Roberts 算子Prewitt 算子Sobel 算子Laplacian 算子

最新推荐文章于 2024-05-08 14:42:07 发布
最新推荐文章于 2024-05-08 14:42:07 发布
阅读量2.1k 收藏 18
点赞数 2
文章标签： 计算机视觉 图像处理 人工智能
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/vh62505/article/details/134360825
版权

一、实验目的

  1. 了解掌握边缘检测的基本概念
  2. 了解边缘检测算子分类

二．实验环境

Matlab

三、实验内容与步骤

  1. Roberts 算子
  2. Prewitt 算子
  3. Sobel 算子
  4. Laplacian 算子

四、实验过程与分析

  1. Roberts 算子

1.1 基本原理

Roberts算子又称为交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。其缺点是对边缘的定位不太准确，提取的边缘线条较粗。

1.2代码示例

%%使用梯度算子实现边缘检测

%%使用matlab自带的函数进行边缘检测

clear all;

I = imread('rice.png'); %导入图像

imshow(I), title('none');%显示原图

G = edge(I, 'roberts');%应用罗伯特算子对像进行边缘检测，并进行二值化

figure, imshow(G), title('roberts');

%%另有博客主给出的MATLAB实现五种边缘检测，Matlab图像二值化，hen有参考意义

%%自己编码，先卷积检测边缘（使用roberts算子），再将图像二值化

myF = I;

%卷积操作，先补零

myF(:, size(I, 2) + 1) = 0;

myF(size(I, 1) + 1, :) = 0;

%进行卷积检测边缘

P = ones(size(I, 1) + 1, size(I, 2) + 1);

for i = 1:size(I, 1)

    for j = 1:size(I, 2)

        P(i, j) = P(i, j) + abs(myF(i + 1, j + 1) -myF(i, j)) + abs(myF(i +1, j) - myF(i, j + 1));

    end

end

P = P(1:size(I, 1), 1:size(I, 2));

figure, imshow(P, []), title('梯度图像');

%二值化操作

%先统计0到255灰度级对应的像素个数 

L = zeros(1, 256); 

for i = 1:size(P, 1) 

    for j = 1:size(P, 2) 

       for k = 0:255 

            if P(i, j) == k 

                L(k+1) = L(k+1) + 1; 

           end 

        end 

    end 

end 

%绘制I的灰度直方图 

figure, bar(0:255, L); 

axis([0,255,0,1650]);%设置坐标轴x和y的范围——x从0到255，y从0到1650

%%取谷底的灰度级45为二值化阈值

for i = 1:size(P, 1) 

    for j = 1:size(P, 2) 

        if P(i, j) <= 45 

            P(i, j) = 0;

        else

            P(i, j) = 1;

        end

    end 

end 

figure, imshow(P, []), title('二值化图像');%输出二值化图像

运行结果：

  1. Sobel 算子

2.1 基本原理

Sobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。该算子用于计算图像明暗程度近似值，根据图像边缘旁边明暗程度把该区域内超过某个数的特定点记为边缘。Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。

Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息。因为Sobel算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时，Sobel算子是一种较为常用的边缘检测方法。

2.2代码示例

clear all;

close all;

imag = imread("C:\Users\a1510\Pictures\Screenshots\屏幕截图 2023-10-24 080822.png");  %读取关键帧

imag = rgb2gray(imag);        %转化为灰度图

subplot(131);imshow(imag):title('原图');

[high,width] = size(imag);   % 获得图像的高度和宽度

F2 = double(imag);       

U = double(imag);      

uSobel = imag;

for i = 2:high - 1   %sobel边缘检测

    for j = 2:width - 1

        Gx = (U(i+1,j-1) + 2*U(i+1,j) + F2(i+1,j+1)) - (U(i-1,j-1) + 2*U(i-1,j) + F2(i-1,j+1));

