【计算机视觉系列实战教程 (十一)】：边缘检测（差分、Roberts、Sobel、Prewitt、LoG、基于形态学的边缘检测等）

已于 2024-07-06 11:17:28 修改
阅读量1.4k 收藏 26
点赞数 8
分类专栏： 计算机视觉 文章标签： 计算机视觉 人工智能 深度学习
于 2024-06-19 20:09:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42279379/article/details/139760792
版权

目录

1、边缘检测概述

(1)What（相关概念）

  • 边缘检测：找到有差异的相邻像素
  • 锐度：边缘的对比度
  • 图像锐化：增加边缘的对比度
  • 边缘点：图像中灰度显著变化的点
  • 边缘段：边缘点坐标及方向的总和，边缘的方向可以是梯度角
  • 轮廓：边缘列表
  • 边缘检测器：抽取边缘的算法
  • 边缘连接：从无序边缘形成有序边缘的过程
  • 边缘跟踪：确定轮廓图像的搜索过程

(2)How（边缘检测的一般步骤）

  • A.图像获取：将获取的图像转化为灰度图像，进而进行边缘检测操作
  • B.图像去噪：使用滤波器来改善与噪音有关的边缘检测器的性能
  • C.图像增强：突出邻域强度的变化值
  • D.图像检测：计算图像的梯度，根据阈值进行调整
  • E.图像定位：得到单像素的二值边缘图像

(3)Why（边缘检测的目标）

  • 边缘定位精度高，单像素
  • 对噪声不敏感
  • 检测的灵敏度受方向影响小

2、经典的边缘检测算法

(1)梯度基本介绍

在多维连续函数z=f(x,y)中，函数在任一点P=(x,y)的梯度为函数f(x,y)对每个维度的分量[x,y]分别进行偏微分组成的向量，该向量即为函数z=f(x,y)在P=(x,y)处的梯度。

(2)差分边缘检测（手写算法）

x方向上的一阶差分：f(x+1, y) - f(x, y)
y方向上的一阶差分：f(x, y+1) - f(x, y)
二阶差分：在一阶差分的基础上再进行一次差分操作
以下是本人利用一阶差分编写的提取图像边缘的算法，供大家参考，该函数提供x方向，y方向和对角方向上的一阶差分运行以提取图像边缘

/*@author: @还下着雨ZG
* @brief 一阶差分运算提取图像边缘
* @param[in], imSrc, 待提取边缘的图像
* @param[out], imEdg, 输出边缘图像
* @param[in], diffType, 差分类型：0表示对x方向进行差分（垂直边缘），1表示对y方向进行差分（水平边缘），2表示对角方向进行差分（倾斜边缘）
* @return, 正整数表示提取成功，负数表示提取失败
*/
int DiffEdgDtct(const cv::Mat& imSrc, cv::Mat& imEdg, int diffType)
{
	if(imSrc.empty()) return -1;
    //转换为对灰度图像的操作以减少计算量
    cv::Mat imGray;
    if (imSrc.channels() == 1)
        imGray = imSrc.clone();
    else 
        cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
    //图像预处理：去噪
    cv::GaussianBlur(imGray, imGray, cv::Size(3, 3), 0);
    //对预处理的灰度图像进行差分运算：0表示x方向上的差分，1表示y方向差分，2表示对角线方向差分
    cv::Mat kernel;
    if (diffType == 0)
    {
        kernel = (cv::Mat_<int>(3, 3) << 0, 0, 0, 
        								-1, 1, 0,
        								 0, 0, 0);
    }
    else if (diffType == 1)
    {
        kernel = (cv::Mat_<int>(3, 3) << 0, -1, 0,
        								 0,  1, 0, 
        								 0,  0, 0);
    }
    else if (diffType == 2)
    {
        kernel = (cv::Mat_<int>(3, 3) << -1, 0, 0,
         								  0, 1, 0, 
         								  0, 0, 0);
    }
    else
    {
    	std::cerr<<"diffType you input is error!"<<std::endl;
    	return -1;
	}
	cv::filter2D(imGray, imEdg, CV_16S, kernel); //对图像进行卷积操作
	cv::convertScaleAbs(imEdg, imEdg, 30); //转为CV_8U
	//自适应二值化图像处理
	cv::Mat imEdgTmp;
	cv::threshold(imEdg, imEdgTmp, 0, 255, cv::THRESH_BINARY + cv::THRESH_OTSU);
	cv::medianBlur(imEdg, imEdg, 5);
    return 1;
}

