Matlab圖像處理教程

Matlab圖像處理教程GUI界面主要包括三個部分：菜單項(xiàng)，控件，坐標(biāo)軸新建界面，消除默認(rèn)菜單項(xiàng)

figure，set(gcf,'menubar',’none’);

新建一個名字為color的菜單項(xiàng)h_menu=uimenu(gcf,'Label','&Color');

在color菜單項(xiàng)下建立一個子菜單h_submenu1=uimenu(h_menu,'Label','&Blue',...

'Callback','set(gcf,''color'',''blue'')');新菜單項(xiàng)句柄=uimenu(父類句柄，屬性名1，屬性值1，屬性名2，屬性值2，…)控件對象句柄=uicontrol(圖形窗口句柄，屬性名1，屬性值1，屬性名2，屬性值2，…)句柄變量=axes(屬性名1，屬性值1，屬性名2，屬性值2，…)作業(yè)設(shè)計(jì)一個計(jì)算器，計(jì)算器可以任意的輸入數(shù)字進(jìn)行加、減、乘、除運(yùn)算，并能在界面上現(xiàn)實(shí)結(jié)果1.先設(shè)計(jì)一個界面草圖2.功能實(shí)現(xiàn)GUI界面中參數(shù)如何傳遞的？圖像處理范疇數(shù)字圖像處理就是使用計(jì)算機(jī)處理數(shù)字圖像。分為3個等級：低級處理、中級和高級處理。低級處理特點(diǎn)就是輸入與輸出均為圖像。比如降低噪聲的預(yù)處理、對比度增強(qiáng)和圖像銳化等。(圖像處理)中級處理涉及諸如圖像分割這樣的任務(wù)，即把圖像分為區(qū)域或?qū)ο?，然后對對象進(jìn)行描述。其輸入為圖像，輸出則是從圖像中提取的屬性(如邊緣、輪廓等)。(圖像分析)高級處理通過執(zhí)行通常與人類視覺相關(guān)的感知函數(shù)，來對識別的對象進(jìn)行總體確認(rèn)。(圖像理解)主要研究內(nèi)容1)圖像變換。由于圖像陣列很大，直接在空間域中進(jìn)行處理，涉及計(jì)算量很大。因此，往往采用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術(shù)，將空間域的處理轉(zhuǎn)換為變換域處理，不僅可減少計(jì)算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進(jìn)行數(shù)字濾波處理）。目前新興研究的小波變換在時域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛而有效的應(yīng)用。2)圖像編碼與壓縮。圖像編碼壓縮技術(shù)可減少描述圖像的數(shù)據(jù)量（即比特?cái)?shù)），以便節(jié)省圖像傳輸、處理時間和減少所占用的存儲器容量。壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進(jìn)行。編碼是壓縮技術(shù)中最重要的方法，它在圖像處理技術(shù)中是發(fā)展最早且比較成熟的技術(shù)。

3)圖像增強(qiáng)和復(fù)原。圖像增強(qiáng)和復(fù)原的目的是為了提高圖像的質(zhì)量，如去除噪聲，提高圖像的清晰度等。圖像增強(qiáng)不考慮圖像降質(zhì)的原因，突出圖像中所感興趣的部分。如強(qiáng)化圖像高頻分量，可使圖像中物體輪廓清晰，細(xì)節(jié)明顯；如強(qiáng)化低頻分量可減少圖像中噪聲影響。圖像復(fù)原要求對圖像降質(zhì)的原因有一定的了解，一般講應(yīng)根據(jù)降質(zhì)過程建立“降質(zhì)模型”，再采用某種濾波方法，恢復(fù)或重建原來的圖像。

主要研究內(nèi)容4)圖像分割。圖像分割是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一。圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進(jìn)一步進(jìn)行圖像識別、分析和理解的基礎(chǔ)。雖然目前已研究出不少邊緣提取、區(qū)域分割的方法，但還沒有一種普遍適用于各種圖像的有效方法。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點(diǎn)之一。

