边缘提取和边缘检测matlab程序代码大全说课讲解.docx
《边缘提取和边缘检测matlab程序代码大全说课讲解.docx》由会员分享，可在线阅读，更多相关《边缘提取和边缘检测matlab程序代码大全说课讲解.docx（12页珍藏版）》请在冰豆网上搜索。
边缘提取和边缘检测matlab程序代码大全说课讲解
附录
Part1：
对cameraman原始图像处理的仿真程序：
clc
clearall
closeall
A=imread（'cameraman.bmp'）;%读入图像
subplot（2,4,1）;
imshow（A）;title（'原图'）;
x_mask=[10;0-1];%建立X方向的模板
y_mask=rot90（x_mask）;%建立Y方向的模板
I=im2double（A）;%将图像数据转化为双精度
dx=imfilter（I,x_mask）;%计算X方向的梯度分量
dy=imfilter（I,y_mask）;%计算Y方向的梯度分量
grad=sqrt（dx.*dx+dy.*dy）;%计算梯度
grad=mat2gray（grad）;%将梯度矩阵转换为灰度图像
level=graythresh（grad）;%计算灰度阈值
BW=im2bw（grad,level）;%用阈值分割梯度图像
subplot（2,4,2）;
imshow（BW）;%显示分割后的图像即边缘图像
title（'Roberts'）;
y_mask=[-1-2-1;000;121];
x_mask=y_mask';
I=im2double（A）;
dx=imfilter（I,x_mask）;
dy=imfilter（I,y_mask）;
grad=sqrt（dx.*dx+dy.*dy）;%计算梯度
grad=mat2gray（grad）;
level=graythresh（grad）;
BW=im2bw（grad,level）;
subplot（2,4,3）;
imshow（BW）;%显示分割后的图像即边缘图像
title（'Sobel'）;
y_mask=[-1-1-1;000;111];
x_mask=y_mask';
dx=imfilter（I,x_mask）;
dy=imfilter（I,y_mask）;
grad=sqrt（dx.*dx+dy.*dy）;%计算梯度
grad=mat2gray（grad）;
level=graythresh（grad）;
BW=im2bw（grad,level）;%用阈值分割梯度图像
subplot（2,4,4）;
imshow（BW）;%显示分割后的图像即边缘图像
title（'Prewitt'）;
mask=[0,-1,0;-1,4,-1;0,-1,0];%建立模板
dx=imfilter（I,mask）;%计算梯度矩阵
grad=mat2gray（dx）;%将梯度矩阵转化为灰度图像
BW=im2bw（grad,0.58）;%用阈值分割梯度图像
subplot（2,4,5）;
imshow（BW）;%显示分割后的图像，即梯度图像
title（'Laplacian'）;
mask=[0,0,-1,0,0;0,-1,-2,-1,0;-1,-2,16,-2,-1;0,-1,-2,-1,0;0,0,-1,0,0];%建立模板
dx=imfilter（I,mask）;%计算梯度矩阵
grad=mat2gray（dx）;%将梯度矩阵转化为灰度图像
BW=im2bw（grad,0.58）;
subplot（2,4,6）;
imshow（BW）;%显示分割后的图像，即梯度图像
title（'log'）;
BW1=edge（I,'canny'）;%调用canny函数
subplot（2,4,7）;
imshow（BW1）;%显示分割后的图像，即梯度图像
title（'Canny'）;
mask1=[-1-2-1;000;121];%建立方向模板
mask2=[-2-10;-101;012];
mask3=[-101;-202;-101];
mask4=[012;-101;-2-10];
mask5=[121;000;-1-2-1];
mask6=[210;10-1;0-1-2];
mask7=[10-1;20-2;10-1];
mask8=[0-1-2;10-1;210];
d1=imfilter（I,mask1）;%计算8个领域的灰度变化
d2=imfilter（I,mask2）;
d3=imfilter（I,mask3）;
d4=imfilter（I,mask4）;
d5=imfilter（I,mask5）;
d6=imfilter（I,mask6）;
d7=imfilter（I,mask7）;
d8=imfilter（I,mask8）;
dd=max（abs（d1）,abs（d2））;%取差值变化最大的元素组成灰度变化矩阵
dd=max（dd,abs（d3））;
dd=max（dd,abs（d4））;
dd=max（dd,abs（d5））;
dd=max（dd,abs（d6））;
dd=max（dd,abs（d7））;
dd=max（dd,abs（d8））;
grad=mat2gray（dd）;%将灰度变化矩阵转化为灰度图像
BB=grad;
FW=median（BB（:
））/0.6745;
B=BB.*BB;
B=sum（B（:
））;
FX=sqrt（B/256^2）;
FS=sqrt（max（FX^2-FW^2,0））;
T=sqrt
（2）*FW^2/FS;%计算最佳阈值
grad=mat2gray（BB）;