使用方式：通常调用两次该函数并进行加权处理得到边缘图像，但该函数提取的边缘较粗，需要结合形态学操作以提取更加精确的边缘

(3)Roberts边缘检测（手写算法）

Roberts算子又称“交叉微分算法“，当图像边缘接近正负45度的时候，该算法处理效果很不错。缺点是边缘定位不是很精确，且提取的边缘也较粗。

/*@author: @还下着雨ZG
* @brief Robert算子提取图像边缘
* @param[in], imSrc, 待提取边缘的图像
* @param[out], imEdg, 提取的边缘图像
* @param[in], type, 差分类型：0表示对x方向进行差分，1表示对y方向进行差分
* @return, 正整数表示提取成功，负数表示提取失败
*/
int RobertEdgDtct(const cv::Mat &imSrc, cv::Mat &imEdg, int type=0)
{
		if(imSrc.empty()) return -1;
    //转换为对灰度图像的操作以减少计算量
    cv::Mat imGray;
    if (imSrc.channels() == 1)
        imGray = imSrc.clone();
    else 
        cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
    //图像预处理：去噪
    cv::GaussianBlur(imGray, imGray, cv::Size(3, 3), 0);
    //对预处理的灰度图像进行差分运算：0表示x方向上的差分，1表示y方向差分
    cv::Mat kernel;
    if (diffType == 0)
    {
        kernel = (cv::Mat_<int>(2, 2) << -1, 0,
        								  0, 1);
    }
    else if (diffType == 1)
    {
        kernel = (cv::Mat_<int>(2, 2) << 0, -1, 
        								 1, 0);
    }
    else
    {
    	std::cerr<<"The type you input is error!"<<std::endl;
    	return -2;
	}
	cv::filter2D(imGray,imEdg,CV_16S, kernel); //对图像进行卷积操作
	cv::convertScaleAbs(imEdg,imEdg); //转为CV_8U
	//自适应二值化图像处理
	cv::Mat imEdgTmp;
	cv::threshold(imEdg, imEdgTmp, 0, 255, cv::THRESH_BINARY+cv::THRESH_OTSU);
	cv::medianBlur(imEdg, imEdg, 5);
    return 1;
}

使用方法：在实际应用时，应该利用该函数分别提取正45度方向上的边缘，再提取负45度方向上的边缘，最后加权，并结合形态学操作和轮廓查找函数findContours得到图像的轮廓或边缘。

(4)Sobel算子检测边缘（手写算法）

Sobel算子利用像素的上下左右邻域进行加权的算法，根据在边缘点处达到极值这一原理进行边缘检测。该方法能很好地检测出边缘，且对噪声具有平滑作用，提取的边缘信息比较精确。缺点是Sobel算子并没有严格地将前景和背景分开。

/*@author, @还下着雨ZG
* @brief Sobel算子提取图像边缘
* @param[in], imSrc, 待提取边缘的图像
* @param[out], imEdg, 提取的边缘图像
* @param[in], type, 差分类型：0表示x方向，1表示y方向差分
* @return, 正整数表示提取成功，负数表示提取失败
*/
int SobelEdgDtct(const cv::Mat &imSrc, cv::Mat &imEdg, int type=0)
{
		if(imSrc.empty()) return -1;
    //转换为对灰度图像的操作以减少计算量
    cv::Mat imGray;
    if (imSrc.channels() == 1)
        imGray = imSrc.clone();
    else 
        cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
    //图像预处理：去噪
    cv::GaussianBlur(imGray, imGray, cv::Size(3, 3), 0);
    //对预处理的灰度图像进行差分运算：0表示x方向上的差分，1表示y方向差分
    cv::Mat kernel;
    if (diffType == 0)
    {
        kernel = (cv::Mat_<int>(3, 3) << -1, 0, 1, 
        								 -2, 0, 2, 
        								 -1, 0, 1);
    }
    else if (diffType == 1)
    {
        kernel = (cv::Mat_<int>(3, 3) << -1, -2, -1, 
        								  0,  0,  0, 
        								  1,  2,  1);
    }
    else
    {
    	std::cerr<<"The type you input is error!"<<std::endl;
    	return -2;
	}
	cv::filter2D(imGray,imEdg,CV_16S, kernel); //对图像进行卷积操作
	cv::convertScaleAbs(imEdg,imEdg); //转为CV_8U，30根据自己需求确定
	//自适应二值化图像处理
	cv::Mat imEdgTmp;
	cv::threshold(imEdg, imEdg, 0, 255, cv::THRESH_BINARY+cv::THRESH_OTSU);
	cv::medianBlur(imEdg, imEdg, 5);
    return 1;
}