        Gy = (U(i-1,j+1) + 2*U(i,j+1) + F2(i+1,j+1)) - (U(i-1,j-1) + 2*U(i,j-1) + F2(i+1,j-1));

        uSobel(i,j) = sqrt(Gx^2 + Gy^2);

    end

end

subplot(132);imshow(im2uint8(uSobel)):title('边缘检测后');  %画出边缘检测后的图像

% Matlab自带函数边缘检测

% K为获取得到的关键帧的灰度图

BW3 = edge(imag,'sobel', 0.09);

subplot(133);imshow(BW3,[]):title('Matlab自带函数边缘检测');

运行结果：

3. Prewitt 算子

3.1基本原理

Prewitt算子是一种图像边缘检测的微分算子，其原理是利用特定区域内像素灰度值产生的差分实现边缘检测。由于Prewitt算子采用 3×3 模板对区域内的像素值进行计算，而Robert算子的模板为 2×2，故Prewitt算子的边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。Prewitt算子适合用来识别噪声较多、灰度渐变的图像.

3.2代码实现：

F=imread("C:\Users\a1510\Pictures\Screenshots\屏幕截图 2023-10-24 080822.png");

f=double(rgb2gray(F));

[row,col]=size(f);

f2=rgb2gray(F);

imshow(f2);

f1=zeros(row,col);

gx=[1,0,-1;1,0,-1;1,0,-1];

gy=[-1,-1,-1;0,0,0;1,1,1];

for i=2:row-1

    for j=2:col-1

        fx=[f(i-1,j-1),f(i-1,j),f(i-1,j+1);f(i,j-1),f(i,j),f(i,j+1);f(i+1,j-1),f(i+1,j),f(i+1,j+1)];

        fy=[f(i-1,j-1),f(i-1,j),f(i-1,j+1);f(i,j-1),f(i,j),f(i,j+1);f(i+1,j-1),f(i+1,j),f(i+1,j+1)];

        Gx=gx.*fx;

        Gy=gy.*fy;

        A=abs(abs(sum(Gx,'all'))+abs(sum(Gy,'all')));

        if A>=100

            f1(i,j)=255;

        end

    end

end

figure(2);

imshow(f1);

运行结果：

4. Laplacian 算子

4.1基本原理

拉普拉斯(Laplacian) 算子是维欧几里德空间中的一个二阶微分算子，常用于图像增强领域和边缘提取。它通过灰度差分计算邻域内的像素。

4.2算法基本流程

1）判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度；反之降低中心像素的灰度，从而实现图像锐化操作；

2）在算法实现过程中，Laplacian算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加起来判断中心像素灰度与邻域内其他像素灰度的关系；

3）最后通过梯度运算的结果对像素灰度进行调整。

Laplacian算子分为四邻域和八邻域，四邻域是对邻域中心像素的四个方向求梯度，八邻域是对八个方向求梯度.

4.3代码实现：

clc;

clear;

hold off;

I = imread('lena.bmp');

figure(1);

imshow(I);

title('Lena原图');

% J1 = imnoise(I,'gaussian',0,0.01);    %高斯噪声

% figure(2);

% imshow(J1);

% J2 = imnoise(I,'salt & pepper',0.02); %椒盐噪声

% figure(3);

% imshow(J2);

%--------------------二阶微分算子边缘检测-----------------------

 c = [-1 -1 -1     %laplacian算子

      -1  8 -1

      -1 -1 -1]

 I = double(I);

    for j = 2:255

      for i = 2:255

      b1 = I(j-1,i-1);

      b2 = I(j-1,i);

      b3 = I(j-1,i+1);

      b4 = I(j,i-1);

      b5 = I(j,i);

      b6 = I(j,i+1);

      b7 = I(j+1,i-1);

      b8 = I(j+1,i);

      b9 = I(j+1,i+1);

      buffer(j,i) = b1*c(1,1) + b2*c(1,2) + b3*c(1,2) + b4*c(2,1) + b5*c(2,2) + b6*c(2,3) + b7*c(3,1) + b8*c(3,2) + b9*c(3,3);

