低的误检率，但计算量较大，适用于复杂场景下的边缘检测。
4. Laplacian算子Laplacian算子是一种基于二阶导数的边缘检测算法，它通过计算图像的拉普拉斯算子来提取边缘。
Laplacian算子可通过二阶Sobel算子的变换来实现，即对图像进行两次卷积运算后求和。
该算法对边缘的定位比较敏感，但容易受到噪声的影响，并且会导致边缘加倍。
综上所述，不同的边缘检测算法在边缘定位准确性、计算速度和抗噪能力等方面存在差异。
图像处理中的边缘检测算法综述与比较引言：图像边缘检测是计算机视觉和图像处理领域中的重要任务之一。
边缘检测有助于提取图像中的重要信息，用于分割、物体识别、目标跟踪等应用。
随着计算机技术的不断发展，边缘检测算法也得到了不断改进和发展。
本文将综述和比较常用的图像处理中的边缘检测算法，包括传统的算子方法和基于深度学习的方法。
一、传统的边缘检测算子方法1.1 Sobel算子Sobel算子是一种基于梯度的边缘检测算子，通过计算图像灰度值在水平和垂直方向上的一阶导数来检测边缘。
Sobel算子简单易于实现，但容易受到图像噪声的干扰，且对边缘方向敏感性较差。
1.2 Prewitt算子Prewitt算子与Sobel算子类似，同样是一种基于梯度的边缘检测算子。
Prewitt算子与Sobel算子在计算上有所区别，但其效果相对较差，对噪声敏感。
1.3 Roberts算子Roberts算子是一种基于两个2x2的模板的边缘检测算子，通过计算图像中每个像素与其对角线相邻像素的差值来检测边缘。
Roberts算子简单但容易产生较多的噪声响应。
1.4 Canny边缘检测算法Canny算法是一种经典的边缘检测算法，具有较好的性能和鲁棒性。
相比于其他算子方法，Canny算法首先对图像进行高斯滤波，然后计算图像梯度和梯度方向，接着通过非极大值抑制和双阈值处理来提取边缘。
二、基于深度学习的边缘检测方法2.1 基于全卷积神经网络（FCN）的方法全卷积神经网络是一种能够接受任意尺寸输入并输出相同尺寸的神经网络。
基于FCN的边缘检测方法将图像视为一个整体，通过多层卷积和上采样操作来提取边缘特征并生成边缘图像。
2.2 基于U-Net的方法U-Net是一种使用对称的编码器-解码器结构进行图像分割的神经网络。
基于U-Net的边缘检测方法将图像分割任务转化为像素级分类问题，并通过使用跳跃连接来融合浅层和深层特征，提高了边缘检测的准确性。
2.3 基于深度Lab颜色空间的方法Lab颜色空间是一种将颜色分离和亮度信息分离的颜色空间，具有较好的色彩分辨率。
边缘检测五种算法的比较与分析随着计算机技术的发展，边缘检测作为图像处理最为重要的一门技术得到了越来越多的重视，它是图像分割、图像识别的前提。
文章就边缘检测的五种算子进行了比较与分析，得出了最佳边缘检测算法。
标签：边缘；检测算子；图像分割近年来，由于计算机技术的不断发展，图像处理在各个领域都得到了广泛应用。
边缘检测作为一种最为重要的图像处理技术也得到了重视，所谓边缘，就是指图像中恢复变化明显的区域，它是边界检测的基础，也是外形检测的基础，是图像分割所依赖的重要特征，而梯度是函数变化的一种度量，一幅图像可以看作是图像强度连续函数的取样点序列。
通过梯度的计算，我们能了解到图像灰度变化最大的点进而找出图像的边缘所在，边缘检测就是在有噪声背景的图像中确定出目标物边界的位置，可以把图像最显著的特征表示出来，减少工作量，提升效率。
