基于Sobel算子的数字图像边缘检测
基于改进Sobel算子的多仪表图像边缘检测算法
第 １ ９期
２１ ０ ２年 ７月
科
学
技
术
与
工
程
Ｖｏ． ２ Ｎｏ １ Ｊ １ ０ ２ １１ ．９ ｕ ．２ １
ｌ ７ — １ １ （ ０ ２ １ —６ １ ０ ６ １ ８ ５ ２ １ ） ９４ ９ —６
Ｓ ｉｎｃ ｃ ｎｏｏ ｙ ａ ｄ Ｅｎｇｎ ｅ ｉ ｃｅ ｅ Ｔｅ ｈ ｌｇ ｎ ｉ ｅ ｒｎｇ
Ｓｂｌ ｏｅ算子是一种梯度幅值 的边缘检测算子 ， 首 先以 ３ 卷积模板对像素点的邻域进行平均或加 ３ Ｘ
权运算 ， 然后 再进 行 一 阶微 分 处 理 ， 测 出边 缘 点 。 检
２１ ０ ２年 ３月 ３ 收 到 ０１ ３
和传 统算 法在 仪表 边 缘 检测 的局 限性 ， 出 了一 种 提
改进 算法 ： 增 加 方 向 模 板 、 用 自适 应 阈值 以及 将 采
灰 度腐蚀 理 论 细化 边 缘 等 相关 方 法 结 合 在 一 起 对 待测 图像 进 行 边 缘 检 测 ， 而 得 到检 测 精 度 高 ， 从 抗 噪 能力强 、 构细 腻 且 准 确性 高 的边 缘 图像 。多组 结 实验 表 明本文 算法 的合 理性 与有 效 性 ， 别 是对 含 特 有 高斯 噪声 以及对 边 缘 轮廓 细化 要 求 较 高 的 图像 ，
一
ｓｈ算子 、Ｏ ｃ Ｌ Ｇ算子 、ａｎ 算 子等 。 Ｃ ｎｙ 在 仪表 图像 的 边 缘 检 测 中 ， 典 Ｓｂｌ 子 的 经 ｏｅ 算
检测效 果 优 于 其 它 算 子 Ｊ 但 它 能 检 测 的 方 向 有 ，
限 、 取 的仪表 边缘 较 粗 且 抗 噪 能力 较 低 。这 也 给 提 它 的使 用 带来 局 限性 ， 了 提 高 它 的 实 用 性 ， 些 为 一
数字图像的边缘检测
数字图像的边缘检测所谓边缘就是指图像局部亮度变化最显著的部分，它是检测图像局部变化显著变化的最基本的运算。
对于数字图像，图像灰度灰度值的显著变化可以用梯度来表示，以边缘检测Sobel算子为例来讲述数字图像处理中边缘检测的实现：对于数字图像，可以用一阶差分代替一阶微分；△xf(x,y)=f(x,y)-f(x-1,y);△yf(x,y)=f(x,y)-f(x,y-1)求梯度时对于平方和运算及开方运算，可以用两个分量的绝对值之和表示，即：G[f(x,y)]={[△xf(x,y)] +[△yf(x,y)] } |△xf(x,y)|+|△yf(x,y)|;Sobel梯度算子是先做成加权平均，再微分，然后求梯度，即：△xf(x,y)= f(x-1,y+1) + 2f(x,y+1) + f(x+1,y+1)- f(x-1,y-1) - 2f(x,y-1) - f(x+1,y-1);△yf(x,y)= f(x-1,y-1) + 2f(x-1,y) + f(x-1,y+1)- f(x+1,y-1) - 2f(x+1,y) - f(x+1,y+1);G[f(x,y)]=|△xf(x,y)|+|△yf(x,y)|;上述各式中的像素之间的关系见图我在视图类中定义了响应菜单命令的边缘检测Sobel算子实现灰度图像边缘检测的函数：对于边缘检测，大家只要知道有若干个检测模板（既边缘检测矩阵）可以直接实现检测功能就行了，现在将常用的检测实现公式列出如下：Roberts算子：G[i,i]=|f[i,j]-f[i+1,j+1]|+|f[i+1,j]-f[i,j+1]|;Sobe算子：G[i,i]=|f[i-1,j+1]+2f[i,j+1]+f[i+1,j+1]-f[i-1,j-1]-2f[i,j-1]-f[i+1,j-1]|+|f[i-1,j-1]+2f[i-1,j]+f[i-1,j+1]-f[i+1,j-1]-2f[i+1,j]-f[i+1,j+1]|;拉普拉斯算子：G[I,j]=|f[i+1,j]+f[i-1,j]+f(i,j+1)+f[i,j-1]-4f[i,j]|;其中G[i,j]表示处理后(i,j)点的灰度值，f[i,j]表示处理前该点的灰度值。
基于sobel和canny的边缘检测原理
基于sobel和canny的边缘检测原理
Sobel的原理：
Sobel 算子是图像处理中的算子之一，主要用作边缘检测。
它是一种离散性差分算子，用来运算图像亮度函数的梯度之近似值。
在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量.