5)圖像描述。圖像描述是圖像識別和理解的必要前提。作為最簡單的二值圖像可采用其幾何特性描述物體的特性，一般圖像的描述方法采用二維形狀描述，它有邊界描述和區(qū)域描述兩類方法。對于特殊的紋理圖像可采用二維紋理特征描述。隨著圖像處理研究的深入發(fā)展，已經(jīng)開始進(jìn)行三維物體描述的研究，提出了體積描述、表面描述、廣義圓柱體描述等方法。

6)圖像分類（識別）。圖像分類（識別）屬于模式識別的范疇，其主要內(nèi)容是圖像經(jīng)過某些預(yù)處理（增強(qiáng)、復(fù)原、壓縮）后，進(jìn)行圖像分割和特征提取，從而進(jìn)行判決分類。圖像分類常采用經(jīng)典的模式識別方法，有統(tǒng)計(jì)模式分類和句法（結(jié)構(gòu)）模式分類，近年來新發(fā)展起來的模糊模式識別和人工神經(jīng)網(wǎng)絡(luò)模式分類在圖像識別中也越來越受到重視。研究目的一般來講,對圖像進(jìn)行處理(或加工、分析)的主要目的有三個方面:

(1)提高圖像的視感質(zhì)量,如進(jìn)行圖像的亮度、彩色變換，增強(qiáng)、抑制某些成分，對圖像進(jìn)行幾何變換等，以改善圖像的質(zhì)量。

(2)提取圖像中所包含的某些特征或特殊信息。這些被提取的特征或信息往往為計(jì)算機(jī)分析圖像提供便利。提取特征或信息的過程是模式識別或計(jì)算機(jī)視覺的預(yù)處理。提取的特征可以包括很多方面,如頻域特征、灰度或顏色特征、邊界特征、區(qū)域特征、紋理特征、形狀特征、拓?fù)涮卣骱完P(guān)系結(jié)構(gòu)等。

(3)圖像數(shù)據(jù)的變換、編碼和壓縮，以便于圖像的存儲和傳輸。/1、圖像的讀取和顯示一、圖像的讀取A=imread(FILENAME,FMT)FILENAME指定圖像文件的完整路徑和文件名。如果在work工作目錄下只需提供文件名。FMT為圖像文件的格式對應(yīng)的標(biāo)準(zhǔn)擴(kuò)展名。A=imread(‘lean256.BMP');%讀入圖像二、圖像的寫入imwrite(A，F(xiàn)ILENAME,FMT)FILENAME參數(shù)指定文件名。FMT為保存文件采用的格式。imwrite(A,‘kk.bmp');/1、圖像的讀取和顯示三、圖像的顯示imshow(I,[lowhigh])I為要顯示的圖像矩陣。[lowhigh]為指定顯示灰度圖像的灰度范圍。高于high的像素被顯示成白色；低于low的像素被顯示成黑色；介于High和low之間的像素被按比例拉伸后顯示為各種等級的灰色。

figure；imshow(I6);title('TheMainPassPartofTTC10373');matlab圖像類型二值圖像索引圖像灰度圖像真彩圖像多幀圖像/1、圖像的讀取和顯示四、圖像的格式轉(zhuǎn)換im2bw(I,LEVEL);rgb2gray;從RGB圖創(chuàng)建灰度圖，存儲類型不變。im2uint8將圖像轉(zhuǎn)換成uint8類型閾值法從灰度圖、RGB圖創(chuàng)建二值圖。LEVEL為指定的閾值；（0,1）。im2double將圖像轉(zhuǎn)換成double類型灰度圖像能轉(zhuǎn)成彩色圖像嗎？/2、圖像的幾何運(yùn)算一、圖像的加法運(yùn)算imadd(I,J);兩幅圖像的大小要一致，數(shù)據(jù)類型一致二、圖像的減法運(yùn)算imsubtract(I,J);imdivide(I,J);immultiply(I,J);三、圖像的除法運(yùn)算四、圖像的乘法運(yùn)算兩幅圖相乘除沒有意義/2、圖像的幾何運(yùn)算五、圖像的縮放（p_6.m)imresize(A,[mrows，ncols],method)六、圖像的旋轉(zhuǎn)imrotate(A,angle,method)methodNearest:最近鄰插值Bilinear:雙線性插值Bicubic:雙三次插值，系統(tǒng)默認(rèn)值圖像的點(diǎn)運(yùn)算點(diǎn)運(yùn)算是直接對圖像的像素值進(jìn)行操作的，不會改變圖像像素的位置常見的灰度變換1比例線性灰度變換2分段線性灰度變換3非線性灰度變換1比例線性灰度變換