经典的边缘检测算法有Roberts、sobel、canny、log、prewitt五种算法，文章将就这五种经典算法进行比较与分析。
在了解边缘检测之前，我们有必要知道图像的有关知识，图像主要分为模拟图像和数字图像。
模拟图像是通过某种物理量的强弱变化来记录图像上各点的亮度信息的，例如模拟电视图像；而数字图像则完全是用数字来记录图像亮度信息的。
数字图像的基本单位是像素，它是像素的集合，并且可以用一个矩阵来表示，矩阵的列数代表了图像的高，行数代表着图像的宽，矩阵元素对应图像像素，矩阵元素的值就是像素的灰度值。
灰度图像是数字图像的最基本的表达形式，它可以从黑白照片数字化得到，也可以通过彩色照片去色处理得到，因此，灰度图像只有亮度信息而没有颜色信息，所以每个像素点都只有一个量化的灰度级，如果用一个字节来存储灰度值的话，则取值范围有0-255共256个灰度级来表示图像的亮度。
彩色图像的数据不仅包括亮度信息，还包括颜色信息，主要通过RGB 模型来表示，即每个像素包括RGB三基色数据，每个基色用一个字节表示，则共有3个字节，也就是24位，我们说的24位真彩色就是这样得出来的。
人脸识别比对参数
人脸识别比对参数包括以下几个方面：
1.特征提取算法：基于深度学习的人脸识别算法，如卷积神经网络（CNN）等。
通过对输入的人脸图像进行特征提取，生成表示人脸的特征向量。
2.相似度计算方法：使用欧几里得距离、余弦相似度等方法计算两个人脸特征向量之间的相似度，从而判断两个人脸是否匹配。
3.阈值设置：根据不同场景的需求，设置不同的相似度阈值，判断是否认为两个人脸匹配。
阈值设置较高时，识别准确率会提高，但漏识别率也会增加；阈值设置较低时，漏识别率会降低，但误识别率会增加。
4.数据库更新策略：人脸识别系统需要不断更新人脸库中的数据，包括添加新的人脸数据、删除过时的人脸数据以及更新已有数据等。
更新策略需要考虑速度和准确度之间的平衡。
5.处理速度：人脸识别系统需要实时响应，准确率高的同时也要能够保证处理速度，因此需要优化算法和硬件设备。
6.环境适应能力：人脸识别系统需要在不同的环境中工作，如光线变化、角度变化、面部表情等情况下仍能准确识别人脸。
因此需要具备一定的环境适应能力。
几种常用边缘检测算法的比较摘要: 边缘是图像最基本的特征，边缘检测是图像分析与识别的重要环节。
基于微分算子的边缘检测是目前较为常用的边缘检测方法。
通过对Roberts，Sobel，Prewitt，Canny 和Log 及一种改进Sobel等几个微分算子的算法分析以及MATLAB 仿真实验对比，结果表明，Roberts，Sobel 和Prewitt 算子的算法简单，但检测精度不高，Canny 和Log 算子的算法复杂，但检测精度较高，基于Sobel的改进方法具有较好的可调性，可针对不同的图像得到较好的效果，但是边缘较粗糙。
在应用中应根据实际情况选择不同的算子。
0 引言边缘检测是图像分析与识别的第一步，边缘检测在计算机视觉、图像分析等应用中起着重要作用，图像的其他特征都是由边缘和区域这些基本特征推导出来的，边缘检测的效果会直接影响图像的分割和识别性能。
边缘检测法的种类很多，如微分算子法、样板匹配法、小波检测法、神经网络法等等，每一类检测法又有不同的具体方法。