      J(j,i) = uint8(buffer(j,i));

         if J(j,i) < 1

             J(j,i) = -J(j,i);

         end

         if J(j,i) > 255

             J(j,i) = 255;

         end

      end

    end

    for i = 0:256

        J(1,i) = I(1,i);

        J(256,i) = I(256,i);

    end

    for j = 1:256

        J(j,1) = I(j,1);

        J(j,256) = I(j,256);

    end

运行结果：

五、实验总结

  1. Roberts算子：
    • 介绍： Roberts 算子是一种常用于边缘检测的算子，它利用了图像中相邻像素间的差异来检测边缘。
    • 工作原理： Roberts 算子使用了一个2x2的卷积核，分别对图像进行水平和垂直方向的卷积操作，然后将两者的平方和开方，得到边缘强度。
    • 总结： Roberts 算子简单易实现，但对于一些情况下的噪声比较敏感，可能会产生一些虚假的边缘。
  2. Prewitt 算子：
    • 介绍： Prewitt 算子也是一种常用的边缘检测算子，与Roberts相似，但在卷积核的设计上稍有不同。
    • 工作原理： Prewitt 算子同样使用了2x2的卷积核，分别对图像进行水平和垂直方向的卷积操作，然后将两者的平方和开方，得到边缘强度。
    • 总结： Prewitt 算子在一定程度上减轻了Roberts算子对噪声的敏感性，但仍可能对一些噪声产生响应。
  3. Sobel 算子：
    • 介绍： Sobel 算子也是一种常用于图像边缘检测的算子，相比于Roberts和Prewitt，Sobel算子在设计上考虑了像素之间的权重。
    • 工作原理： Sobel 算子同样使用了2x2的卷积核，但其权重分配更加均衡，以减少噪声的影响。
    • 总结： Sobel 算子相对于前两者在边缘检测中表现更为稳定，对于噪声的抵抗能力更强。
  4. Laplacian 算子：
    • 介绍： Laplacian 算子是一种广泛用于边缘检测和图像增强的算子，它强调了像素的二阶导数。
    • 工作原理： Laplacian 算子使用了一个4或8邻域的卷积核，可以通过对图像进行二阶微分来检测边缘。
    • 总结： Laplacian 算子通常用于提升图像的高频细节，可以与其他算子结合使用。

方法对比：

Roberts 算子：基于一阶导数的方法

Prewitt 算子：基于一阶导数的方法

Sobel 算子：基于一阶导数的方法

Laplacian 算子：基于二阶导数的方法

Canny 算子：非微分边缘检测算子

公式对比：

算子：

算子：

算子：

算子：4领域，8领域

优点对比：

Roberts：对垂直边缘的检测效果好于斜向边缘

         对具有陡峭的低噪声的图像效果最好

         定位精度高

Prewitt：边缘检测结果在水平方向和垂直方向均比 Robert 算子明显

         适合用来识别噪声较多，灰度渐变的图像

         对噪声有抑制作用，抑制噪声的原理是通过像素平均

Sobel：边缘定位较准确，常用于噪声较多，灰度渐变的图像

Laplacian：对图像中的阶跃性边缘点定位准确

Canny：对噪声不敏感，不容易受到噪声干扰

       能够检测到真正的弱边缘

       使用两种不同的阈值分别检测强边缘和弱边缘

       仅当强边缘与弱边缘相连时才将弱边缘包含在输出图像中

缺点对比：

Robert

一、实验目的

  1. 了解掌握边缘检测的基本概念
  2. 了解边缘检测算子分类

二．实验环境

Matlab

三、实验内容与步骤

  1. Roberts 算子
  2. Prewitt 算子
  3. Sobel 算子
  4. Laplacian 算子

四、实验过程与分析

  1. Roberts 算子

1.1 基本原理

Roberts算子又称为交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。其缺点是对边缘的定位不太准确，提取的边缘线条较粗。

1.2代码示例

%%使用梯度算子实现边缘检测

%%使用matlab自带的函数进行边缘检测

clear all;

