文章利用小波变换和多分辨率分析的性质,从多尺度角度对图像边缘检测算法进行分析,总结出小波变换模极大值多尺度边缘检测算法。通过对标准图像Lena进行小波变换模极大值多尺度边缘检测结果发现,其比小波变换模极大值边缘检测算法和Canny算法在部分边缘检测中得到了更多的细节信息,使图像变得更真实。

机器视觉主要用计算机来模拟人的视觉功能，但并不仅仅是人眼的简单延伸，更重要的是具有人脑的一部分功能一一从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。将机器视觉技术应用于禽蛋品质检测具有人工检测所无法比拟的优势。表面缺陷与大小、形状是蛋品品质的重要特征，利用机器视觉进行检测不仅可以排除人的主观因素的干扰，而且还能够对这些指标进行定量描述，避免了因人而异的检测结果，减小了检测分级误差，提高了生产率和分级精度。 　　图象的边缘信息对人或对机器视觉来说，都是非常重要的。由于边缘具有能勾画区域的形状，且能被局部定义以及能传递大部分图象信息等许多优点，因此，边缘检测可看作是

图像增强和边缘检测实验报告.pdf

数字图像处理实验报告--边缘检测.pdf

数字图像处理实验报告（图像边缘检测）.doc

数字图像处理实验报告(图像边缘检测).pdf

目的提出一种边缘检测改进算法，提高边缘检测精确性。方法从小波变换入手，将图像进行多尺度分解，在各个尺度下对图像各个高频的细节进行加权处理，然后对处理后的图像进行LaDlacian边缘检测。结果噪声得到抑制，边缘定位精确度上升，识别率提高。结论理论和试验结果分析表明，在边缘精度、强弱边缘提取和噪声抑制方面，该算法是有效的。

结合小波变换和数学形态学的优点,提出了一种基于小波变换和数学形态学的边缘检测算法.基于数学形态学的边缘检测,对现有的检测算子进行改进,构造了一种抗噪型边缘检测算子,并使用不同方向的线型结构元素;基于小波变换的边缘检测能有效地保留图像边缘的细节信息,使提取的边缘完整连续.实验结果表明,本研究提出的算法与几种经典边缘检测算子相比,有效抑制了噪声的影响,提高了检测的精度,对各种不同图像具有很好的鲁棒性.

图像边缘检测的关键是在尽量多检测到边缘的同时更有效地抑制噪声，为此提出了一种融合小波变换和形态学差分算法的边缘检测方法。将源图像进行小波分解，高频分量利用小波模极大值算法进行边缘检测，可有效提取高频边缘；低频分量采用形态学差分算法进行边缘检测，能够检测出低频边缘；采用一定的融合规则将两个边缘检测图像融合在一起。实验结果表明，该方法优于单独使用小波模极大值法或数学形态学法，对噪声具有很好的鲁棒性，得到的图像边缘连续、清晰。

边缘检测可以大幅度地减少原图的数据量，消除许多没有意义的信息，保留图像重要的结构属性。本文使用Haar小波滤波器，利用小波变换将原灰度图像进行一层分解，产生4个子图像，对水平高频子图像和垂直高频子图像分别进行Sobel算子检测处理，将低频子图像和对角细节图像分别置零处理，然后对处理过的4个子图进行重构，得到的图像与Canny算子对原图提取的特征图像进行了对比。实验结果表明，该方法得到的结果较好。