目前，微分算子法中有Roberts，Sobel，Prewitt，Canny，Laplacian，Log 以及二阶方向导数等算子检测法，本文仅将讨论微分算子法中的几个常用算子法及一个改进Sobel算法。
1 边缘检测在图像中，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域( 包括不同色彩) 之间。
边缘表明一个特征区域的终结和另一特征区域的开始。
边缘所分开区域的内部特征或属性是一致的，而不同的区域内部特征或属性是不同的。
边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测，这些差异包括灰度、颜色或纹理特征，边缘检测实际上就是检测图像特征发生变化的位置。
边缘的类型很多，常见的有以下三种: 第一种是阶梯形边缘，其灰度从低跳跃到高; 第二种是屋顶形边缘，其灰度从低逐渐到高然后慢慢减小; 第三种是线性边缘，其灰度呈脉冲跳跃变化。
数字图像处理几种边缘检测算子的比较边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。
图像属性中的显著变化通常反映了属性的重要事件和变化。
这些包括：深度上的不连续、表面方向不连续、物质属性变化和场景照明变化。
边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
图像边缘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。
有许多方法用于边缘检测，它们的绝大部分可以划分为两类：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。
人类视觉系统认识目标的过程分为两步:首先，把图像边缘与背景分离出来;然后，才能知觉到图像的细节，辨认出图像的轮廓。
计算机视觉正是模仿人类视觉的这个过程。
因此在检测物体边缘时，先对其轮廓点进行粗略检测，然后通过链接规则把原来检测到的轮廓点连接起来，同时也检测和连接遗漏的边界点及去除虚假的边界点。
图像的边缘是图像的重要特征，是计算机视觉、模式识别等的基础，因此边缘检测是图象处理中一个重要的环节。
然而，边缘检测又是图象处理中的一个难题，由于实际景物图像的边缘往往是各种类型的边缘及它们模糊化后结果的组合，且实际图像信号存在着噪声。
噪声和边缘都属于高频信号，很难用频带做取舍。
这就需要边缘检测来进行解决的问题了。
边缘检测的基本方法有很多，一阶的有Roberts Cross算子，Prewitt算子，Sobel算子，Canny算子， Krisch算子，罗盘算子；而二阶的还有Marr-Hildreth，在梯度方向的二阶导数过零点。
现在就来简单介绍一下各种算子的算法Roberts 算子Roberts 算子是一种利用局部差分算子寻找边缘的算子，它有下式给出：g (x,y)=[ f (x ,y )− f (x +1,y +1)]2+[ f x ,y +1 − f x +1,y ]2其中f (x ,y )、f (x +1,y )、f x ,y +1 和 f (x +1,y +1) 分别为4领域的坐标，且是具有整数像素坐标的输人图像;其中的平方根运算使得该处理类似于人类视觉系统中发生的过程。