BW2=im2bw（grad,T）;%用最佳阈值分割梯度图像
subplot（2,4,8）;
imshow（BW2）;%显示分割后的图像，即边缘图像
title（'sobel改进算子'）;
Part2加入高斯噪声后的cameraman仿真程序：
clc
clearall
closeall
A=imread（'cameraman.bmp'）;%读入图像
V=0.009;
X=imnoise（A,'gaussian',0,V）;
subplot（2,4,1）;
imshow（X）;%添加均值为0、方差0.09的高斯噪声
x_mask=[10;0-1];%创建X方向的模板
y_mask=rot90（x_mask）;%创建Y方向的模板
I=im2double（X）;%图像数据双精度转化
dx=imfilter（I,x_mask）;%X方向的梯度分量的计算
dy=imfilter（I,y_mask）;%Y方向的梯度分量的计算
grad=sqrt（dx.*dx+dy.*dy）;%梯度计算
grad=mat2gray（grad）;%梯度矩阵转换成灰度图像
level=graythresh（grad）;%计算灰度阈值
BW=im2bw（grad,level）;%使用阈值分割梯度图像
subplot（2,4,2）;
imshow（BW）;%显示分割后的图像即边缘图像
title（'Roberts'）;
y_mask=[-1-2-1;000;121];
x_mask=y_mask';
dx=imfilter（I,x_mask）;
dy=imfilter（I,y_mask）;
grad=sqrt（dx.*dx+dy.*dy）;
grad=mat2gray（grad）;%梯度矩阵转为灰度图像
level=graythresh（grad）;%计算灰度阈值
BW=im2bw（grad,level）;%用阈值分割梯度图像
subplot（2,4,3）;
imshow（BW）;%显示分割后的图像即边缘图像
title（'Sobel'）;
y_mask=[-1-1-1;000;111];
x_mask=y_mask';
dx=imfilter（I,x_mask）;
dy=imfilter（I,y_mask）;
grad=sqrt（dx.*dx+dy.*dy）;
grad=mat2gray（grad）;
level=graythresh（grad）;
BW=im2bw（grad,level）;
subplot（2,4,4）;
imshow（BW）;%显示分割后的图像即边缘图像
title（'Prewitt'）;
mask=[0,-1,0;-1,4,-1;0,-1,0];%建立模板
dx=imfilter（I,mask）;%计算梯度矩阵
grad=mat2gray（dx）;%将梯度矩阵转化为灰度图像
BW=im2bw（grad,0.58）;%用阈值分割梯度图像
subplot（2,4,5）;
imshow（BW）;%显示分割后的图像，即梯度图像
title（'Laplacian'）;
mask=[0,0,-1,0,0;0,-1,-2,-1,0;-1,-2,16,-2,-1;0,-1,-2,-1,0;0,0,-1,0,0];%建立模板
dx=imfilter（I,mask）;%计算梯度矩阵
grad=mat2gray（dx）;%将梯度矩阵转化为灰度图像
BW=im2bw（grad,0.58）;%用阈值分割梯度图像
subplot（2,4,6）;
imshow（BW）;%显示分割后的图像，即梯度图像
title（'log'）;
BW1=edge（I,'canny'）;%调用canny函数
subplot（2,4,7）;
imshow（BW1）;%显示分割后的图像，即梯度图像
title（'Canny'）;
mask1=[-1-2-1;000;121];%建立方向模板
mask2=[-2-10;-101;012];
mask3=[-101;-202;-101];
mask4=[012;-101;-2-10];
mask5=[121;000;-1-2-1];
mask6=[210;10-1;0-1-2];
mask7=[10-1;20-2;10-1];
mask8=[0-1-2;10-1;210];
d1=imfilter（I,mask1）;%计算8个领域的灰度变化
d2=imfilter（I,mask2）;
d3=imfilter（I,mask3）;
d4=imfilter（I,mask4）;
d5=imfilter（I,mask5）;
d6=imfilter（I,mask6）;
d7=imfilter（I,mask7）;
d8=imfilter（I,mask8）;
dd=max（abs（d1）,abs（d2））;%取差值变化最大的元素组成灰度变化矩阵
dd=max（dd,abs（d3））;
dd=max（dd,abs（d4））;
dd=max（dd,abs（d5））;
dd=max（dd,abs（d6））;
dd=max（dd,abs（d7））;
dd=max（dd,abs（d8））;
grad=mat2gray（dd）;%将灰度变化矩阵转化为灰度图像
BB=grad;
FW=median（BB（:
））/0.6745;
B=BB.*BB;
B=sum（B（:
））;
FX=sqrt（B/256^2）;
FS=sqrt（max（FX^2-FW^2,0））;
T=sqrt
（2）*FW^2/FS;%计算最佳阈值
grad=mat2gray（BB）;%将梯度矩阵转化为灰度图像