该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。
以I代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:
由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效，因此应用广泛。
但是Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。
在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。
Canny的原理：
1、图象边缘检测必须满足两个条件：其一必须有效地抑制噪声；其次必须尽量精确确
定边缘的位置。
2、根据对信噪比与定位乘积进行测度，得到最优化逼近算子。
这就是Canny边缘检测
算子。
3、类似于LoG边缘检测方法，属于先平滑后求导数的方法。
Canny边缘检测算法可以分为四个步骤：
1）用高斯滤波器平滑图象；
2）用一阶偏导的有限差分来计算梯度的幅值和方向；3）对梯度幅值进行非极大值抑制
4）用双阈值算法检测和连接边缘。
sobel边缘检测算法参数
Sobel边缘检测算法是一种离散微分算子，主要用于边缘检测。
该算法结合了高斯平滑和微分操作，因此具有强大的抗噪声能力。
在具体应用中，Sobel算子包括两组3*3的矩阵，左边的用于检测垂直边缘，右边的用于检测水平边缘。
在使用Sobel算子进行边缘检测时，可以设置不同的参数来控制算法的灵敏度。
主要的参数包括：
1. 图像深度（ddepth）：指输入图像的深度。
2. 求导阶数（dx, dy）：0表示这个方向上没有求导，取值为0、1。
3. Sobel算子的大小（ksize）：即卷积核的大小，必须为奇数如1、3、5、7，默认为3。
如果ksize = -1，则使用3*3的Scharr算子。
4. 缩放导数的比例常数（scale）：默认情况为没有伸缩系数。
5. 图像边界的模式（borderType）：默认cv2.BORDER_DEFAULT。
sobel算子边缘检测原理
sobel算子边缘检测原理Sobel算子是一种常用于边缘检测的算子。
它采用了离散微分算子的方法，通过计算像素点与其周围像素点的灰度差异来检测边缘。
边缘是图像中明显的灰度变化的地方，是图像中物体间的分界线。
边缘检测的目的就是找到图像中的这些边缘。
Sobel算子是基于图像的灰度梯度的计算来实现边缘检测的。
在图像中，像素点处的灰度值代表了其周围像素的强度值。
梯度是指一个函数在其中一点的变化率。
在图像处理中，梯度可以指的是图像灰度值的变化率。
Sobel算子通过计算像素点的灰度梯度来检测边缘。
Sobel算子的原理是通过对图像进行两次卷积操作来计算梯度。
一次卷积操作用于在水平方向上计算梯度，另一次卷积操作用于在垂直方向上计算梯度。
对于一个图像中的像素点A，它的灰度梯度可以通过以下公式计算得到：G = abs(Gx) + abs(Gy)其中，G是像素点A的灰度梯度，Gx是像素点A在水平方向上的梯度，Gy是像素点A在垂直方向上的梯度。
Sobel算子采用了以下两个3×3模板来进行卷积操作：水平方向上的Sobel算子模板：[-101-202-101]垂直方向上的Sobel算子模板：[-1-2-1000121]在进行卷积操作时，将模板分别与图像中的像素点进行对应位置上的乘法运算，并将结果相加得到像素点的梯度值。
这样就可以得到整个图像的灰度梯度图像。
通过计算像素点的灰度梯度，我们可以找到图像中的边缘。
边缘通常具有较大的梯度值，因为边缘上存在明显的灰度变化。
因此，我们可以通过设定一个阈值来筛选出图像中的边缘。
Sobel算子在实际应用中有一些优点。
首先，它是一种简单而高效的边缘检测方法。
其次，Sobel算子可以用来检测水平和垂直方向上的边缘，因此可以检测到更多的边缘信息。
此外，Sobel算子还可以通过调整模板的尺寸来适应不同大小图像的边缘检测需求。
然而，Sobel算子也存在一些缺点。
首先，Sobel算子对噪声比较敏感，可能会在噪声处产生较大的边缘响应。
基于Sober算子的图像边缘检测
1 引言图像边缘是一种重要的视觉信息，图像边缘检测是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤。
其结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。
实现边缘检测有很多不同的方法，也一直是图像处理中的研究热点，人们期望找到一种抗噪强、定位准、不漏检、不误检的检测算法。
经典的算法中主要用梯度算子，最简单的梯度算子是Roberts算子，比较常用的有Prewitt算子和Sober算子，其中Sober算子效果较好，但是经典Sober算子也存在不足，其边缘具有很强的方向性，只对垂直与水平方向敏感，其他方向不敏感，这就使得那些边缘检测不到j。
对后续的图像处理有很的影响。
本文在此基础提出了一种新的算法，该算子该算法提高了传统Sober检测算子的性能，具有良好的检测精度。
对数字图像{f(x,y)}的每个像素，考察它上下左右邻点灰度的加权差，与之接近的邻点的权大。
据此，定义Sober算子如下：其卷积算子：适当取门限TH，作如下判断：s(i,j)>TH，(i,j)为阶跃状边缘点，{s(i,j)}为边缘图像。
Sober算子很容易在空问上实现，Sober边缘检测器不但产生较好的边缘检测效果，而且受噪声影响也比较小。
当使用大的邻域时，抗噪性能会更好，但这样会增加计算量，并且得出的边缘也会相应变粗。
Sober算子利用像素点上下、左右邻点的灰度加权算法，根据在边缘点处达到极值这一现象进行边缘的检测。
Sober算子对噪声具有平滑作用，提供较为精确的边缘方向信息，是一种较为常用的边缘检测方法。
