边缘提取和边缘检测matlab程序代码大全汇编.docx
《边缘提取和边缘检测matlab程序代码大全汇编.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程序代码大全汇编.docx（12页珍藏版）》请在冰豆网上搜索。
边缘提取和边缘检测matlab程序代码大全汇编
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）;
（二）对“碧芝”自制饰品店的分析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
木质、石质、骨质、琉璃、藏银……一颗颗、一粒粒、一片片，都浓缩了自然之美，展现着千种风情、万种诱惑，与中国结艺的朴实形成了鲜明的对比，代表着欧洲贵族风格的饰品成了他们最大的主题。
dd=max（dd,abs（d3））;
dd=max（dd,abs（d4））;
dd=max（dd,abs（d5））;
dd=max（dd,abs（d6））;
“碧芝自制饰品店”拥有丰富的不可替代的异国风采和吸引人的魅力，理由是如此的简单：
世界是每一个国家和民族都有自己的饰品文化，将其汇集进行再组合可以无穷繁衍。
dd=max（dd,abs（d7））;
“碧芝”最吸引人的是那些小巧的珠子、亮片等，都是平日里不常见的。
店长梁小姐介绍，店内的饰珠有威尼斯印第安的玻璃珠、秘鲁的陶珠、奥利的施华洛世奇水晶、法国的仿金片、日本的梦幻珠等，五彩缤纷，流光异彩。
按照饰珠的质地可分为玻璃、骨质、角质、陶制、水晶、仿金、木制等种类，其造型更是千姿百态：
珠型、圆柱型、动物造型、多边形、图腾形象等，美不胜收。
全部都是进口的，从几毛钱一个到几十元一个的珠子，做一个成品饰物大约需要几十元，当然，还要决定于你的心意。
“碧芝”提倡自己制作：
端个特制的盘子到柜台前，按自己的构思选取喜爱的饰珠和配件，再把它们串成成品。
这里的饰珠和配件的价格随质地而各有同，所用的线绳价格从几元到一二十元不等，如果让店员帮忙串制，还要收取１０％～２０％的手工费。
dd=max（dd,abs（d8））;
众上所述，我们认为：
我们的创意小屋计划或许虽然会有很多的挑战和困难，但我们会吸取和借鉴“漂亮女生”和“碧芝”的成功经验，在产品的质量和创意上多下工夫，使自己的产品能领导潮流，领导时尚。
在它们还没有打入学校这个市场时，我们要巩固我们的学生市场，制作一些吸引学生，又有使学生能接受的价格，勇敢的面对它们的挑战，使自己立于不败之地。
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
开了连锁店，最大的好处是让别人记住你。
“漂亮女生”一律采用湖蓝底色的装修风格，简洁、时尚、醒目。
“品牌效应”是商家梦寐以求的制胜法宝。
BW=im2bw（grad,level）;%用阈值分割梯度图像
但这些困难并非能够否定我们创业项目的可行性。
盖茨是由一个普通退学学生变成了世界首富，李嘉诚是由一个穷人变成了华人富豪第一人，他们的成功表述一个简单的道理：
如果你有能力，你可以从身无分文变成超级富豪；如果你无能，你也可以从超级富豪变成穷光蛋。
BB=grad;
喜欢□一般□不喜欢□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
大学生对手工艺制作兴趣的调研subplot（2,3,6）;
imshow（BW2）;%显示分割后的图像，即边缘图像
title（'加入椒盐噪声的sobel改进算子'）;
升级会员 