第０７卷２００７盔第０６期０６月Ｖ０１．７ＪｕｎｅＮｏ０６２００７对人脸边缘检测的几种算子实验比对王晓红熊盛武摘要：对于图像处理的一个研究分支一人脸识别与检测，自美国“９．１１”事件后被广泛重视，并正在从实验室走向商业化。
在这个过程中，科技工作者们有着众多不同的尝试方式，本文就一些经典的算法公式，选择不同的算子，通过ＭＡＴＬＡＢ语言表现出来。
关键词：模式识别图像处理人脸检测算子中图分类号：ＴＰ３９１．４１文献标识码：Ａ文章编号：１００６－７９７３（２００７）０６－０１４５－０２一、前言纵观人类历史，从制造简单的工具，到钻木取火；从四大发明到蒸汽机的使用；作为万物之灵的人类还制造了汽车、飞机、无线电、太空船…．．直到一九四六年第一台计算机的出现，人类所发明的工具才真正有了和人类自身大脑作比较的工具一电脑！人类一直梦想着更接近于人的电脑来沿伸人类大脑的工作。
这就有了“ｆｉｆｔｈｇｅｎｅｒａｔｉｏｎｃｏｍｐｕｔｅｒ＇’，这是日本在上世纪八十年代初制定的国家十年计划的目标：听得懂话，可识别图像，可以自我学习、可以判断和思考等等具有智能的计算机。
可是时间已经过去了二十多年了，这个目标还没有实现。
说明还有许多技术上的瓶颈还有待突破。
想要让计算机做到以前只能由人类才能做到的事情，具备人的智能，具有对各种事件进行分析、判断的能力，还有很多的路要走。
下面仅从识别图像这个方向来探讨人脸的识别。
二、人脸识别的发展现状生物特征的识别技术从２０世纪末兴起，伴随计算机硬件和信息技术的飞速发展使得地球变成了“地球村”，经过使人震惊的“９・１１”事件后，现代社会对身份识别提出了更多、更高的要求。
生物识别在图像识另Ⅱ领域也受到了空前的重视。
生物识别技术已经在商业方面有了许多应用，并有不断纵深的趋势。
据国际生物集团（ＩｎｔｅｒｎａｔｉｏｎａｌＢｉｏｍｅｔｒｉｃＧｒｏｕｐ，ＩＢＧ）的统计：到２００７年将达到４０亿美元。
并且美国在“９・１１”遇袭事件后，连续签署了３个国家安全法案（爱国者法案、航空安全法案、边境签证法案），要求必须采用生物认证技术。
这对生物识别技术的应用起到了推波助澜的作用。
所谓生物特征的识别（ＢｉｏｍｅｔｒｉｃＩｄｅｎｔｉｆｉｃａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ），就是利用人所特有的生物特征，包括生理特征和行为特征，用这些特征来进行人的身份鉴别。
常用的有：脸相、虹膜、指纹、掌纹等；常用的行为特征包括：声音、笔迹、步姿等。
生物特征具有以下一些特点：比如说人都有手掌，但每个人的掌纹都不一样，且这种独有的唯一的特征并不随时间变化而变化；在实际的应用中，人类特有的这些特征是可采集的，人脸的识别正是符合了这样一些特点，并且人脸识别的特点是以人为准，最大程度地确保了鉴别的可靠性。
三、人脸识别与其它识别技术的区别在这些识别技术中，人脸识别技术（ＦａｃｅＲｅｃｏｇｎｉｔｉｏｎＴｅｃｈｎｉｑｕｅｓ，ＦＲＴ）是采用人的面部特征来确定一个人身份的，是生物特征识别技术的一个主要方向。
和其他生物特征比，人脸特征的提取更具有主动、友善、无打扰等优点，基于这些特点，人脸识别技术才成为被广泛使用的方法。
但是，人脸不是一成不变的，同一个人在不同的年龄段会有变化，另外光线、姿势、面部表情、面部附属物（如胡子、眼镜）等变化的影响，人脸的识别的准确度会大打折扣。
就目前而言，大多的人脸识别系统还远未达到人类婴幼儿的识别能力，因此，人脸识别还有许多工作可做。