2 算法设计针对经典Sober算子对边缘具有很强的方向性特点，提出了一种在Sober算子上改进的算法，其主要思想是先对图像进行全局阈值的分割处理，因为分割后的图像是二值图像，此时进行边缘提取，这就可以使各个方向的边缘都可以检测到。
但也可能会丢失原本可直接用Sober算子检测到的边缘。
因此，用处理后所得的图像与用Sober算子直接对原始图像进行边缘检测的图像相加，这一步就得尤为重要。
基于Sobel算子的数字图像边缘检测与FPGA实现
ａ ｄ ｉ ｔ ｇ ａ ｅ ｎ ａＦＰ ｎ ｎ ｅ ｒ ｔ ｄ ｉ ＧＡ ｈ ｐ ｏ ｉ ｎ ｐ ｒ ａ ｃ ｉ ｆ ｌ ｘ Ｓ ａ ｔ ｎ３ ＸＣ３ ５ ５ Ｘ ｉ Ｓ ０－ ＰＱ２ ． ｅ ｓｍ ｕ ａ ｅ ｅ ｕ ｔｉ ｄ ｃ ｔ ｓｔ ａ ｈ ｒ ｓ ｎ ｅ ＧＡ ０８Ｔｈ ｉ ｌ ｔ ｄ ｒ ｓ ｌ ｎ ｉ ａ ｅ ｈ ｔ ｅ ｐ ｅ ｅ ｔ ｄ ＦＰ ｔ ｃ ｉ ｈ ｐ ＸＣ３ ５ － Ｐ Ｓ ０ ５ Ｑ２ ８ ｃ ｎ ｒ ｎ ａ ３ Ｍ Ｈｚｓ ｅ ｄ Ｆ ｎ ｌｙ ｔ ｅ ｅ ｐ ｒｍ ｅ ｔ ０ ａ ｕ ｔ１ ４ ｐ ｅ ． ｉ ａ ｌ ， ｈ ｘ ｅ ｉ ｎ ｓｄ ｎ ｏ ｔ ｎ ｍａ ｅ ｏ ０ ４ Ｘ １ ２ ｉ ｅ ｓ Ｔｈ ｗａ ｏ ｅ ｔ ｅ ａ ｉ ｇ ｆ １ ２ ０ ４ ｐ ｘ ｌ． ｅ
级 ． 大 大 增 加 了设 计 过 程 和 最 后 工 程 的 灵 活 性 。 这
Ｓ ｂ ｌ ． 检 测 算 子 结 合 了边 缘 检 测 和 平滑 算 子 ． 其 在 ｏ ｅ： 缘 ￣ 使 嘈杂 的环 境 下 有 良 好 的 检 测 能 力 。因此 本 文 选 择 Ｓ ｂ ｌ ｏ ｅ算子 应
一二 、 Biblioteka ｅ边 缘 检 测 原 理 ｓｂｌ
图 像 边 缘 是 图 像 的 基 本 特 征 之 一 ， 包 含 对 人 类 视 觉 它
直 是 一 个 难 题 。虽 然 ＤＳＰ 备 指 令 流 水 线 特 性 和 很 高 的 具
ｔ ｈｅ Ｅｄｇｅ Ｄ ｅ ｅｃ ｉ ｉ ｔ ｌＩ ａ ｎｄ ｉｓ ｒ ａｌｚａ ｉ ｔ ｔｏｎ ｏｆＤ ｇｉａ ｍ ｇｅ ａ ｔ ｅ ｉ ｔｏｎ ｂｙ ＦＰＧ Ａ ｅｃ ｔ ｈｎｉ ｑｕｅ ｂａｓ ｄ ｅ ｏｎ ｂｅ ＳＯ ｌｏｐｅ ａ ｏ ｒ ｔｒ
图像处理中的边缘检测算法研究与性能评估
图像处理中的边缘检测算法研究与性能评估引言：在当今数字图像处理领域，边缘检测一直是一个重要且挑战性的问题。
边缘提取是图像处理中的一项基本操作，对于目标检测、图像分割和图像识别等任务都具有重要意义。
边缘检测的目标是找到图像中明显的灰度跃变区域，以准确地确定物体的边缘位置。
本文将介绍几种常见的图像处理中的边缘检测算法，并对其性能进行评估。
一、经典边缘检测算法1. Sobel算子Sobel算子是一种基于差分的边缘检测算子，它结合了图像梯度的信息。
Sobel算子使用一个3×3的模板对图像进行卷积操作，通过计算水平和垂直方向上的梯度来找到边缘位置。
Sobel算子虽然简单，但在边缘检测中表现良好。
2. Prewitt算子Prewitt算子是另一种基于差分的边缘检测算子，与Sobel 算子类似，它也使用一个3×3的模板对图像进行卷积操作。
该算子通过计算水平和垂直方向上的梯度来检测边缘。
Prewitt 算子在边缘检测中也有较好的性能。
3. Canny边缘检测Canny边缘检测是一种广泛应用的边缘检测算法。
与Sobel 和Prewitt算子相比，Canny算法不仅能够检测边缘，还能够进行边缘细化和抑制不必要的边缘响应。
它通过多阶段的边缘检测过程，包括高斯滤波、计算梯度幅值和方向、非极大值抑制和双阈值处理等步骤，来提取图像中的边缘。
二、边缘检测算法的性能评估1. 准确性评估准确性是评估边缘检测算法好坏的重要指标。
在进行准确性评估时，可以使用一些评价指标，如PR曲线、F值等。
PR 曲线是以检测到的边缘像素为横坐标，以正确的边缘像素为纵坐标绘制的曲线，用于评估算法的召回率和准确率。
F值则是召回率和准确率的综合评价指标，能够综合考虑算法的检测效果。
2. 实时性评估实时性是边缘检测算法是否适用于实际应用的重要因素。
在实时性评估时，可以考虑算法的运行时间，以及算法对硬件资源的要求。
边缘检测算法应尽量满足实时性的要求，并能够在不同硬件平台上高效运行。
Sobel边缘检测
Sobel边缘检测Sobel算⼦：[-1 0 1-2 0 2-1 0 1]⽤此算⼦与原图像做卷积，可以检测出垂直⽅向的边缘。
算⼦作⽤在图像的第⼆列，结果是：200,200,200；作⽤在第三列，结果是：200,200,200；边缘 – 是像素值发⽣跃迁的地⽅（变化率最⼤处，导数最⼤处），是图像的显著特征之⼀，在图像特征提取、对象检测、模式识别等⽅⾯都有重要的作⽤。
Sobel算⼦和Scharr算⼦（1）Sobel算⼦：是离散微分算⼦（discrete differentiation operator），⽤来计算图像灰度的近似梯度，梯度越⼤越有可能是边缘。
Soble算⼦的功能集合了⾼斯平滑和微分求导，⼜被称为⼀阶微分算⼦，求导算⼦，在⽔平和垂直两个⽅向上求导，得到的是图像在X⽅法与Y⽅向梯度图像。
缺点：⽐较敏感，容易受影响，要通过⾼斯模糊（平滑）来降噪。
算⼦是通过权重不同来扩⼤差异。
梯度计算：（在两个⽅向求导，假设被作⽤图像为 I）⽔平变化: 将 I 与⼀个奇数⼤⼩的内核 Gx进⾏卷积。
⽐如，当内核⼤⼩为3时, Gx的计算结果为:垂直变化: 将 I 与⼀个奇数⼤⼩的内核 Gy进⾏卷积。
⽐如，当内核⼤⼩为3时, Gy的计算结果为:在图像的每⼀点，结合以上两个结果求出近似梯度：有时也⽤下⾯更简单公式代替，计算速度快：（最终图像梯度）。
（2）Scharr：当内核⼤⼩为3时, 以上Sobel内核可能产⽣⽐较明显的误差(毕竟，Sobel算⼦只是求取了导数的近似值)。