0線性點(diǎn)運(yùn)算abcd2分段線性灰度變換

3非線性灰度變換圖像的直方圖灰度級[0,L-1]，灰度直方圖用離散函數(shù)h(rk)表示 rk為第k級灰度，nk是圖像中具有灰度級rk的像素?cái)?shù)目，0kL-1，0nkn-1，n為圖像總的像素?cái)?shù)目。歸一化的直方圖：

函數(shù)histogram[]表示，簡寫為h[]。灰度直方圖的定義圖像直方圖函數(shù)imhist例：I=imread(‘lena256.bmp’);subplot(1,2,1),imshow(I);subplot(1,2,2),imhist(I);直方圖均衡化對于灰度級范圍較低的灰度圖像，可以通過直方圖均衡化的方法來進(jìn)行灰度變換。Matlab使用histeq函數(shù)來實(shí)現(xiàn)直方圖均衡化例：I=imread('image1.bmp');G=imread('image2.bmp');K=histeq(I);subplot(3,2,1),imshow(I);subplot(3,2,2),imhist(I);subplot(3,2,3),imshow(G);subplot(3,2,4),imhist(G);subplot(3,2,5),imshow(K);subplot(3,2,6),imhist(K);通過實(shí)驗(yàn)，較窄的輸入灰度級范圍變換到了輸出圖像的整個亮度范圍。亮度和對比度都得到較大的增強(qiáng)。四、灰度閾值變換及二值化T為指定閾值BW=im2bw(I,level);%level為人工設(shè)定閾值范圍為[0,1]thresh=graythresh(I);%自動設(shè)定所需的最優(yōu)化閾值OTSU算法：最大類間方差法自動單閾值分割。Kapur算法：一維直方圖熵閾值算法niblack算法：局部閾值分割閾值的計(jì)算公式是T=m+k*v，其中m為以該像素點(diǎn)為中心的區(qū)域的平均灰度值，v是該區(qū)域的標(biāo)準(zhǔn)差，k是一個系數(shù)。kittlerMet:表示kittler最小分類錯誤(minimumerrorthresholding)全局二值化算法。