另外，opencv提供了自带的Sobel函数来探测图像的边缘信息：

void cv::Sobel(
	cv::Mat &imSrc,
	cv::Mat &imDst, 
	int ddepth, //imDst的图像数据格式，如CV_8U,CV_16S,CV_32S等
	int dx, //表示x方向的差分阶数
	int dy, //表示y方向上的差分阶数
	int ksize = 3,//Sobel边缘算子的尺寸
	double scale = 1, //对计算结果的缩放因子
	double delta = 0, //对计算结果的偏置，res = scale * x + delta
	int borderType = BORDER_DEFAULT //表示不包含边界值的倒序填充
	);

一般dx，dy和ksize存在一定关系

  • dx和dy一定小于ksize，特殊情况时当ksize=1时，
  • dx和dy都应该小于3
  • dx或dy最大值为1时，ksize=3
  • dx或dy最大值为2时，ksize=5
  • dx或dy最大值为3时，ksize=7 dx和dy都应该小于等于

(5)Prewitt算子边缘检测（手写算法）

相比于Robert算子，Prewitt算子对噪声具有抑制作用，抑制原理时进行像素平均，因此对噪声不敏感，但由于像素平均相当于对图像进行低通滤波，所以定位不如Roberts精确。

/*@author, @还下着雨ZG
* @brief Prewitt算子提取图像边缘
* @param[in], imSrc, 待提取边缘的图像
* @param[out], imEdg, 提取的边缘图像
* @param[in], type, 差分类型：0表示对正45度方向进行差分
* @return, 正整数表示提取成功，负数表示提取失败
*/
int PrewittEdgDtct(const cv::Mat &imSrc, cv::Mat &imEdg, int type=0)
{
	if(imSrc.empty()) return -1;
    //转换为对灰度图像的操作以减少计算量
    cv::Mat imGray;
    if (imSrc.channels() == 1)
        imGray = imSrc.clone();
    else 
        cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
    //图像预处理：去噪
    cv::GaussianBlur(imGray, imGray, cv::Size(3, 3), 0);
    //对预处理的灰度图像进行差分运算：0表示x方向上的差分，1表示y方向差分
    cv::Mat kernel;
    if (diffType == 0)
    {
     	kernel = (cv::Mat_<int>(3, 3) << -1, 0, 1, 
     									 -1, 0, 1, 
     									 -1, 0, 1);
    }
    else if (diffType == 1)
    {
		 kernel = (cv::Mat_<int>(3, 3) << 1,  1,  1, 
		 								  0,  0,  0, 
		 								 -1, -1, -1);
    }
    else
    {
    	std::cerr<<"The type you input is error!"<<std::endl;
    	return -2;
	}
	cv::filter2D(imGray,imEdg,CV_16S, kernel); //对图像进行卷积操作
	cv::convertScaleAbs(imEdg,imEdg); //转为CV_8U，30根据自己需求确定
	//自适应二值化图像处理
	cv::Mat imEdgTmp;
	cv::threshold(imEdg, imEdg, 0, 255, cv::THRESH_BINARY+cv::THRESH_OTSU);
	cv::medianBlur(imEdg, imEdg, 5);
    return 1;
}

(6)Laplacian边缘检测

void Laplacian(
	InputArray imSrc, //输入图像
	outputArray imDst,  //输出的边缘图像
	int ddepth,  //imDst的数据类型CV_16S，CV_32S等
	int ksize=1,  //拉普拉斯算子的尺寸
	double scale=1, //计算结果的缩放尺度
	doubel delta=0,  //偏置值
	int borderType=BORDER_DEFAULT);