为解决这⼀问题，OpenCV提供了 Scharr 函数，但该函数仅作⽤于⼤⼩为3的内核。
该函数的运算与Sobel函数⼀样快，但结果却更加精确，不怕⼲扰，其内核为:（3）Sobel/Scharr提取边缘（求导）步骤：1）⾼斯模糊平滑降噪：GaussianBlur( src, dst, Size(3,3), 0, 0, BORDER_DEFAULT ); 2）转灰度：cvtColor( src, gray, COLOR_RGB2GRAY );3）求X和Y⽅向的梯度（求导）：Sobel(gray_src, xgrad, CV_16S, 1, 0, 3);Sobel(gray_src, ygrad, CV_16S, 0, 1, 3);Scharr(gray_src, xgrad, CV_16S, 1, 0);Scharr(gray_src, ygrad, CV_16S, 0, 1);4）像素取绝对值：convertScaleAbs(A, B); //计算图像A的像素绝对值，输出到图像B5）相加X和Y，得到综合梯度，称为振幅图像：addWeighted( A, 0.5,B, 0.5, 0, AB); //混合权重相加，效果较差或者循环获取像素，每个点直接相加，效果更好。
sobel边缘检测算法原理
sobel边缘检测算法原理Sobel边缘检测算法是一种常用的图像处理算法，用于检测图像中的边缘。
它是一种基于图像一阶导数的算子，可以在图像灰度变化较为明显的地方找到边缘的位置。
该算法的原理是基于梯度的计算，对于一副图像的灰度值，它的梯度可以用两个方向的一阶导数来描述。
Sobel算子就是一种常用的一阶导数算子，其中x方向的Sobel算子是：-1 0 1-2 0 2-1 0 1y方向的Sobel算子是：-1 -2 -10 0 01 2 1对于一副灰度图像I(x,y)，分别将x方向和y方向的Sobel算子与原图像进行卷积操作，可以得到两个梯度值Gx(x,y)和Gy(x,y)：Gx(x,y)=I(x-1,y-1)*(-1)+I(x+1,y-1)*(1)+I(x-1,y)*(-2)+I(x+1,y)*(2)+I(x-1,y+1 )*(-1)+I(x+1,y+1)*(1)Gy(x,y)=I(x-1,y-1)*(-1)+I(x-1,y+1)*(1)+I(x,y-1)*(-2)+I(x,y+1)*(2)+I(x+1,y-1 )*(-1)+I(x+1,y+1)*(1)然后，将Gx和Gy用勾股定理计算出总梯度G(x,y)：G(x,y)=sqrt(Gx(x,y)^2+Gy(x,y)^2)最后，根据总梯度大小，可以确定图像中的边缘位置。
如果总梯度很大，则表示该点为边缘点，否则则为非边缘点。
值得注意的是，Sobel算子是一种一阶导数算子，因此它的结果会比较粗略，对于比较细致的边缘，可能会出现一些错误的识别。
此时，可以使用更高阶的导数算子，如拉普拉斯算子，以获取更精细的边缘信息。
总之，Sobel边缘检测算法是一种简单而有效的边缘检测方法，广泛应用于图像处理领域。
尽管它在某些场景下有一些局限性，但是在实际应用中仍然具有很大的价值。
图像的边缘检测实验报告
图像的边缘检测实验报告
《图像的边缘检测实验报告》
图像的边缘检测是计算机视觉领域中的重要技术之一，它可以帮助我们识别图
像中物体的边缘和轮廓，从而实现图像分割、特征提取和目标识别等应用。
在
本次实验中，我们将对几种常用的边缘检测算法进行比较和分析，以评估它们
在不同场景下的性能和适用性。
首先，我们使用了Sobel算子进行边缘检测。
Sobel算子是一种基于梯度的边缘检测方法，它通过对图像进行卷积操作来寻找像素值变化最大的地方，从而找
到图像中的边缘。
实验结果显示，Sobel算子在一些简单场景下表现良好，但
在复杂背景和噪声干扰较大的情况下效果不佳。
接着，我们尝试了Canny边缘检测算法。
Canny算法是一种多阶段的边缘检测
方法，它通过对图像进行高斯滤波、计算梯度、非极大值抑制和双阈值处理等
步骤来检测图像中的边缘。
实验结果显示，Canny算法在复杂场景下表现出色，能够有效地抑制噪声并找到图像中的真实边缘。
最后，我们还尝试了Laplacian算子和Prewitt算子等其他边缘检测算法，并对
它们的性能进行了比较和分析。
实验结果显示，不同的边缘检测算法在不同场
景下表现出各自的优势和劣势，需要根据具体的应用需求来选择合适的算法。
总的来说，本次实验对图像的边缘检测算法进行了全面的比较和分析，为我们
进一步深入理解和应用这些算法提供了重要的参考和指导。
希望通过这些实验
结果，我们能够更好地利用边缘检测技术来解决实际的图像处理问题，为计算
机视觉领域的发展做出更大的贡献。
sobel边缘检测原理
sobel边缘检测原理Sobel边缘检测原理Sobel边缘检测是一种常用的图像处理技术，它可以用来检测图像中的边缘。
Sobel算子是一种离散微分算子，它可以将图像中的每个像素点与其周围的像素点进行卷积运算，从而得到该像素点的梯度值。
Sobel算子可以分为水平和垂直两个方向，分别用于检测图像中的水平和垂直边缘。
Sobel算子的原理是基于图像中的灰度变化来检测边缘。
在图像中，边缘处的灰度值会发生明显的变化，而非边缘处的灰度值则相对平滑。
因此，通过计算像素点周围的灰度值差异，可以得到该像素点的梯度值，从而判断该点是否为边缘点。
Sobel算子的计算公式如下：Gx = [-1 0 1; -2 0 2; -1 0 1] * AGy = [-1 -2 -1; 0 0 0; 1 2 1] * A其中，Gx和Gy分别表示水平和垂直方向的梯度值，A表示原始图像的像素矩阵。
在计算过程中，先将原始图像进行灰度化处理，然后对每个像素点进行卷积运算，得到该点的梯度值。
最后，将水平和垂直方向的梯度值进行平方和开方运算，得到该像素点的总梯度值。
