《数字图像处理》期中大作业拉普拉斯算子ROBERT算子SOBLE算子三种锐化滤波算子性能研究学号：12010245389姓名：周玉琴拉普拉斯算子、ROBERT算与SOBLE算子三种锐化滤波算子性能研究摘要：在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。
一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。
这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。
为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。
本文主要探究几种边缘检测算子，拉普拉斯算子，ROBERT算子与SOBLE算子在数字图像处理中的应用。
关键字：图像锐化边缘检测拉普拉斯算子 ROBERT SOBLE一、算法介绍1.1 图像锐化的概念在图像增强过程中，通常利用各类图像平滑算法消除噪声，图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。
一般来说，图像的能量主要集中在其低频部分，噪声所在的频段主要在高频段，同时图像边缘信息也主要集中在其高频部分。
这将导致原始图像在平滑处理之后，图像边缘和图像轮廓模糊的情况出现。
为了减少这类不利效果的影响，就需要利用图像锐化技术，使图像的边缘变得清晰。
图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变得清晰，经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算(如微分运算)就可以使图像变得清晰。
从频率域来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。
但要注意能够进行锐化处理的图像必须有较高的性噪比，否则锐化后图像性噪比反而更低，从而使得噪声增加的比信号还要多，因此一般是先去除或减轻噪声后再进行锐化处理。
本文主要探究几种边缘检测算子，拉普拉斯算子，ROBERT算子与Soble算子以下具体介绍。
图像边缘检测：边缘检测是检测图像局部显著变化的最基本运算，梯度是函数变化的一种度量。
图像灰度值的显著变化可用梯度的离散逼近函数来检测，大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。
边缘检测可分为两大类基于查找一类和基于零穿越的一类。
基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。
基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。
1.2 拉普拉斯算子拉式算子是一个刻画图像灰度的二阶商算子，它是点、线、边界提取算子，亦称为边界提取算子。
通常图像和对他实施拉式算子后的结果组合后产生一个锐化图像。
拉式算子用来改善因扩散效应的模糊特别有效，因为它符合降制模型。
扩散效应是成像过程中经常发生的现象。
拉普拉斯算子也是最简单的各向同性微分算子，具有旋转不变性。
一个二维图像函数的拉普拉斯变换是各向同性的二阶导数，定义22222f ff x y∂∂∇=+∂∂ （1）为了更适合于数字图像处理，将拉式算子表示为离散形式：2[(1,)(1,)(,1)(,1)]4(,)f f x y f x y f x y f x y f x y ∇=++-+++-- （2）另外，拉普拉斯算子还可以表示成模板的形式，如下图(1)所示，为离散拉普拉斯算子的模板，图(2)表示其扩展模板。
图(1) 图(2)从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。
因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。
一般增强技术对于陡峭的边缘和缓慢变化的边缘很难确定其边缘线的位置。
但此算子却可用二次微分正峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突出图像中的孤立点、孤立线或线端点为目的的场合。
同梯度算子一样，拉普拉斯算子也会增强图像中的噪声，有时用拉普拉斯算子进行边缘检测时，可将图像先进行平滑处理。
1.3 Robert 算子Robert 梯度相当于在图像上开一个 2×2 的窗口，用模板 T1 计算后取绝对值再加上模板 T2 计算后取绝对值。
将计算值作为中心像元（x ，y ）的梯度值。
这样就可以得到 Robert 算子对图像进行边缘检测的结果。
这种算法的意义在于用交叉的方法检测出像元与其在上下之间或左右之间或斜方向之间的差异。
Robert 算子是一种简单的利用局部差分算子寻找边缘的基于2×2的梯度算子。
这种算子提供了梯度幅度值最简单的逼近公式:[(,)][(,)(1,1)][(1,)(,1)]G f i j f i j f i j f i j f i j =-++++-+ (3)Robert 算子的卷积模板如图2所示。
Roberts 算子对具有陡峭的低噪声的图像效果较好。
图3 Robert 算子1.4 Sobel算子（加权平均差分法）Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。
Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，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单独使用Sobel算子做边缘检测，边缘定位精度不高，有时还可能对非边缘像素的响应大于某些边缘处的响应或者响应差别不是很大，造成漏检或误检，但是它对噪声具有较好的鲁棒性。
二、程序代码2.1拉普拉斯算子程序代码（1）img=imread('F:\照片\古楼.JPG');subplot(1,2,1);imshow(I);title('原始图像');I = rgb2gray(I);I=double(I);H=[0.0 -1.0 0.0-1.0 5.0 -1.00.0 -1.0 0.0];H=double(H);J=conv2(I,H,'same');subplot(1,2,2);imshow(J,[]);title('拉普拉斯算子增强图像');（2）img=imread('F:\照片\古楼.JPG');[H,W]=size(I);M=double(I);J=M;for i=2:H-1for j=2:W-1J(i,j)=4*M(i,j)-[M(i+1,j)+M(i-1,j)+M(i,j+1)+M(i,j-1)];end;end;subplot(1,2,1);imshow(I);title('原图');subplot(1,2,2);imshow(uint8(J));title('锐化处理后的图');2.2Robert算子程序代码img=imread('F:\照片\古楼.JPG');figure;subplot(1,2,1);imshow(img);title('原始图像');s=ones(1);s=0;n=3;[R,C]=size(img);musk=ones(n,n);m=fix(n/2);img2=zeros(R+n-1,C+n-1);img3=zeros(R+n-1,C+n-1);for i = 1:Rfor j=1:Cimg2(i+m,j+m)=img(i,j);endendfor i=m+1:R+mfor j=m+1:C+mmusk(1:n,1:n)=img2(i-m:(i-m)+(n-1),j-m:(j-m)+(n-1));gx=abs(musk(3,3)-musk(2,2));gy=abs(musk(3,2)-musk(2,3));img3(i,j)=gx+gy;s=0;endendfor i=m+1:R+mfor j=m+1:C+mimg(i-m,j-m)=img3(i,j);endendsubplot(1,2,2);imshow(mat2gray(double(img)));title('Robert处理后图像');2.3 Sobel算子程序代码img=imread('F:\照片\古楼.JPG');[H,W]=size(I);M=double(I);J=M;for i=2:H-1for j=2:W-1J(i,j)=abs(M(i-1,j+1)-M(i-1,j-1)+2*M(i,j+1)-2*M(i,j-1)+M(i+1,j+1)-M(i+1,j-1))+abs(M(i-1,j-1)-M(i+1,j-1)+2*M(i-1,j)-2*M(i+1,j)+M(i-1,j+1)-M(i+1,j+1));end;end;subplot(1,2,1);imshow(I);title('原图');subplot(1,2,2);imshow(uint8(J));title('Sobel 处理后');三、图片处理结果3.1 拉普拉斯算子处理：图4 拉普拉斯算子增强图像图5 拉普拉斯算子锐化处理后的图像3.2 Robert算子处理：图6 Robert算子处理后的图像3.3 Sobel算子处理：图7 Sobel算子处理后的图像四、性能比较与结论laplace算子：是与方向无光的各向同性边缘检测算子,若只关心边缘点的位置而不顾其周围的实际灰度差时,一般选择该算子进行检测.特点:各向同性,线性和位移是不变的,对线性和孤立点检测效果好,但边缘方向信息丢失,常产生双像素的边缘,对噪声有双倍的加强作用。
Robert算子：对图像分辨率的变化最不敏感，在高、中、低分辨率时，均能做到定位准确，边缘连续，轮廓细而清晰。
因为图像分辨率降低将使对应景物的图像灰度变化将变得更为陡峭，但边缘位置会有些变化。
该算子对对比度差的图像效果较差，但随着分辨率的降低边缘效果反而变得好一些。
Sobel算子：Sobel算子的特点是对图像分辨率的响应要比Robert算子敏感些，因为它的模板是3x3的，比Robert 算子的模板大。
用Sobel算子提取边缘，简单有效，被广泛应用。
但是，Sobel算子并没有将图像的主体与背景严格的区分开来，所以提取的图像轮廓有时并不令人满意。
本文首次对几种经典的边缘检测算子对图像在不同的分辨率条件下的性能进行了较为系统的对比研究，结论如下：（1）不同的边缘检测算子对同一景物在不同分辨率的图像其性能变化是由差异的。
总的来说，随着图像分辨率的降低，各种算子的性能都会受到削弱，但梯度算子中Robert 算子和Sobel算子的性能变化较小。
而laplace算子的性能变化最为明显。
（2）几种经典的边缘检测算子对同一景物在不同分辨率下的加噪图像其性能变化存在明显差异。