原圖像直接閾值分割0.25自動閾值分割OTSU算法分割KittlerMet算法Niblack算法Kapur算法MATLAB在圖像空域?yàn)V波的應(yīng)用圖像濾波按作用域分為兩類，即空間域和頻域處理。(1)空域處理是直接對圖像進(jìn)行處理(2)頻域處理則是在圖像的某個變換域內(nèi)，對圖像的變換系數(shù)進(jìn)行運(yùn)算，然后通過逆變換獲得圖像增強(qiáng)效果。/4、空間域圖像增強(qiáng)一、噪聲添加h=imnoise(I,type,parameters);type為噪聲類型，合法值如下：‘gaussian’高斯白噪聲：幅度為高斯分布，功率譜均勻分布‘salt&pepper’黑點(diǎn)如胡椒，白點(diǎn)如鹽粒。由圖像傳感器、傳輸信道、解碼處理、圖像切割等產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲。添加高斯白噪聲添加椒鹽噪聲/4、空間域圖像增強(qiáng)二、空間域?yàn)V波濾波過程就是在圖像f(x,y)中逐點(diǎn)移動模板，使模板中心和點(diǎn)(x,y)重合，濾波器在每一點(diǎn)(x,y)的響應(yīng)是根據(jù)模板的具體內(nèi)容并通過預(yù)先定義的關(guān)系來計(jì)算的。W(-1,-1)W(-1,0)W(-1,1)W(0,-1)W(0,0)W(0,1)W(1,-1)W(1,0)W(1,1)f(x-1,y-1)f(x-1,y)f(x-1,y+1)f(x,y-1)f(x,y)f(x,y+1)f(x+1,y-1)f(x+1,y)f(x+1,y+1)空域?yàn)V波的步驟(1)定義中心點(diǎn)(x,y)(2)對預(yù)先定義的以(x,y)為中心點(diǎn)的鄰域內(nèi)的像素進(jìn)行運(yùn)算(3)令運(yùn)算結(jié)果為該點(diǎn)處處理的響應(yīng)(4)對圖像中的每一點(diǎn)重復(fù)此步驟空域?yàn)V波基本原理f(x-1,y-1)f(x-1,y)f(x-1,y+1)f(x,y-1)f(x,y)f(x,y+1)f(x+1,y-1)f(x+1,y)f(x+1,y+1)圖像原點(diǎn)yxw(-1,-1)w(-1,0)w(-1,1)w(0,-1)w(0,0)w(0,1)w(1,-1)w(1,0)w(1,1)

（a）圖像像素

（b）濾波器、掩模、模板、濾波窗口B=imfilter(f,w,option1,option2,…);f為要進(jìn)行濾波操作的圖像。w為濾波操作使用的模板，為一個二維數(shù)組，可自己定義。option1……是可選項(xiàng)，包括：1、邊界選項(xiàng)（’symmetric’、’replicate’、’circular’）2、尺寸選項(xiàng)（’same’、’full’）3、模式選項(xiàng)（’corr’、’conv’）原圖像濾波后圖像三、濾波器設(shè)計(jì)/4、空間域圖像增強(qiáng)h=fspecial(type,parameters)合法取值功能‘a(chǎn)verage’平均模板‘disk’圓形領(lǐng)域的平均模板‘gaussian’高斯模板‘laplacian’拉普拉斯模板‘log’高斯-拉普拉斯模板‘prewitt’Prewitt水平邊緣檢測算子‘sobel’Sobel水平邊緣檢測算子parameters為可選項(xiàng)，是和所選定的濾波器類型type相關(guān)的配置參數(shù)，如尺寸和標(biāo)準(zhǔn)差等。type為濾波器的類型。其合法值如下：線性濾波均值濾波MATLAB線性空間濾波函數(shù)imfilterB=imfilter(A,H)A是輸入圖像，B是濾波后的輸出圖像，H是濾波模板例：I=imread(‘lena256.bmp');subplot(2,2,1),imshow(I)K1=imfilter(I,fspecial('average',[33]));K2=imfilter(I,fspecial('average',[55]));K3=imfilter(I,fspecial('average',[77]));subplot(2,2,2),imshow(K1)subplot(2,2,3),imshow(K2)subplot(2,2,4),imshow(K3)均值濾波的優(yōu)缺點(diǎn)均值濾波可以去除均值為0的白噪聲，但卻使得圖像邊緣模糊。加權(quán)的濾波模板可以較好的解決上述問題典型加權(quán)平均算子（1）中心加權(quán)算子2）中心和四鄰點(diǎn)加權(quán)算子加權(quán)均值濾波I=imread('rec.bmp');subplot(2,2,1),imshow(I)K1=imfilter(I,fspecial('gaussian',[33]));K2=imfilter(I,fspecial('gaussian',[55]));K3=imfilter(I,fspecial('gaussian',[77]));subplot(2,2,2),imshow(K1)subplot(2,2,3),imshow(K2)subplot(2,2,4),imshow(K3)非線性濾波器－中值濾波