Sobel算子的优点是计算简单、速度快，可以有效地检测图像中的边缘。
但是，它也存在一些缺点，比如对噪声比较敏感，容易产生误检测。
因此，在实际应用中，需要结合其他的图像处理技术来进行优化和改进。
总之，Sobel边缘检测是一种简单而有效的图像处理技术，可以用来检测图像中的边缘。
它的原理是基于图像中的灰度变化来进行计算，可以通过卷积运算得到每个像素点的梯度值。
虽然Sobel算子存在一些缺点，但是在实际应用中仍然具有广泛的应用价值。
sobel算子检测边缘 matlab编程
在MATLAB中，使用Sobel算子检测图像边缘的一个基本例子可以如下：matlab复制代码% 读取图像I = imread('your_image.jpg');% 转换为灰度图像I_gray = rgb2gray(I);% 使用Sobel算子进行边缘检测BW = edge(I_gray,'sobel');% 显示原图像和边缘检测后的图像figure,subplot(1,2,1), imshow(I), title('原图像')subplot(1,2,2), imshow(BW), title('Sobel边缘检测后的图像')在上述代码中，首先读取一个图像，然后将其转换为灰度图像。
然后，使用MATLAB 内置的edge函数，指定'sobel'作为方法参数，对灰度图像进行边缘检测。
最后，显示原始图像和经过Sobel边缘检测后的图像。
注意：你需要将'your_image.jpg'替换为你想要处理的图像的文件名。
如果该文件不在MATLAB的当前工作目录中，你需要提供完整的文件路径。
如果你想自己实现Sobel算子而不是使用内置的edge函数，你可以创建一个Sobel算子，然后将其应用于图像。
这是一个基本的例子：matlab复制代码% 读取图像I = imread('your_image.jpg');% 转换为灰度图像I_gray = rgb2gray(I);% 定义Sobel算子Gx = [-101; -202; -101]; % x方向Gy = [121; 000; -1-2-1]; % y方向% 计算图像大小[height, width] = size(I_gray);% 初始化输出图像Ix = zeros(height-2, width-2);Iy = zeros(height-2, width-2);I_edge = zeros(height-2, width-2);% 应用Sobel算子for i = 2:height-1for j = 2:width-1Ix(i-1,j-1) = sum(sum(double(I_gray(i-1:i+1,j-1:j+1)) .* Gx));Iy(i-1,j-1) = sum(sum(double(I_gray(i-1:i+1,j-1:j+1)) .* Gy));% 计算梯度幅度I_edge(i-1,j-1) = sqrt(Ix(i-1,j-1)^2 + Iy(i-1,j-1)^2);endend% 二值化图像BW = I_edge > threshold; % threshold是一个阈值，你需要自己设定% 显示原图像和边缘检测后的图像figure,subplot(1,2,1), imshow(I), title('原图像')subplot(1,2,2), imshow(BW), title('Sobel边缘检测后的图像')注意：在这个例子中，你需要自己设定一个阈值（threshold）来决定哪些像素被视为边缘。
sobel边缘检测算法的用法
sobel边缘检测算法的用法
Sobel边缘检测算法是一种常用的图像处理算法，用于检测图像中的边缘。
它基于图像中像素灰度值的梯度变化来识别边缘。
下面是使用Sobel边缘检测算法的一般步骤：
1.将彩色图像转换为灰度图像：首先，将输入的彩色图像转换为灰度图像。
这可以通过将RGB三个通道的像素值加权平均得到，或者使用其他方法进行灰度化。
2.计算水平和垂直梯度：对灰度图像应用Sobel算子，计算每个像素点的水平和垂直方向上的梯度。
Sobel算子是一个3x3的卷积核，分别对应水平和垂直方向上的梯度计算。
3.计算梯度幅值和方向：根据水平和垂直方向上的梯度计算出每个像素点的梯度幅值和梯度方向。
梯度幅值代表了边缘的强度，而梯度方向表示了边缘的方向。
4.应用阈值处理：根据设定的阈值，将梯度幅值进行二值化处理，以便检测出明显的边缘。
通常，高于高阈值的像素点被认为是边缘，低于低阈值的像素点被认为是非边缘，而介于两个阈值之间的像素点可以根据实际需求进行处理。
5.边缘连接：在二值化后的图像中，将相邻的边缘像素连接起来形成连续的边缘线条。
这可以通过应用一些连接算法，如霍夫变换或者基于邻域关系的像素连接方法来实现。
Sobel边缘检测算法可以帮助我们提取出图像中的边缘信息，常用于计算机视觉、图像处理和模式识别等领域。
基于改进Sobel算子的实时边缘检测及其FPGA实现
• 118•基于改进Sobel算子的实时边缘检测及其FPGA实现四川大学电子信息学院 代临风 邓洪敏提出了一种改进的Sobel 算子：在传统Sobel 算子的基础上，使用快速中值滤波滤除系统杂波、加入旋转模式下的CORDIC （Co-ordinate Rotation Digital Computer ）算法，增加了Sobel 算子的模板数，使系统的检测精度提高、并利用双滤波器求出局部图像像素点的均值作为自适应阈值，提高了检测算法在局部图像特性上的适应性。
最后，将所提算法运用到FPGA 处理平台上，并进行图像边缘检测的验证。
实验结果表明，该方法提取得到的边缘更加精细，局部特性更好，抗噪声能力更强，且由于FPGA 的高主频和并行性，硬件资源的占用率大大降低，系统整体处理时间大大减少。
引言：随着电子、计算机领域工程技术的迅猛发展，图像边缘检测已经成为图像处理技术中关键的一项。