四、人脸识别方法之一——人脸检测的边缘检测方法人脸识另ｌｊ技术包涵的内容很多，如模式识别、图像处理、计算机视觉、计算机图形学、各种数学算法的引用等等。
对于人脸的识别其首要目的是能够在图片中检测出来人脸来，即人脸检测，而人脸的检测最重要的是对其边缘的提取。
图像的边缘点产生的原因虽然不同，但归根结底都是由于图像的灰度不连续或者灰度急剧变化的所造成的，利用这个特性，我们可以采用微分运算，得到边缘点，从而得到人脸的轮廓。
边缘检测是根据图像的灰度值或者色彩的急剧变化的特点，采用各种微分运算进行边缘检测的。
下面就几种微分法进行理论比较。
首先需要介绍微分的原理：Ａｆ（ｉ，ｊ）＝［，（？＋１，ｊ）一ｆ（ｉ，ｊ）】十［厂（ｊ，Ｊ＋１）一ｆ（ｉ，ｊ）】ｍ¨＝誓＋熹为方便编程离散化后的差分方程为：收稿日期：２００７—３—２１作者简介：王晓红女武汉理工大学硕士研究生武汉商业服务学院讲师熊盛武男武汉理工大学教授博导 万方数据１４６中国水运第０７卷Ａｆ（ｉ，Ｊ）＝［，（ｉ＋１，，）一ｆ（ｉ，－／）】＋［，。
（ｉ，Ｊ十１）一ｆ（ｉ，Ｊ）］微分算子：Ｇ［Ｆ（ｊ，＾）】＝｛［Ｆ（Ｊ，ｋ）－Ｆ（ｊ—ｌ，ｔ）］！＋【Ｆ（Ｊ，＾）一Ｆ（ｊ，ｋ—Ｉ）】！）ｊ下面是用ＭＡＴＬＡＢ图像处理工具箱中，ｅｄｇｅ函数直接实现边缘检测的功能的。
不同的算法对应相应的图示。
１．Ｒｏｂｅｒｔｓ算子Ｒｏｂｅｒｔｓ算子的表达式：Ｏ［ｊ，ｋｌ＝ｌＦ（ｊ，ｋ）一Ｆ（ｊ＋１，ｋ＋１）ｌ＋ＩＦ（ｊ＋Ｉ，ｋ）一Ｆ（ｊ，ｋ＋１）Ｉ图（１）Ｒｏｂｅｒｔｓ算子边缘检测图中Ｒｏｂｅｒｔｓ算子变量ＢＷ＝ｅｄｇｅ（Ｉ，’ｒｏｂｅｒｔｓ’）用Ｒｏｂｅｒｔｓ算子自动选择阈值进行边缘检测以及ＢＷ＝ｅｄｇｅ｛Ｉ，’ｒｏｂｅｒｔｓ’，ｔｈｒｅｓｈ）指定敏感阈值为Ｏ．０５进行边缘检测。
２．Ｌｏｇ算子Ｖ弘等＋警图（２）Ｌｏｇ算子边缘检测在Ｌｏｇ算子中，采用边缘判断技术为零交叉检测，只在检测前用滤波器对图像滤波，再找零交叉点作为边缘。
３．Ｃａｎｎｙ算予ＪＧＪ＿属ｉ万口：Ａｒｃｔａｂ（ＪＧ）Ｇ。
图（３）Ｃａｎｎｙ算子边缘检测由于噪声影响，一个阈值不够，会造成斑纹现象，边缘不连续，发生边缘错检。
Ｃａｎｎｙ算子是用梯度的局部极大值寻找图像的，Ｃａｎｎｙ采用了双阈值法，有效提取了图像边缘。
五、结论对于一些经典算法，虽然采用了相同的算子，但选择算子的阈值不同，其结果都大相径庭。
这是由于图像中噪声的影响，边缘信号往往对灰度变化的响应不够敏感，只有一半的边缘大于这个阈值而做出响应。
即不同阈值的选择对实验结果往往很明显。
在检测边缘的同时，如果对图片进行降噪滤波，这样才能更好地检测出图片边缘，上例中的Ｃａｎｎｙ算子就采用了多尺度空间边缘检测，其边缘被有效检验出来。
参考文献［Ｉ］ＳａｍｕｅｌＫ．，ＰａｎｈａＮ．ＴｈｅｉｎｔｅｒａｃｔｉｏｎｏｆｓｔａｂｉｌｉｔｙａｎｄｗｅａｋｎｅｓｓｉｎａｄａＢｏｏｓｔ．ＴｅｃｈｎｉｃａｌＲｅｐｏｒｔＴＲ一２００１－３０．ＵｍｖｅｍｉｔｙｏｆＣｈｉｃａｇｏＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２００１．【２】ＪｅｂａｒａＴ．Ｓ．，ＲｕｓｓｅｌｌＫ．，ＰｅｎｔｌａｎｄＡ．Ｍｉｘｔｕｒｅｓｏｆｅｉｇｅｎｆｅａｔｕｒｅｓｆｏｒｒｅａｌ—ｔｉｍｅｓｔｒｕｃｔｕｒｅｆｒｏｍｔｅｘｔｕｒｅ．ＩｎＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＳｉｘｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅＯＨＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，１９９８．１２８－１３５．［３］ＳｏｆｉａｎｏＭ．，ＭａｒｔｉｎｋａｕｐｐｉＢ．，ＨｕｏｖｉｎｅｎＳ．Ｓｋｉｎｄｅｔｅｃｔｉｏｎｉｎｖｉｄｅｏｕｎｄｅｒｃｈａｎｇｉｎｇｉｌｌｕｍｉｎａｔｉｏｎｃｏｎｄｉｔｉｏｎｓ．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２０００．８３９－８４２［４］何斌，马天予，王运坚等．Ｖｉｓｕａｌｃ＋嫩字图像处理（第二版）．北京：人民邮电出版社，２００２．【５】张宏林．数字图像模式识别技术及工程实践．北京：人民邮电出版社，２００３［６］ＰｈｕｎｇＳ．Ｌ，ＢｏｕｚｅｒｄｏｕｍＡ．，ＣｈａｉＤ．ＡｎｏｖｅｌｓｋｉｎｃｏｌｏｒｍｏｄｅｌｉｎＹＣｒＣｂｃｏｌｏｒｓｐａｃｅａｎｄｉｔｓａｐｐｆｉｃａｔｉｏｎｔｏｈｕｍａｎｆａｃｅｄｅｔｅｃｔｉｏｎ．ＩｎＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＩＣＩＰ’２００２），ｖ０１．１，２００２．２８９—２９２．［７］ＺａｔｉｔＢ．Ｄ．，ＳｕｐｅｒＢＪ．，ＱｕｅｋＦ．Ｋ．Ｃｏｍｐａｒｉｓｏｎｏｆｆｉｖｅｃｏｌｏｒｍｏｄｅｌｓｉｎｓｋｉｎｐｉｘｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎ．ＩｎＩＣＣＶ’９９ｔｎｔ’ｌＷｏｒｋｓｈｏｐＯｉｌｒｅｃｏｇｎｉｔｉｏｎ，ａｎａｌｙｓｉｓａｎｄｔｒａｃｋｉｎｇｏｆｆａｃｅｓａｎｄｇｅｓｔｕｒｅｓｉｎＲｅａｌ—Ｔｉｍｅｓｙｓｔｅｍｓ，１９９９．５８－６３．［８】ＭｅｎｓｅｒＢ．，ＷｉｅｎＭ．Ｓｅｇｍｅｎｔａｔｉｏｎａｎｄｔｒａｃｋｉｎｇｏｆｆａｃｉａｌｒｅｇｉｏｎｓｉｎｃｏｌｏｒｉｍａｇｅｓｅｑｕｅｎｃｅｓ．ＩｎＰｒｏｃｅｅｄｉｎｇｓｏｆＳＨＥＶｉｓｕａｌＣｏｍｍｕｎｉｃａｔｉｏｎｓａｎｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ２０００，７３１－７４０．［９］ＣｈａｉＤ．，ＢｏｕｚｅｒｄｏｕｍＡ．ＡｂａｙｅｓｉａｎａｐｐｒｏａｃｈｔｏｓｋｉｎｃｏｌｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎＹＣｒＣｂｃｏｌｏｒｓｐａｃｅ．ＩｎＰｒｏｃｅｅｄｉｎｇｓｏｆＩＥＥＥＲｅｇｉｏｎＴｅｎＣｏｎｆｅｒｅｎｃｅ（ＴＥＮＣＯＮ’２０００），ｖ０１．２，２０００．４２１－４２４【１０］ＲａｆａｅｌＣ．ＧｏｎｚａｌｅｚＲｉｃｈａｒｄＥ．Ｗｏｏｄｓ．数字图像处理（第二版）．阮秋琦，阮宇智．北京：电子工业出版社，２００３．［１１】ＫｅｎｎｅｔｈＲ．Ｃａｓｔｌｅｍａｎ著．朱志刚，石定机等泽数字图像处理【Ｍ】．北京：电子工业出版社，２００３．【１２］何东键．Ｄ辅ｔａｌＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ数字图像处理．西安电子科技大学出版社 万方数据。