I = imread('rice.png'); %导入图像

imshow(I), title('none');%显示原图

G = edge(I, 'roberts');%应用罗伯特算子对像进行边缘检测，并进行二值化

figure, imshow(G), title('roberts');

%%另有博客主给出的MATLAB实现五种边缘检测，Matlab图像二值化，hen有参考意义

%%自己编码，先卷积检测边缘（使用roberts算子），再将图像二值化

myF = I;

%卷积操作，先补零

myF(:, size(I, 2) + 1) = 0;

myF(size(I, 1) + 1, :) = 0;

%进行卷积检测边缘

P = ones(size(I, 1) + 1, size(I, 2) + 1);

for i = 1:size(I, 1)

    for j = 1:size(I, 2)

        P(i, j) = P(i, j) + abs(myF(i + 1, j + 1) -myF(i, j)) + abs(myF(i +1, j) - myF(i, j + 1));

    end

end

P = P(1:size(I, 1), 1:size(I, 2));

figure, imshow(P, []), title('梯度图像');

%二值化操作

%先统计0到255灰度级对应的像素个数 

L = zeros(1, 256); 

for i = 1:size(P, 1) 

    for j = 1:size(P, 2) 

       for k = 0:255 

            if P(i, j) == k 

                L(k+1) = L(k+1) + 1; 

           end 

        end 

    end 

end 

%绘制I的灰度直方图 

figure, bar(0:255, L); 

axis([0,255,0,1650]);%设置坐标轴x和y的范围——x从0到255，y从0到1650

%%取谷底的灰度级45为二值化阈值

for i = 1:size(P, 1) 

    for j = 1:size(P, 2) 

        if P(i, j) <= 45 

            P(i, j) = 0;

        else

            P(i, j) = 1;

        end

    end 

end 

figure, imshow(P, []), title('二值化图像');%输出二值化图像

运行结果：

  1. Sobel 算子

2.1 基本原理

Sobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。该算子用于计算图像明暗程度近似值，根据图像边缘旁边明暗程度把该区域内超过某个数的特定点记为边缘。Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。

Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息。因为Sobel算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时，Sobel算子是一种较为常用的边缘检测方法。

2.2代码示例

clear all;

close all;

imag = imread("C:\Users\a1510\Pictures\Screenshots\屏幕截图 2023-10-24 080822.png");  %读取关键帧

imag = rgb2gray(imag);        %转化为灰度图

subplot(131);imshow(imag):title('原图');

[high,width] = size(imag);   % 获得图像的高度和宽度

F2 = double(imag);       

U = double(imag);      

uSobel = imag;

for i = 2:high - 1   %sobel边缘检测

    for j = 2:width - 1

        Gx = (U(i+1,j-1) + 2*U(i+1,j) + F2(i+1,j+1)) - (U(i-1,j-1) + 2*U(i-1,j) + F2(i-1,j+1));

        Gy = (U(i-1,j+1) + 2*U(i,j+1) + F2(i+1,j+1)) - (U(i-1,j-1) + 2*U(i,j-1) + F2(i+1,j-1));

        uSobel(i,j) = sqrt(Gx^2 + Gy^2);

    end

end

subplot(132);imshow(im2uint8(uSobel)):title('边缘检测后');  %画出边缘检测后的图像

% Matlab自带函数边缘检测

% K为获取得到的关键帧的灰度图

BW3 = edge(imag,'sobel', 0.09);

subplot(133);imshow(BW3,[]):title('Matlab自带函数边缘检测');

运行结果：

3. Prewitt 算子

3.1基本原理

Prewitt算子是一种图像边缘检测的微分算子，其原理是利用特定区域内像素灰度值产生的差分实现边缘检测。由于Prewitt算子采用 3×3 模板对区域内的像素值进行计算，而Robert算子的模板为 2×2，故Prewitt算子的边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。Prewitt算子适合用来识别噪声较多、灰度渐变的图像.