图像边缘是图像的基本特征（[1]陆小锋,张俊豪,陆晓成,等.基于FPGA 的图像分块实时边缘检测系统[J].电视技术,2012,36(21):51-54），图像的边缘区域集中着大量的图像信息，具有不确定性，是图像中属性变换最为剧烈的一部分。
在许多的工程应用中我们都会用到图像的边缘处理作为基础从而进行之后的更为高级的图像处理，比如：人脸识别、车牌识别、手写体识别等。
在研究边缘检测算法时，通常采用基于图像强度的一阶或二阶导数，根据其变化规律和一定的检测规则，判定图像的边缘。
常见的边缘检测算子有Robert 算子，Sobel 算子、Prewitt 算子、Laplacian 算子、LOG 算子、Canny 算子等（[2]米曾真,谢志江,陈涛,等.重轨图像增强与边缘提取的关键技术[J].光学精密工程,2012,20(7):1645-1652）。
但是导数很容易受到噪声的影响（[5]毛星云,冷雪飞,等.OpenCV3编程入门[M].北京:电子工业出版社），因此必须在边缘检测算子中加入滤波器用以抑制噪声。
基于Sobel算子的图像边缘检测实验分析
摘要 ：本文首先介绍 了数 字图像 处理传 统边缘检 测算子 ，然后 详细描述 了其 中具有代表性 的Ｓ ｂｌ ｏｅ 边缘检测算 法 的原理 ，并从模板遵循 的原则和数 学原理两个方 面分析 了Ｓ ｂｌ ｏｅ 算子的模板权值取定 。实验结果表明 ，Ｓ ｂｌ ｏｅ 算子模板 的关键权值取２ ，边缘 较细 ，定位精确 ，提 高了边缘检测精度 。 时 关键词 ：图像边缘检 测；Ｓｂｌ ｏｅ算子
计 算机 光盘 软件 与应 用
２ １ 第 ７期 ０ ２年 Ｃ ｍ ｕ ｅ ＤＳ ｆ ｗ ｒ ｎ ｐ ｌ ｃ ｔ ｏ ｓ ｏｐ ｔ ｒＣ ｏ ｔ ａ ｅａ ｄＡ ｐ ｉａ ｉｎ 工 程 技 术
基于 Ｓ ｂｌ ｏ ｅ算子的图像边缘检测实验分析
刘洋，张天翔 ，童亚拉 （ 湖北工业大学理 学院 ，武汉 ４ ０ ６ ） ３０８
中图分类号：Ｔ ７ １ 文献标识码：Ａ 文章编号：１０ － ５９２１） ７ ０８－ ２ Ｐ ５． １ ０７ ９９ （ ２ ０－ ０６ ０ ０
器 结合 ，卷积运算后 ，图像变得平滑 ， 到双边缘并利用零交 得 叉定位 。边 缘检 测效果明显，适合低噪声的 图像 。 ５Ｃｎ ｙ ． ａ ｎ 算子 ：用 高斯 滤波 器平 滑，计算局部梯度和边缘 方 向，采取最大值抑制处理 ，用两个 阈值处理 ， 到强边缘与 得 弱边缘 ，将弱边缘集成到强边缘 ，是 目前最好 的传统算子 ，运 算量较大 。 二 、Ｓ ｂ 算子 的原理描述 ｏｅ Ｉ （ ）Ｓ ｂ ｌ 子 主 要 思想 ～ ｏｅ 算 Ｓ ｂ １ 子足 基于 一阶微 分的边 缘检测方法，先进行领域 ｏｅ 算 加 权 平 均 ，然 后 进 行 一 阶 微 分 处 理 ，检 测 出边 缘 点 。 使 用 的 其 取手 段。 几种 经典 的边 缘检 测算子的 比较 二维模板如 图 ２ ，一个模板用于水平方 向差分运算 ，另一个 用 边缘 具有 方向和幅度两个特征 ， 沿边缘走 向， 像素值变化 于 垂 直 方 向差 分 运 算 。
像处理中的边缘增强算法
像处理中的边缘增强算法图像处理领域中的边缘增强算法在数字图像的边缘检测和图像分割中起着至关重要的作用。
边缘增强算法能够通过突出图像中的边缘特征，提高图像的清晰度和对比度，使得图像在视觉上更加吸引人。
本文将介绍几种常见的边缘增强算法，包括Sobel算子、拉普拉斯算子、Canny算子以及边缘增强的应用场景。
一、Sobel算子Sobel算子是一种基于图像的梯度运算来进行边缘检测的算法。
它通过计算图像中像素点周围的灰度梯度，来确定边缘的位置和方向。
Sobel算子主要通过逐像素的卷积操作来实现，分别计算水平和垂直方向的梯度值，然后将它们进行合并。
Sobel算子能够提取出图像中的边缘信息，但它对于噪声的敏感性较高。
二、拉普拉斯算子拉普拉斯算子是一种基于二阶微分的边缘检测算法。
它通过计算图像中像素点的亮度变化，来确定边缘的位置。
拉普拉斯算子主要通过二阶微分运算来实现，在图像中的每个像素点上计算出其邻域的二阶导数值，然后通过阈值处理来确定是否为边缘。
拉普拉斯算子对于噪声具有一定的平滑效果，但在一些情况下可能会导致边缘的断裂。
三、Canny算子Canny算子是一种多阶段的边缘检测算法，它能够有效地提取出图像中的边缘信息。
Canny算子的主要步骤包括高斯模糊、计算梯度、非极大值抑制和双阈值检测。
首先，通过高斯模糊来平滑图像，减少噪声的影响。
然后，计算图像中像素点的梯度和方向，通过非极大值抑制来确定梯度的最大值，并筛选出边缘像素。
最后，通过设置合适的阈值，将强边缘和弱边缘进行分类。
Canny算子能够得到精确的边缘位置，并且对于噪声有较强的抑制能力。
四、边缘增强的应用场景边缘增强算法在许多图像处理应用中都有广泛的应用。
例如，边缘增强可以用于提高图像的清晰度和对比度，使得图像更加美观。
此外，边缘增强还可以用于目标检测和图像分割等任务。
通过提取图像中的边缘信息，可以更好地识别和定位目标物体，实现自动化的图像分析和理解。
综上所述，边缘增强算法在图像处理中具有重要的作用。
sobel算子原理
sobel算子原理
sobel算子是一种常用的图像边缘检测算法，它通过计算像素点的梯度强度来确定图像中物体的边缘。
该算子在图像处理和计算机视觉领域广泛应用。
sobel算子基于卷积原理，它使用一个3x3的卷积核来对图像进行滤波操作。
该卷积核分为垂直和水平两部分，分别用于检测图像中的垂直和水平边缘。
在图像处理中，边缘可以被看作是图像亮度变化的地方。
sobel算子通过计算每个像素点的梯度，即亮度变化的幅度，来找出图像中的边缘。
具体而言，sobel算子在水平方向上对图像进行卷积运算，得到水平方向上的边缘强度。
同时，在垂直方向上进行卷积运算，得到垂直方向上的边缘强度。