中值濾波就是用一個奇數(shù)點(diǎn)的移動窗口，將窗口中心點(diǎn)的值用窗口內(nèi)各點(diǎn)的中值代替。假設(shè)窗口內(nèi)有五點(diǎn)，其值為80、90、200、110和120，那么此窗口內(nèi)各點(diǎn)的中值即為110。設(shè)有一個一維序列f1,f2,…,fn，取窗口長度（點(diǎn)數(shù)）為m（m為奇數(shù)），對其進(jìn)行中值濾波，就是從輸入序列中相繼抽出m個數(shù)fi-v,…,fi-1,fi,fi+1,…,fi+v（其中fi為窗口中心點(diǎn)值，v=(m-1)／2），再將這m個點(diǎn)按其數(shù)值大小排序，取其序號為中心點(diǎn)的那個數(shù)作為濾波輸出。用數(shù)學(xué)公式表示為中值濾波幾種常用窗口中值濾波示例中值濾波函數(shù)medfilt2()I=imread('board.bmp');subplot(2,2,1),imshow(I)K1=medfilt2(I,[3,3]);K2=medfilt2(I,[5,5]);K3=medfilt2(I,[7,7]);subplot(2,2,2),imshow(K1)subplot(2,2,3),imshow(K2)subplot(2,2,4),imshow(K3)中值濾波的用途

主要用于去除椒鹽噪聲/4、空間域圖像增強(qiáng)五、圖像銳化圖像銳化主要用于增強(qiáng)圖像的灰度跳變部分，主要通過運(yùn)算導(dǎo)數(shù)（梯度）或有限差分來實(shí)現(xiàn)。主要方法有：Robert交叉梯度，Sobel梯度，拉普拉斯算子，高提升濾波，高斯-拉普拉斯變換。Robert交叉梯度w1對接近正45°邊緣有較強(qiáng)響應(yīng)，w2對接近負(fù)45°邊緣有較強(qiáng)響應(yīng)。Sobel交叉梯度對水平邊緣有較大響應(yīng)對垂直邊緣有較大響應(yīng)拉普拉斯算子I=imread('nir.bmp');I=double(I);%雙精度化w1=[-10;01];w2=[0-1;10];G1=imfilter(I,w1,‘corr’,‘replicate’);%正45°梯度G2=imfilter(I,w2,‘corr’,‘replicate’);%負(fù)45°梯度G=abs(G1)+abs(G2);%計(jì)算Robert梯度figure;imshow(G,[]);figure;imshow(abs(G1),[]);figure;imshow(abs(G2),[]);Robert交叉梯度I=imread('nir.bmp');Id=double(I);%雙精度化h_1=fspecial('log',5,0.5);%大小為5，sigma=0.5的LOG算子I_1=imfilter(Id,h_1,'corr','replicate');figure;imshow(uint8(abs(I_1)),[]);h_2=fspecial('log',5,2);%大小為5，sigma=2的LOG算子I_2=imfilter(Id,h_2,'corr','replicate');figure;imshow(uint8(abs(I_2)),[]);高斯-拉普拉斯銳化/5、頻率域圖像增強(qiáng)用傅里葉變換表示的函數(shù)特征可以完全通過傅里葉反變換進(jìn)行重建而不丟失任何信息吉布斯現(xiàn)象Gibbsphenomenon（又叫吉布斯效應(yīng)）：將具有不連續(xù)點(diǎn)的周期函數(shù)（如矩形脈沖)進(jìn)行傅立葉級數(shù)展開后，選取有限項(xiàng)進(jìn)行合成。當(dāng)選取的項(xiàng)數(shù)越多，在所合成的波形中出現(xiàn)的峰起越靠近原信號的不連續(xù)點(diǎn)。當(dāng)選取的項(xiàng)數(shù)很大時，該峰起值趨于一個常數(shù)，大約等于總跳變值的9%。這種現(xiàn)象稱為吉布斯現(xiàn)象。幅度譜相位譜功率譜一、傅里葉變換/5、頻率域圖像增強(qiáng)I=fft2(x);%快速傅里葉變換I=fft2(x,m,n);x為輸入圖像；m和n分別用于將x的第一和第二維規(guī)整到指定的長度。當(dāng)m和n均為2的整數(shù)次冪時算法的執(zhí)行速度要比m和n均為素?cái)?shù)時快。I1=abs(I);%計(jì)算I的幅度譜I2=angle(I);%計(jì)算I的相位譜Y=fftshift(I);%頻譜平移I=ifft2(x);%快速傅里葉逆變換I=ifft2(x,m,n);幅度譜相位譜平移后的相位譜functionout=imidealflpf(I,freq)%imidealflpf函數(shù)構(gòu)造高斯頻域低通濾波器[M,N]=size(I);out=ones(M,N);fori=1:Mforj=1:Nif(sqrt(((i-M/2)^2+(j-N/2)^2))>freq)out(i,j)=0;endendend理想低通functionout=imgaussflpf(I,sigma)%imgaussflpf函數(shù)構(gòu)造高斯頻域低通濾波器[M,N]=size(I);out=ones(M,N);fori=1:Mforj=1:Nout(i,j)=exp(-((i-M/2)^2+(j-N/2)^2)/2/sigma^2);endend高斯低通/8、圖像分割一、圖像分割概述圖像分割一般采用的方法有邊緣檢測（edgedetection）、邊界跟蹤（edgetracing）、區(qū)域生長（regiongrowing）、區(qū)域分離和聚合等。