3.2代码实现：

F=imread("C:\Users\a1510\Pictures\Screenshots\屏幕截图 2023-10-24 080822.png");

f=double(rgb2gray(F));

[row,col]=size(f);

f2=rgb2gray(F);

imshow(f2);

f1=zeros(row,col);

gx=[1,0,-1;1,0,-1;1,0,-1];

gy=[-1,-1,-1;0,0,0;1,1,1];

for i=2:row-1

    for j=2:col-1

        fx=[f(i-1,j-1),f(i-1,j),f(i-1,j+1);f(i,j-1),f(i,j),f(i,j+1);f(i+1,j-1),f(i+1,j),f(i+1,j+1)];

        fy=[f(i-1,j-1),f(i-1,j),f(i-1,j+1);f(i,j-1),f(i,j),f(i,j+1);f(i+1,j-1),f(i+1,j),f(i+1,j+1)];

        Gx=gx.*fx;

        Gy=gy.*fy;

        A=abs(abs(sum(Gx,'all'))+abs(sum(Gy,'all')));

        if A>=100

            f1(i,j)=255;

        end

    end

end

figure(2);

imshow(f1);

运行结果：

4. Laplacian 算子

4.1基本原理

拉普拉斯(Laplacian) 算子是维欧几里德空间中的一个二阶微分算子，常用于图像增强领域和边缘提取。它通过灰度差分计算邻域内的像素。

4.2算法基本流程

1）判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度；反之降低中心像素的灰度，从而实现图像锐化操作；

2）在算法实现过程中，Laplacian算子通过对邻域中心像素的四方向或八方向求梯度，再将梯度相加起来判断中心像素灰度与邻域内其他像素灰度的关系；

3）最后通过梯度运算的结果对像素灰度进行调整。

Laplacian算子分为四邻域和八邻域，四邻域是对邻域中心像素的四个方向求梯度，八邻域是对八个方向求梯度.

4.3代码实现：

clc;

clear;

hold off;

I = imread('lena.bmp');

figure(1);

imshow(I);

title('Lena原图');

% J1 = imnoise(I,'gaussian',0,0.01);    %高斯噪声

% figure(2);

% imshow(J1);

% J2 = imnoise(I,'salt & pepper',0.02); %椒盐噪声

% figure(3);

% imshow(J2);

%--------------------二阶微分算子边缘检测-----------------------

 c = [-1 -1 -1     %laplacian算子

      -1  8 -1

      -1 -1 -1]

 I = double(I);

    for j = 2:255

      for i = 2:255

      b1 = I(j-1,i-1);

      b2 = I(j-1,i);

      b3 = I(j-1,i+1);

      b4 = I(j,i-1);

      b5 = I(j,i);

      b6 = I(j,i+1);

      b7 = I(j+1,i-1);

      b8 = I(j+1,i);

      b9 = I(j+1,i+1);

      buffer(j,i) = b1*c(1,1) + b2*c(1,2) + b3*c(1,2) + b4*c(2,1) + b5*c(2,2) + b6*c(2,3) + b7*c(3,1) + b8*c(3,2) + b9*c(3,3);

      J(j,i) = uint8(buffer(j,i));

         if J(j,i) < 1

             J(j,i) = -J(j,i);

         end

         if J(j,i) > 255

             J(j,i) = 255;

         end

      end

    end

    for i = 0:256

        J(1,i) = I(1,i);

        J(256,i) = I(256,i);

    end

    for j = 1:256

        J(j,1) = I(j,1);

        J(j,256) = I(j,256);