然后，将两个方向上的边缘强度进行合并，得到最终的边缘图像。
sobel算子的计算过程可以用以下两个卷积核表示：
水平方向上的卷积核：
-1 0 1
-2 0 2
-1 0 1
垂直方向上的卷积核：
-1 -2 -1
0 0 0
1 2 1
在进行卷积操作时，将卷积核与图像进行逐像素的计算。
通过
将卷积核与图像进行内积运算，可以得到当前像素点的边缘强度值。
sobel算子通过计算像素点的梯度来检测图像中的边缘。
梯度
值较大的像素点往往表示边缘的位置，而梯度值较小的像素点则表示图像中的平坦区域。
总结而言，sobel算子是一种基于卷积原理的图像边缘检测算法。
它通过计算图像中像素点的梯度来确定边缘的位置。
该算子在实际应用中可以帮助我们提取图像的特征，用于目标检测、图像分割和边缘增强等方面。
基于八方向Sobel算子的边缘检测系统设计
基于八方向Sobel算子的边缘检测系统设计基于八方向Sobel算子的边缘检测系统设计1. 引言图像处理是计算机视觉和图像分析等领域中的一个重要研究方向。
在图像处理中，边缘检测是一项基本任务，它的目标是从图像中提取出物体的边缘信息。
边缘作为物体的分界线，在计算机视觉和图像分析中具有重要的意义。
然而，由于图像中存在着噪声和其他干扰因素，如光照变化等，边缘的检测并不容易。
2. Sobel算子介绍Sobel算子是一种经典的边缘检测算法，其原理是通过计算像素点周围像素灰度值的差异来找出边缘。
Sobel算子将图像中的每个像素点作为中心点，与其周围的像素进行卷积运算，得到水平和垂直方向上的边缘强度。
然后通过对水平和垂直边缘强度的合并，可以得到图像中的边缘信息。
3. 八方向Sobel算子的改进传统的Sobel算子只能检测出水平和垂直方向上的边缘，对于斜方向上的边缘则不够敏感。
为了提高边缘检测的效果，我们对Sobel算子进行了改进，设计了八方向Sobel算子。
八方向Sobel算子可以更好地检测出图像中的斜方向边缘，使得边缘检测的结果更加准确。
4. 边缘检测系统设计基于八方向Sobel算子的边缘检测系统由以下几个模块组成：图像输入模块、预处理模块、八方向Sobel算子模块和边缘检测结果显示模块。
4.1 图像输入模块图像输入模块用于从外部读取图像数据，可以支持不同格式的图像文件，如JPEG、PNG等。
用户可以通过该模块选择并加载需要进行边缘检测的图像。
4.2 预处理模块预处理模块用于对输入图像进行预处理，以便更好地适应边缘检测算法的要求。
主要的预处理操作包括图像灰度化、图像平滑和图像尺寸归一化。
4.3 八方向Sobel算子模块八方向Sobel算子模块是系统的核心模块，它实现了八方向Sobel算子的计算。
该模块通过对图像的每个像素点进行八方向Sobel算子的卷积运算，得到水平和垂直方向上的边缘强度。
4.4 边缘检测结果显示模块边缘检测结果显示模块用于将边缘检测的结果显示出来，以便用户观察和分析。
基于Sobel算子的图像边缘检测研究
基于Sobel算子的图像边缘检测研究一、本文概述图像边缘检测是计算机视觉和图像处理领域中的关键任务之一，其目标在于识别并提取图像中物体的轮廓和边界，以便进行进一步的分析和理解。
在众多边缘检测算法中，Sobel算子因其简单、高效和鲁棒性强的特点而备受关注。
本文旨在深入研究基于Sobel算子的图像边缘检测算法，分析其原理、特点、应用以及存在的挑战，并提出相应的改进策略。
本文将介绍Sobel算子的基本原理和计算过程，包括卷积核的构建、图像梯度的计算以及边缘的判定等。
然后，通过对比实验，分析Sobel算子在不同类型图像（如灰度图像、彩色图像、噪声图像等）上的边缘检测效果，评估其性能优劣。
接着，本文将探讨Sobel算子在实际应用中的优缺点，分析其在不同场景下的适用性和限制。
在此基础上，本文还将介绍一些改进Sobel算子的方法，如结合其他边缘检测算法、引入多尺度分析、利用机器学习技术等，以提高边缘检测的准确性和鲁棒性。
本文将对基于Sobel算子的图像边缘检测算法进行总结和展望，指出未来的研究方向和应用前景。
通过本文的研究，希望能够为图像边缘检测领域的发展提供有益的参考和启示。
二、Sobel算子理论基础Sobel算子是一种常用的边缘检测算子，它基于图像亮度的一阶或二阶导数变化来检测边缘。
Sobel算子通过计算图像中每个像素点周围区域的亮度梯度，来确定该像素点是否位于边缘上。
这种方法对于检测图像中的水平和垂直边缘特别有效。
Sobel算子是一种离散微分算子，它结合了高斯平滑和微分求导。
它包含两组3x3的卷积核，分别用于检测水平和垂直方向上的边缘。
当将这两组卷积核与图像进行卷积运算时，可以得到两个输出图像，分别表示水平和垂直方向上的亮度梯度。
在Sobel边缘检测算法中，首先使用高斯滤波器对原始图像进行平滑处理，以减少噪声对边缘检测结果的影响。
然后，使用Sobel算子对平滑后的图像进行卷积运算，得到水平和垂直方向上的亮度梯度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于S o b e l算子的数字图像边缘检测
集团文件版本号：（M928-T898-M248-WU2669-I2896-DQ586-M1988）
信号处理综合
设计报告
综合设计名称：基于Sobel算子的数字图像边缘检测学员：学号：
培养类型：技术类年级： 2013级专业：电子工程所属学院：
指导教员：职称：教授实验室： 305-507 实验日期：-2016.9.2
一、综合设计目的
（1）掌握数字信号处理的基本概念、基本理论和基本方法；
（2）了解边缘检测的算法和用途，学习利用 Sobel 算子进行边缘检测的程序设计方法；
（3）完成图像边缘处理系统的设计和实现，分析处理性能；
（4）学会TMS320VC5509A DSP的程序设计方法。
二、综合设计要求
（1）在Matlab上独立编程实现通过Sobel算子的边缘检测；