圖像分割算法一般基于圖像灰度值的不連續(xù)性或其相似性。

不連續(xù)性是基于圖像灰度的不連續(xù)變化分割圖像，如針對圖像的邊緣有邊緣檢測、邊界跟蹤等算法。

相似性是依據(jù)事先制定的準(zhǔn)則將圖像分割為相似的區(qū)域，如閾值分割、區(qū)域生長等。二、邊緣檢測圖像的邊緣點(diǎn)是指圖像中周圍像素灰度有階躍變化或屋頂變化的那些像素點(diǎn)，即灰度值導(dǎo)數(shù)較大或極大的地方。

邊緣檢測可以大幅度的減少數(shù)據(jù)量，并且剔除不相關(guān)信息，保留圖像重要的結(jié)構(gòu)屬性。

邊緣檢測基本步驟：平滑濾波、銳化濾波、邊緣判定、邊緣連接。邊緣檢測算法：基于一階導(dǎo)數(shù)：Roberts算子、Sobel算子、Prewitt算子基于二階導(dǎo)數(shù)：高斯-拉普拉斯邊緣檢測算子Canny邊緣檢測算法Matlab實(shí)現(xiàn)1）、基于梯度算子的邊緣檢測BW=edge(I,type,thresh,direction,’nothinning’)type合法取值梯度算子‘sobel’sobel算子‘prewitt’prewitt算子‘reberts’robert算子thresh是敏感度閾值參數(shù)，任何灰度值低于此閾值的邊緣將不會被檢測到。默認(rèn)值為空矩陣[]，此時算法自動計(jì)算閾值。direction指定了我們感興趣的邊緣方向，edge函數(shù)將只檢測direction中指定方向的邊緣，其合法值如下：direction合法值邊緣方向‘horizontal’水平方向‘vertical’豎直方向‘both’所有方向可選參數(shù)’nothinning’，指定時可以通過跳過邊緣細(xì)化算法來加快算法運(yùn)行的速度。默認(rèn)是’thinning’，即進(jìn)行邊緣細(xì)化。2）、基于高斯-拉普拉斯算子的邊緣檢測BW=edge(I,’log’,thresh,sigma)sigma指定生成高斯濾波器所使用的標(biāo)準(zhǔn)差。默認(rèn)時，標(biāo)準(zhǔn)差為2。濾鏡大小n*n，n的計(jì)算方法為：n=ceil(sigma*3)*2+1。3）、基于Canny算子的邊緣檢測BW=edge(I,’canny’,thresh,sigma)thresh是敏感度閾值參數(shù)，默認(rèn)值為空矩陣[]。此處為一列向量，為算法指定閾值的上下限。第一個元素為閾值下限，第二個元素為閾值上限。如果只指定一個閾值元素，則默認(rèn)此元素為閾值上限，其0.4倍的值作為閾值下限。如閾值參數(shù)沒有指定，則算法自行確定敏感度閾值上下限。