(7)LoG边缘检测算子（手写算法）

LoG算子把高斯滤波器和拉普拉斯滤波器结合起来使用，先平滑掉噪声，再进行边缘检测，形成的LoG滤波器核如下面代码kernel所示。LoG是检测边缘比较好的边缘检测器。

/*@author, @还下着雨ZG
* @brief LoG算子提取图像边缘
* @param[in], imSrc, 待提取边缘的图像
* @param[out], imEdg, 提取的边缘图像
* @return, 正整数表示提取成功，负数表示提取失败
*/
int LoGEdgDtct(const cv::Mat &imSrc, cv::Mat &imEdg)
{
	if(imSrc.empty()) return -1;
    //转换为对灰度图像的操作以减少计算量
    cv::Mat imGray;
    if (imSrc.channels() == 1)
        imGray = imSrc.clone();
    else 
        cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
    //图像预处理：去噪
    cv::GaussianBlur(imGray, imGray, cv::Size(3, 3), 0);
    //对预处理的灰度图像进行差分运算：0表示x方向上的差分，1表示y方向差分
    cv::Mat kernel;
    kernel = (cv::Mat_<int>(5, 5) << -2, -4, -4, -4, -2, 
                                    -4,  0,  8,  0, -4,
                                    -4,  8,  24, 8, -4,
                                    -4,  0,  8,  0, -4,
                                    -2, -4, -4, -4, -2);
	cv::filter2D(imGray,imEdg,CV_16S, kernel); //对图像进行卷积操作
	cv::convertScaleAbs(imEdg,imEdg); //转为CV_8U，30根据自己需求确定
	//自适应二值化图像处理
	cv::Mat imEdgTmp;
	cv::threshold(imEdg, imEdg, 0, 255, cv::THRESH_BINARY+cv::THRESH_OTSU);
	cv::medianBlur(imEdg, imEdg, 5);
    return 1;
}

3、边缘检测新技术和方法

(1)基于小波与分形理论的边缘检测技术

小波变换在时域和频域中都具有良好的局部特性，可将信号或图像分成交织在一起的多尺度组成成分，并对大小不同的尺度成分使用相应粗细的时域或空域取样步长。其灵活的信号处理能力能够不断地聚焦对象的任意微小细节。
边缘检测就是准确定位出信号突变的部分，在数学中表现为不连续点或尖点。

(2)基于数学形态学的边缘检测技术

用集合论的方法定量描述几何结构的技术。
常见的形态学操作如下：膨胀和腐蚀是最基本的两种操作，其它操作时这两种操作的组合

  • 膨胀：增加图像中亮色部分，可以对彩色图像、灰度图像和二值图像进行操作
  • 腐蚀：增加图像中暗色部分
  • 开操作：先腐蚀后膨胀，效果：去除暗色区域中的亮点
  • 闭操作：先膨胀后腐蚀，效果：去除亮色区域中的暗点
  • 击中与击不中操作：三种值（-1，0，1），-1表示黑，1表示白，0表示任意（黑或白），通过设计模板核，进行击中与击不中操作实现边缘检测、模式匹配等功能。
  • 黑帽操作：先对图像进行闭运算，然后将闭运算的结果与原始图像相减，用于增强小细节
  • 厚化操作：先对图像进行开运算，然后将结果和原始图像相减，用于强调大细节
    形态学操作进行边缘提取的基本使用如下代码所示：
//形态学操作实现边缘提取，可根据具体场景优化后直接拷贝使用
int MorphEdgDtct(const cv::Mat& imSrc, cv::Mat& imEdg)
{
    if (imSrc.empty()) return -1;
    cv::Mat imGray;
    if (imSrc.channels() == 3)
    {
        cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
    }
    else
    {
        imGray = imSrc.clone();
    }
    cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(2, 2));
    int iTms = 1;
    cv::Mat imTmp01, imTmp02;
    cv::dilate(imGray, imTmp01, kernel, cv::Point(-1, -1), iTms);
    cv::erode(imGray, imTmp02, kernel, cv::Point(-1, -1), iTms);
    cv::Mat imSobel = imTmp01 - imTmp02; //膨胀-腐蚀=边缘
    //自适应二值化图像处理
    cv::threshold(imSobel, imSobel, 0, 255, cv::THRESH_BINARY + cv::THRESH_OTSU);
    cv::medianBlur(imSobel, imEdg, 5);
    return 1;
}