    end

运行结果：

五、实验总结

  1. Roberts算子：
    • 介绍： Roberts 算子是一种常用于边缘检测的算子，它利用了图像中相邻像素间的差异来检测边缘。
    • 工作原理： Roberts 算子使用了一个2x2的卷积核，分别对图像进行水平和垂直方向的卷积操作，然后将两者的平方和开方，得到边缘强度。
    • 总结： Roberts 算子简单易实现，但对于一些情况下的噪声比较敏感，可能会产生一些虚假的边缘。
  2. Prewitt 算子：
    • 介绍： Prewitt 算子也是一种常用的边缘检测算子，与Roberts相似，但在卷积核的设计上稍有不同。
    • 工作原理： Prewitt 算子同样使用了2x2的卷积核，分别对图像进行水平和垂直方向的卷积操作，然后将两者的平方和开方，得到边缘强度。
    • 总结： Prewitt 算子在一定程度上减轻了Roberts算子对噪声的敏感性，但仍可能对一些噪声产生响应。
  3. Sobel 算子：
    • 介绍： Sobel 算子也是一种常用于图像边缘检测的算子，相比于Roberts和Prewitt，Sobel算子在设计上考虑了像素之间的权重。
    • 工作原理： Sobel 算子同样使用了2x2的卷积核，但其权重分配更加均衡，以减少噪声的影响。
    • 总结： Sobel 算子相对于前两者在边缘检测中表现更为稳定，对于噪声的抵抗能力更强。
  4. Laplacian 算子：
    • 介绍： Laplacian 算子是一种广泛用于边缘检测和图像增强的算子，它强调了像素的二阶导数。
    • 工作原理： Laplacian 算子使用了一个4或8邻域的卷积核，可以通过对图像进行二阶微分来检测边缘。
    • 总结： Laplacian 算子通常用于提升图像的高频细节，可以与其他算子结合使用。