b1=imread(‘lena256.bmp');h58=fspecial('gaussian',5,0.8);b=imfilter(b1,h58);bw1=edge(b,‘sobel’);%sobel算子bw2=edge(b,‘prewitt’);%prewitt算子bw3=edge(b,‘roberts’);%roberts算子bw4=edge(b,‘log’);%log算子bw5=edge(b,‘canny’);%canny算子figure;imshow(bw1);imwrite(bw1,'nirbwsobel.bmp');figure;imshow(bw2);imwrite(bw2,'nirbwprewitt.bmp');figure;imshow(bw3);imwrite(bw3,'nirbwroberts.bmp');figure;imshow(bw4);imwrite(bw4,'nirbwlog.bmp');figure;imshow(bw5);imwrite(bw5,'nirbwcanny.bmp');分析1、邊緣定位精度方面：Roberts算子和Log算子定位精度較高。Roberts算子簡單直觀，Log算子利用二階導(dǎo)數(shù)零交叉特性檢測邊緣。但Log算子只能獲得邊緣位置信息，不能得到邊緣方向信息。2、邊緣方向的敏感性：Sobel算子、Prewitt算子檢測斜向階躍邊緣效果較好，Roberts算子檢測水平和垂直邊緣效果較好。Log算子不具有邊緣方向檢測功能。Sobel算子能提供最精確的邊緣方向估計(jì)。3、去噪能力：Roberts算子和Log算子雖然定位精度高，但受噪聲影響大。Sobel算子和Prewitt算子模板相對較大因而去噪能力較強(qiáng)，具有平滑作用，能濾除一些噪聲，去掉一部分偽邊緣，但同時也平滑了真正的邊緣，降低了其邊緣定位精度?？傮w來講，Canny算子邊緣定位精確性和抗噪聲能力效果較好，是一個折中方案。

補(bǔ)充圖像的裁剪I=imread('circuit.tif');I2=imcrop(I,[7568130112]);imshow(I),figure,imshow(I2)濾波時候邊緣處理對邊緣進(jìn)行擴(kuò)充對邊緣不進(jìn)行處理四近鄰和八近鄰四近鄰八近鄰四連接和八連接連通區(qū)域可以看到，通過統(tǒng)計(jì)連通域的個數(shù)，即可獲得提取的目標(biāo)物的個數(shù)。

四接連意義下為6個連通域。

八接連意義下為2個連通域。腐蝕與膨脹是數(shù)學(xué)形態(tài)學(xué)中的基本運(yùn)算。腐蝕的作用是將目標(biāo)進(jìn)行收縮，膨脹的作用是將目標(biāo)進(jìn)行擴(kuò)大。結(jié)構(gòu)元素是指具有某種確定形狀的基本元素，如矩形、圓形、三角形等。8.2.1腐蝕腐蝕是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過程，可以用來消除小且無意義的目標(biāo)物。過程：將結(jié)構(gòu)元素移動到連通區(qū)域，如果結(jié)構(gòu)元素完全包含在連同區(qū)域中，則腐蝕后圖像上該點(diǎn)為1，否則為0。腐蝕實(shí)例腐蝕實(shí)例(a)原圖(b)腐蝕兩次膨脹是將與目標(biāo)區(qū)域接觸的背景點(diǎn)合并到該目標(biāo)中，使目標(biāo)邊界向外擴(kuò)