(3)基于神经网络的边缘检测技术

利用神经网络的方法得到的边缘图像边界连续性比较好，边界封闭性也比较好，并且对于任何灰度图检测都能得到良好的效果。

还下着雨ZG
关注
专栏目录
深度剖析图像处理—边缘检测
Ochazuke的博客
04-22 2629
数字图像处理，bmp图像的边缘检测，图像边缘增强和边缘分割的基础，深度剖析各种算子和实现方法，内附实例讲解个人心得，文末附源码，希望对您有所帮助
差分、梯度、Roberts、sobel、Prewitt、Laplace边缘检测算子的介绍、评估和比较
07-02
差分、梯度、Roberts、sobel、Prewitt、Laplace边缘检测算子的介绍、评估和比较 很实用的一篇文章，拿来和大家共享
计算机视觉7：图像边缘检测
最新发布
KingGodZ的博客
08-18 2738
边缘是指图像周围像素灰度有阶跃变化或屋顶状变化的像素集合。边缘具有方向和幅度两个特征，沿边缘走向，像素值变化比较平缓，垂直于边缘走向，像素值变化比较剧烈，可能呈现阶跃状，也可能呈现斜坡状。边缘可以分为两种，一种是阶跃性边缘，两边的像素灰度值有着明显的不同；另一种为屋顶状边缘，位于灰度值从增加到减少的变化转折点。对于阶跃性边缘，二阶方向导数在边缘处成零交叉，对于屋顶状边缘，二阶方向导数在边缘处取极值。在图（a）中，对灰度值剖面的一阶导数在图像由暗变明的位置处有一个向上的阶跃，在其他位置为零。
边缘检测(Edge Detection)
Moon小木
07-10 4999
个人博客：wyxogo.top在大多数时候图像的边缘可以承载大部分的信息，并且提取边缘可以除去很多干扰信息，提高处理数据的效率识别图像中的突然变化(不连续)边缘是图像强度函数中快速变化的地方，变化的地方就存在梯度，对灰度值求导，导数为0的点即为边界点卷积的导数∂f(x,y)∂x=lim⁡ε→0f(x+ε,y)−f(x,y)ε\frac {\partial f(x,y)}{\partial x} = \lim_{\varepsilon \rightarrow 0} \frac{f(x+\varepsilon
OpenCV-高通滤波与边缘检测
小白的学习笔记
03-20 2299
在OpenCV中使用卷积操作，对图像进行高通滤波，提取图像边缘，比较各种高通滤波方法的特点与效果
【边缘检测】基于Matlab小波变换图像边缘检测附代码
m0_60703264的博客
01-12 1456
图像边缘检测是图像处理和计算机视觉中的一个基本问题，其目的是从图像中提取出有意义的边缘信息。边缘是指图像中亮度或颜色发生突变的地方，通常表示图像中物体的轮廓或边界。边缘检测可以帮助我们理解图像的内容，并为后续的图像分析和处理提供重要的信息。基于小波变换的图像边缘检测算法是一种有效的图像边缘检测方法，它具有良好的抗噪性和定位精度。基于小波变换的图像边缘检测算法在图像处理和计算机视觉领域有着广泛的应用，包括目标检测、图像分割和图像匹配等。
三种常用边缘检测算法
m0_74012554的博客
08-06 7368
Sobel算法是一种经典的图像边缘检测算法，用于在图像中检测边缘。Canny算法是一种经典的边缘检测算法，它在图像中寻找梯度的极大值来检测边缘，并通过非极大值抑制和双阈值处理来提高检测结果的准确性和稳定性。目标跟踪：在视频分析中，边缘检测可以用于目标的跟踪和运动分析，通过不断检测目标的边缘变化来实现目标的跟踪。图像分割：边缘检测可以用于图像分割，将图像分成不同的区域和对象，从而方便进一步的图像分析和处理。在很多图像处理任务中，边缘检测是第一步，它的结果对后续的处理和分析起着至关重要的作用。
计算机视觉形态学边缘检测.pdf
03-11