方法对比：

Roberts 算子：基于一阶导数的方法

Prewitt 算子：基于一阶导数的方法

Sobel 算子：基于一阶导数的方法

Laplacian 算子：基于二阶导数的方法

Canny 算子：非微分边缘检测算子

公式对比：

算子：

算子：

算子：

算子：4领域，8领域

优点对比：

Roberts：对垂直边缘的检测效果好于斜向边缘

         对具有陡峭的低噪声的图像效果最好

         定位精度高

Prewitt：边缘检测结果在水平方向和垂直方向均比 Robert 算子明显

         适合用来识别噪声较多，灰度渐变的图像

         对噪声有抑制作用，抑制噪声的原理是通过像素平均

Sobel：边缘定位较准确，常用于噪声较多，灰度渐变的图像

Laplacian：对图像中的阶跃性边缘点定位准确

Canny：对噪声不敏感，不容易受到噪声干扰

       能够检测到真正的弱边缘

       使用两种不同的阈值分别检测强边缘和弱边缘

       仅当强边缘与弱边缘相连时才将弱边缘包含在输出图像中

缺点对比：

Roberts：对噪声敏感，无法抑制噪声的影响
             提取边缘的结果是边缘比较粗
             边缘定位不是很准确

Prewitt：像素平均相当于对图像的低通滤波

Sobel：由于边缘是位置的标志，对灰度的变化不敏感

Laplacian：对噪声比较敏感，只适用于无噪声图像
                容易丢失边缘方向信息，造成一些不连续的检测边缘

Canny：易使高频边缘被平滑掉，从而造成边缘丢失

常用场景对比：

Roberts：常用于垂直边缘明显或具有陡峭的低噪声的图像的边缘检测任务

Prewitt：常用于噪声较多、灰度渐变的图像的边缘检测任务

Sobel：常用于噪声较多，灰度渐变的图像的边缘检测任务

Laplacian：常用于归一化检测结果，进行方差计算，可以用在模糊检测任务上

Canny：被用于诸如“车道线检测”等实际项目中，是最有效的边缘检测方法

边缘检测结果对比：

s：对噪声敏感，无法抑制噪声的影响
             提取边缘的结果是边缘比较粗
             边缘定位不是很准确

Prewitt：像素平均相当于对图像的低通滤波

Sobel：由于边缘是位置的标志，对灰度的变化不敏感

Laplacian：对噪声比较敏感，只适用于无噪声图像
                容易丢失边缘方向信息，造成一些不连续的检测边缘

Canny：易使高频边缘被平滑掉，从而造成边缘丢失

常用场景对比：

Roberts：常用于垂直边缘明显或具有陡峭的低噪声的图像的边缘检测任务

Prewitt：常用于噪声较多、灰度渐变的图像的边缘检测任务

Sobel：常用于噪声较多，灰度渐变的图像的边缘检测任务

Laplacian：常用于归一化检测结果，进行方差计算，可以用在模糊检测任务上

Canny：被用于诸如“车道线检测”等实际项目中，是最有效的边缘检测方法

边缘检测结果对比：

2450哥
关注
  • 2
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
60.Roberts边缘检测算子
twnkie的博客
08-09 1100
具体而言，Roberts算子使用两个3x3的模板（-1 0, 0 1）和（0 -1, 1 0）对图像进行卷积操作，分别计算水平和垂直方向上的灰度差异。通过计算两个方向上的灰度差的绝对值之和，可以得到边缘的强度。Roberts边缘检测算子的优点是简单高效，适用于实时性要求较高的场景。对于输入图像中的每个像素点，分别与两个模板进行卷积操作，计算水平方向和垂直方向上的灰度差分。然后，将两个方向上的灰度差的绝对值之和作为该像素点的边缘强度。Roberts边缘检测算子的数学原理是基于一阶微分的边缘检测。
梯度和梯度算子(Roberts,Sobel,Laplace)
热门推荐
dx199771的博客
12-27 3万+
机器学习和深度学习中，梯度是一个很重要的概念。在大部分机器学习优化问题中都可以通过梯度下降法处理。要介绍梯度就必须了解导数（derivative），偏导数（partial derivative）和方向导数（directional derivative）。 这些概念在高等数学中都有介绍，也可以参考百度和维基百科，这里我们就只做简单回忆： 导数 导数反映函数在某点处沿x轴正方向的变化率，可以理解为，如果某点导数大于0，则该点沿x轴正方向递增，如果某点小于0，则递减。 偏导数 导数和偏导数性质一致，但偏导数
【数字图像处理笔记】Matlab实现微分法图像锐化 罗伯特（Roberts）-索贝尔（Sobel）-普瑞维特（Prewitt）-拉普拉斯（Laplace）算子 （四）
JMFive的博客
05-08 2233
大家好，又见面了，我是夜阑的狗🐶，本文是专栏【数字图像处理笔记】专栏的第4篇文章;这是今天学习到数字图像处理笔记 – Matlab实现微分法图像锐化 罗伯特（Roberts）-索贝尔（Sobel）-普瑞维特（Prewitt）-拉普拉斯（Laplace）算子 💖💖💖，开启新的征程，记录最美好的时刻🎉，每天进步一点点。【数字图像处理笔记】， 此专栏是我是夜阑的狗对数字图像处理学习过程的总结，希望能够加深自己的印象，以及帮助到其他的小伙伴😉😉。如果文章有什么需要改进的地方还请大佬不吝赐教👏👏。
Roberts算子边缘检测原理及实现
小武的博客
06-10 3万+
写在前面 我们知道，进行边缘检测有两种方法：一阶导数的极值、二阶导数的过零点。 Robert算子是一种一阶微分算子，而且Robert算子是第一个边缘检测算子，提出者是Lawrence Roberts in 1963。 从这篇博客开始，会陆续介绍几种经典的边缘检测算子。先附上各种边缘检测算法的优缺点： 原理 Roberts算子是一种斜向偏差分...