BW2=im2bw（grad,T）;%用最佳阈值分割梯度图像
subplot（2,4,8）;
imshow（BW2）;%显示分割后的图像，即边缘图像
title（'sobel改进算子'）;
加入椒盐噪声的边缘检测程序：
functionjingdian
I=imread（'lenna.bmp'）;
I1=imnoise（I,'salt&pepper'）;%添加椒盐噪声，默认值为0.02
figure,imshow（I1）;%添加均值为0、方差0.002的高斯噪声
title（'添加椒盐噪声后原图'）
B1=edge（I1,'roberts'）;
B2=edge（I1,'sobel'）;
B3=edge（I1,'prewitt'）;
B4=edge（I1,'canny'）;
B5=edge（I1,'log'）;
subplot（2,3,1）;
imshow（B1）;title（'roberts算子检测'）;
subplot（2,3,2）;
imshow（B2）;title（'sobel算子检测'）;
subplot（2,3,3）;
imshow（B3）;title（'prewitt算子检测'）;
subplot（2,3,4）;
imshow（B4）;title（'canny算子检测'）;
subplot（2,3,5）
imshow（B5）;title（'log算子检测'）;
B1=edge（I1,'roberts'）;%调用roberts算子检测图像
B2=edge（I1,'sobel'）;%调用soble算子进行边缘检测
B3=edge（I1,'prewitt'）;%调用prewitt算子进行边缘检测
B4=edge（I1,'canny'）;%调用canny算子对图像进行边缘检测
B5=edge（I1,'log'）;%调用log算子对图像进行边缘检测
subplot（2,3,1）;%设置图像布局
imshow（B1）;title（'roberts算子检测'）;%现实图像并命名为roberts算子检测
subplot（2,3,2）;
imshow（B2）;title（'sobel算子检测'）;
subplot（2,3,3）;
imshow（B3）;title（'prewitt算子检测'）;
subplot（2,3,4）;
imshow（B4）;title（'canny算子检测'）;
subplot（2,3,5）
imshow（B5）;title（'log算子检测'）;
mask1=[-1-2-1;000;121];%建立方向模板
mask2=[-2-10;-101;012];
mask3=[-101;-202;-101];
mask4=[012;-101;-2-10];
mask5=[121;000;-1-2-1];
mask6=[210;10-1;0-1-2];
mask7=[10-1;20-2;10-1];
mask8=[0-1-2;10-1;210];
I=im2double（I1）;%将数据图像转化为双精度
d1=imfilter（I,mask1）;%计算8个领域的灰度变化
d2=imfilter（I,mask2）;
d3=imfilter（I,mask3）;
d4=imfilter（I,mask4）;
d5=imfilter（I,mask5）;
d6=imfilter（I,mask6）;
d7=imfilter（I,mask7）;
d8=imfilter（I,mask8）;
dd=max（abs（d1）,abs（d2））;%取差值变化最大的元素组成灰度变化矩阵
dd=max（dd,abs（d3））;
dd=max（dd,abs（d4））;
dd=max（dd,abs（d5））;
dd=max（dd,abs（d6））;
dd=max（dd,abs（d7））;
dd=max（dd,abs（d8））;
grad=mat2gray（dd）;%将灰度变化矩阵转化为灰度图像
level=graythresh（grad）;%计算灰度阈值
据调查，大学生对此类消费的态度是：
手工艺制品消费比“负债”消费更得人心。
BW=im2bw（grad,level）;%用阈值分割梯度图像
随着社会经济、文化的飞跃发展，人们正从温饱型步入小康型，崇尚人性和时尚，不断塑造个性和魅力的现代文化价值观念，已成为人们的追求目标。
因此，顺应时代的饰品文化显示出强大的发展势头和越来越广的市场，从事饰品销售是有着广阔的市场空间。
BB=grad;
（4）创新能力薄弱FW=median（BB（:
））/0.6745;
B=BB.*BB;
年轻有活力是我们最大的本钱。
我们这个自己动手做的小店，就应该与时尚打交道，要有独特的新颖性，这正是我们年轻女孩的优势。
B=sum（B（:
））;
FX=sqrt（B/256^2）;
世界上的每一个国家和民族都有自己的饰品文化，将这些饰品汇集到一起再进行新的组合，便可以无穷繁衍下去，满足每一个人不同的个性需求。
FS=sqrt（max（FX^2-FW^2,0））;
T=sqrt
（2）*FW^2/FS;%计算最佳阈值
（三）大学生购买消费DIY手工艺品的特点分析grad=mat2gray（BB）;%将梯度矩阵转化为灰度图像
是□否□BW2=im2bw（grad,T）;%用最佳阈值分割梯度图像
2、你大部分的零用钱用于何处？
subplot（2,3,6）;
（一）上海的经济环境对饰品消费的影响imshow（BW2）;%显示分割后的图像，即边缘图像
（2）物品的独一无二title（'加入椒盐噪声的sobel改进算子'）;
升级会员 