在计算机视觉领域，形态学边缘检测是一种常用的技术，用于识别图像中的边界和结构。形态学操作，如腐蚀、膨胀、开运算和闭运算，是基于形状分析的基础算法，尤其适用于处理二值图像。 1. **腐蚀**：腐蚀操作是通过...
计算机视觉 形态学 边缘检测.docx
03-11
Sobel算子和Prewitt算子使用更复杂的差分模板，对边缘的检测更敏感，适合于处理中等噪声的图像。Laplacian算子是基于图像的二阶导数，对边缘定位准确，但对噪声敏感。LOG算子结合了高斯滤波器和拉普拉斯算子，既能...
计算机视觉形态学边缘检测.docx
11-13
计算机视觉中的形态学边缘检测是图像处理中的一个重要环节，它主要应用于识别和增强图像的边界。本实验旨在让学生掌握数学形态学的基本运算，包括腐蚀、膨胀、开运算和闭运算，以及不同边缘检测算子，如Roberts算子...
计算机视觉形态学边缘检测 (2).docx
03-11
Roberts算子使用局部差分检测边缘，Sobel和Prewitt算子基于梯度信息，LOG算子结合了高斯滤波和拉普拉斯操作，而Laplacian算子是二阶导数的二维表示，这些算子都有各自的适用场景，例如Roberts算子适用于低频边缘，...
边缘检测
02-06
该代码用VC6.0编译通过，是对模糊图像的边缘进行检测提取，对初级数字图像处理人员有一定帮助
canny边缘检测实现
03-19
canny边缘检测实现 使用opencv的图像数据接口以及sobel边缘检测函数进行梯度检测 vs2010+opencv2.4.8实现canny边缘检测 代码简单明了，有助于理解canny原理
边缘检测算法
05-31
边缘检测算法的matlab实现，内含各种实现方式，应该还比较可靠
【数字图像处理】边缘检测
洋洋Young的博客
12-01 555
边缘检测是一种图像处理技术，用于在图像中识别和提取物体边缘的信息，广泛应用于计算机视觉和图像分析领域。本文主要介绍数字图像边缘检测的基本原理，并记录在紫光同创 PGL22G FPGA 平台的布署与实现过程。
OpenCV学习记录——边缘检测
KAI的博客
02-01 1543
在做某些图像处理时，通常需要将识别到的物体边界提取出来，从而帮助我们实现目标检测，这就需要用到边缘检测，例如人脸识别和运动目标的检测都需要先进行边缘检测，这篇文章就记录一下边缘检测的原理及应用代码。
图像边缘检测
热门推荐
crossoverpptx的博客
01-06 1万+
边缘检测是图像处理与计算机视觉中的重要技术之一。其目的是检测识别出图像中亮度变化剧烈的像素点构成的集合。图像边缘的正确检测对于分析图像中的内容、实现图像中物体的分割、定位等具有重要的作用。边缘检测大大减少了源图像的数据量，剔除了与目标不相干的信息，保留了图像重要的结构属性。图像的边缘指的是图像中像素灰度值突然发生变化的区域，如果将图像的每一行像素和每一列像素都描述成一个关于灰度值的函数，那么图像的边缘对应在灰度值函数中是函数值突然变大的区域。函数值的变化趋势可以用函数的导数描述。
【边缘检测】基于小波变换的图像边缘检测附Matlab代码
m0_60703264的博客
04-12 901
边缘检测是图像处理中的基本任务之一，其目的是从图像中提取出感兴趣区域的边界。边缘通常对应于图像中亮度或颜色发生剧烈变化的地方，因此边缘检测可以帮助我们识别图像中的对象、结构和纹理。小波变换小波变换是一种时频分析工具，它可以将信号分解成一系列小波基函数的线性组合。小波基函数具有局部化和振荡的特性，可以有效地捕捉信号中的局部变化。基于小波变换的边缘检测基于小波变换的边缘检测方法利用小波基函数的局部化和振荡特性来检测图像中的边缘。具体步骤如下：**小波分解：**将图像进行小波分解，得到一系列小波系数。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值