计算机视觉（7）————特征检测（边缘／角／斑点）小专题(2)Roberts 算子
leetteel
12-04 1622
对于离散的图像 f（x，y），边缘检测算子就是用图像的垂直和水平差分来逼近梯度算子，即∶ Vf =(f(x,y)-f(x-1,y), f(x,y)-f(x,y-1)) 在进行边缘检测时，对于图像中的每个像素计算Vf，然后求绝对值，最后进行阈值操作就可以实现。Roberts 算子的计算公式为∶ Roberts 算子由下面的两个模板组成∶ set(0,'defaultfigurecolor','w') I=imread('lena.jpg'); figure(1) imshow(I) I=double(rg
Robert算子、Sobel算子、拉普拉斯算子
MCU_master的博客
07-12 523
Robert算子、Sobel算子、拉普拉斯算子
【Numpy】图像处理——高通滤波锐化算子（一阶微分&二阶微分）
qq_34108802的博客
01-23 1568
锐化与边缘检测的基础：一阶微分&二阶微分的梯度算子，如罗伯特（Roberts）、索贝尔（Sobel）、Scharr、Prewitt、拉普拉斯（Laplacian）。
17.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子1
08-03
1.Roberts算子 2.Prewitt算子 4.Laplacian算子 5.总结代码
图像锐化MATLAB实现（包含laplacian算子、Prewitt算子、Robert算子、sobel算子）
05-07
本次代码共包含5个程序，均由MATLAB实现，其功能为图像锐化。包含laplacian算子、Prewitt算子、Robert算子、sobel算子实现图像锐化，并有一维和二维laplacian算子对比。内还有各个算子的运算过程（Word文档）
17.七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子.pdf
03-31
17.七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子
Roberts算子程序，绝对原创
05-14
亲测Roberts算子，非常特别的好用，顶起来啊
图像边缘检测matlab源码kirsch、Laplacian、prewitt、roberts、Sobel算子（亲测可用已经调试注释完整）
04-01
本文将详细介绍在MATLAB环境中使用的五种常见边缘检测算子：Kirsch、Laplacian、Prewitt、Roberts以及Sobel算子，并结合亲测可用的MATLAB源码进行解析。 1. **Kirsch边缘检测算子**： Kirsch算子是一种基于像素...
Roberts边缘检测算子
xiansong1005的博客
06-19 1544
clear all;sourcePic=imread('9.jpg'); %读取原图像grayPic=rgb2gray(sourcePic); %转换成灰度图像subplot(131);imshow(grayPic);title('原图');[high,width]=size(grayPic);newGrayPic=grayPic;%为保留图像的边缘一个像素robertsNum=0; %经robe...
Roberts算子，matlab代码实现
weixin_43788499的博客
11-25 1万+
这段代码实现了Roberts算子的效果，笔者对其进行了加工，笔者认为这样可以快速的确定最合适的阈值范围，省去了很多的调试步骤！欢迎大家指正，谢谢大家！ clear; img = imread('img2.jpg'); % 读取图像 img_gray = rgb2gray(img); % 转换成灰度图 [m,n] = size(img_gray); % 得到图像的大小 new_img_gray ...
【计算机视觉】图像分割与特征提取——基于Roberts、Prewitt、Sobel算子的图像分割实验
赵四司机的博客
10-23 1万+
主要介绍Roberts算子、Sobel算子、Prewitt算子在图像分割中的应用以及它们之间的分割效果对比。
【图像处理知识复习】12Roberts交叉微分算子C++，Matlab实现
一千零一夜的博客
05-15 2472
两个模板，分别提前不同的对角方向信息，该微分算法可以提提取目标的细节轮廓。效果如下：1. Matlab代码实现：%方法：2x2模板，当前像素f(i,j)在左上,g(i,j)=|f(i+1,j+1)-f(i,j)| + |f(i+1,j)-f(i,j+1)| %即模板是[-1 0;0 -1]和[0 -1;1 0]，对角像素相减 %% clc;clear; f = rgb2gray(imread('D...
Robert算子的运用
qq_18343569的博客
07-15 6914
Roberts算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。主要通过图像的局部差分来求得梯度： MATLAB代码：
Robert算子流程图
最新发布
05-12
Robert算子是一种经典的边缘检测算法，它利用模板卷积的方式来寻找图像中的边缘。其流程图如下： 1. 输入灰度图像； 2. 定义模板卷积核，通常是两个$3 \times 3$的矩阵，分别表示水平和垂直方向的梯度； 3. 将模板卷积核与原图像进行卷积，得到水平和垂直方向的梯度图像； 4. 计算每个像素点的梯度幅值：$G(x,y) = \sqrt{G_x^2(x,y) + G_y^2(x,y)}$； 5. 对梯度幅值进行阈值处理，将大于阈值的像素点标记为边缘点。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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