（2）读懂DSP-CCS平台例程，自选图像修改例程实现边缘检测，对比Matlab仿真和DSP-CCS平台处理的结果。
（3）完成实验思考题
三、详细设计过程
1.设计原理分析；
Sobel边缘检测算子：
图像中的每个点都用这连个核做卷积，一个核对通常的垂直边缘相应最大，另一个对水平边缘相应最大。
两个卷积的最大值作为该点的输出位（下文我们统称为梯度）。
Prewitt边缘检测算子：
以上两个卷积核形成了Prewitt算子。
使用方法和Sobel算子一致，区别是系数不同。
2.设计方案和过程。
总体方案：
（1）选择图像灰度处理
这是程序运行的预处理，需要注意的Matlab仿真时，图像选取限制较小，在DSP-CCS平台处理时，注意图像选择要满足例程的空间要
求，一般选择80*80尺寸图像。
（2）卷积计算得出梯度
把图像与Sobel算子的两个模板分别进行卷积，取卷积后较大值为
该点的梯度。
上图显示了在只考虑水平边缘或垂直边缘的情况下的检测效果与实际效果的对比。
（3）二值处理计算阈值
把计算出的梯度归一化，然后带入Matlab中的graythresh函数，采用最大类间方差法获得阈值。
（4）高于阈值设为1，低于阈值设为0。
把二值图像显示出来即为边缘检测的最终结果。
3.改进与创新
（1）八方向Sobel算子
在原有中两个模板的基础上，又增加六个方向的模板，即45°，135°，180°，225°，270°，315°。
这样可以更加有效地检测图像多个方向边缘，使边缘信息更加完整。
（2）抗噪性能分析
通过在原图像中加入不同信噪比的高斯白噪声，观察边缘检测图像的变化，分析差别。
四、调试过程与结果分析
1.传统Sobel算子边缘检测效果展示
注：上图中graythresh算子得出的阈值为0.2784
2.阈值不同时的结果对比。
通过手动调整阈值，我们可以发现，减小阈值，图像中线条增多，增大阈值，线条减少，实际情况中，课根据需要选择合适阈值。
3.Sobel算子与Prewitt算子对比
对于大部分图像，Sobel算子与Prewitt算子得出的结果差别不大。
4.八方向Sobel算子性能分析
实际效果，八方向Sobel算子边缘检测效果提升不明显，但是带来了巨大的内存和空间消耗。
此图显示了八方向Sobel算子的空间占用，实际计算时，需要的时间也比传统Sobel算子要长，考虑到其边缘检测效果提升不明显，后续我们没有采用这种方法。
5.抗噪性能分析
通过给图像加高斯白噪声来测试程序的抗躁性能。
加入信噪比为0.05的高斯白噪声：
几乎不受影响，但是也出现了一些杂点。
加入信噪比为0.5的高斯白噪声：
已经损失了一些信息，左侧后视镜已经看不见了。
加入信噪比为0.9的高斯白噪声：
可以发现右图已经基本上没有信息了，手动调整阈值：
将阈值调整为0.01后，原本的车在地面的阴影，后座都被误判为边界，但是车牌等重要信息被检测出来。
6.DSP-CCS平台实现
仿真时使用的奥迪车图片尺寸较大，无法移植，在CCS平台上，我们使用北大校徽和力帆车标做测试。
北大校徽仿真结果：
CCS平台处理结果：
力帆车标仿真结果：
CCS平台处理结果：
通过两个例子，可以发现CCS平台处理的图像在转弯处，容易出现边缘缺失，可能是由于图片像素太低，精度不足造成的。
五、设计总结和体会
（1）本次实验，以Sobel算子为基础，对数字图像的边缘检测问题进行了一番探究。
实验表明，Sobel算子产生的边缘效果较好，在实际处理中，可根据具体情况采用不同的阈值。
改进的八方向Sobel算子边缘信息更全，但是产生了大量空间和时间消耗，一般不采用。
另外，Sobel算子对噪声具有一定的平滑作用。
（2）选题，分析，仿真，实现，是一般项目进行的主要步骤，好的仿真可以大大缩短实际操作所需要的时间，但是仿真过程中要考虑实际平台的计算能力和存储空间。
（3）本次实验，本组进度进行较快，但是后来看了其他同学的情况后，发现对方做的效果比我们好很多，才激励我们继续研究，找出抗噪性能
的分析这一创新点。
启示我们，做研究过程中不要实现一点成绩就沾沾自喜，要保持谦虚，脚踏实地。
六、思考题解答
在CCS平台上，将Sobel算子改为Prewitt算子。
答：Sobel算子核心代码如下：
其中
m_nWork1=x7+x8+x8-x2-x2-x3;
m_nWork2=x3+x6+x6-x4-x4-x7;
if ( m_nWork1<m_nWork2 )
m_nWork1=m_nWork2;
m_nWork2=m_nWork1+x9-x1;
是卷积求梯度的核心代码，根据Prewitt的卷积阵，将此处改为以下代码即可。
m_nWork1=x7+x8-x2-x3;
m_nWork2=x3+x6-x4-x7;
if ( m_nWork1<m_nWork2 )
m_nWork1=m_nWork2;
m_nWork2=m_nWork1+x9-x1;
全部代码见附程序Sobel.c和Prewitt.c
七、参考资料
[1] 陈宇云. 灰度图像的边缘检测研究[D]. 电子科技大学硕士学位论文.2009
[2] 卢洋,张旭秀.图像边缘检测算法的对比分析与研究[J]. 太原科技. 2009,(3):17-18
[3] 韩磊 .MATLAB 在数字图象处理中的应用[J]. 电脑知识与技术. 2008,1(1):29-31
附录
1.transfer_1.m 将彩色图转化为灰度图的小程序，在迁移到CCS平台处
理时用到，Matlab平台仿真的程序中内嵌了这几行代码。
2.Sobel_1.m 传统Sobel算子代码+手动阈值调整功能
3.Sobel_2.m 八方向Sobel
4.Sobel_3.m 将水平和垂直算子单独考虑与都考虑时的对比
5.Prewitt_1.m 传统Prewitt
6.Sobel_prewitt.m Sobel和Prewitt的对比+考虑高斯白噪声后的情
况。