1、“.....与,在这个方形内求有限差分的均值，以便在图像中的同点计算和的偏导数梯度。幅值和方向角可用直角坐标到极坐标的坐标转化公式来计算。,,,反映了图像的边缘强度,反映了边缘的方向。使得,取得局部最大值的方向角,就反映了边缘的方向。非极大值抑制幅值图像阵列,的值越大，其对应的图像梯度值也越大，但这还不足以确定边缘，因为这里仅把图像快速变换的问题转化成求幅值矩阵,的局部最大值问题。为确定边缘，必须细化幅值图像中的屋脊带，即只保留幅值局部变化最大的点。这过程叫非极大值抑制它会生成细化的边缘。非极大值抑制通过抑制梯度线上所有非屋脊峰值的幅值来细化,中的梯度幅值屋脊。这算法首先将梯度角,的变化范围减小到圆周的四个扇区，也即方向角的规范化......”。

2、“.....对应着邻域内的四种可能组合，任何通过邻域中心的点必通过其中个扇区，梯度线可能方向的圆周分区用度来标记。该算法使用个邻域作用于幅值矩阵列,的所有点。在每点上，邻域的中心像素,与沿着梯度线的两个元素进行比较，其中梯度线是由邻域的点处的扇区值,给出的如果在邻域中心点处的幅值,不比沿线梯度线方向上的两个相邻点幅值大，则,赋值为零。这过程可以把,宽屋脊带细化成只有个像素点宽。在非极大值抑制过程中，保留了屋脊的高度值。设表示非极大抑制过程。,中的非零值对应着图像强度阶跃变化处的对比度。尽管在边缘检测的第步对图像进行了平滑，但非极大值抑制幅值图像,仍会包含许多由噪声和纹理引起的假边缘。实际中，假边缘的对比度般是很小的。双门限检测还提出种对噪声的估计的实用方法......”。

3、“.....那么阀值就可以通过滤波后的图像的统计累积直方图得到后面的改进算法中，将通过最大熵算法来获得算法的高门限阈值并据此求出低门限值。减少假边缘数量的典型方法是对,使用个阈值，将低于阈值的所有值赋零值。对非极大值抑制幅值进行阈值化的结果是个图像,的边缘阵列。阈值化后得到的边缘阵列仍然有假边缘存在，原因是阈值太低假正确以及阴影的存在，使得边缘对比度减弱，或阈值取得太高而导致部分轮廓丢失假。选择合适的阈值是困难的，需要经过反复试验。为了解决这个问题，提出了种双阀值方法。首先利用累计统计直方图得到个高阀值，然后再取个低阀值本文用实现时使。如果图像信号的响应大于高阀值，那么它定是边缘如果低于低阀值，那么它定不是边缘如果在低阀值和高阀值之间，我们就看它的个邻接像素有没有大于高阀值的边缘，如果有，那么它是边缘，否则它不是边缘......”。

4、“.....结果如图所示。图原始算法边缘检测尽管算法是个比较好的边缘检测算法，但依然有不足的地方。准则是个连续准则，也就是说在假设图像和滤波器都是个连续函数的情形下给出的。但实际上数字图像是离散的，滤波器也应该是离散。在实际中就需要把连续的滤波器离散化以选择合适的模板。这就涉及到该选择个多大宽度的模板的问题另外，对双阈值的选取如何实现自适应，以减少人工干预的过程等等。针对以上两个问题，考虑到西戈玛算法滤波能同时较好地滤除噪声并保持边缘，最大熵算法能根据输入图像自适应的选择阈值，故此下面将引入西戈玛滤波算法和基于灰度梯度直方图的最大熵算法，结合他们的优势，分别用它们来改进算法中的高斯滤波和双阈值的选取。第五章算子改进对传统算法局限性分析在上章中，通过对传统边缘检测方法的介绍发现，算法存在以下不足......”。

5、“.....图像的平滑程度可以用高斯函数的分布参数来控制的，但是值不是固定的，对于同副图像采用不同的值检测的效果也不样，因此传统的算子中值的确定是个值得研究的问题。算法中的双阈值方法传统算法的高低阈值修补不连续轮廓的思想，就是对整幅图像使用固定的高低阈值进行分割，会出现由于阈值的设定过高而损失重要的边缘信息也会由于阈值的设定较低而不能抑制噪声，因而无法顾及图像中的局部特征信息。方面无法消除局部噪声干扰，另方面会丢失灰度值变化缓慢的局部边缘，导致目标物体的轮廓边缘不连续，使检测效果受到影响。此外，因为传统算子高低阈值的参数不是由图像边缘的特征信息决定，而是需要人为设定，且不同的阈值对边缘检测的结果影响很大。在实际情况中，不同图像取得最佳边缘检测效果的阈值各不相同......”。

6、“.....不具有自适应能力，自动化程度低，还会检测出虚假边缘或丢失局部边缘。同时，些重要的边缘细节会由于干扰或对比度不足而变得模糊微弱，在实际图像中部分边缘细节可能具有与噪声类似，甚至更低的梯度幅值。此时，传统的算法使用双阈值法难以在抑制噪声的同时保护低强度边缘，这在定的程度上影响了边缘检测的效果。因此有必要对传统的算法进行改进，从而可以获得较好的图像边缘检测效果。针对原始算子的缺陷问题，本文提出了如下的改进采用西戈进行细节处理，去掉其他无用的边缘信息，保留有利的边缘信息，并且实现在边缘检测的基础上进行图像特征的提取，为后续的图像分类识别做准备。结论毫无疑问，在信息高度发达的现代社会中，随着信息技术渗透到生产和生活的各个领域。其中的图像处理技术的应用也相当广泛，而图像的边缘检测和提取正是图像识别机器视觉等应用的基础和前提......”。

7、“.....然后具体介绍了基于边界的图像分割，接着对经典的边缘检测算法进行了回顾，对传统的算法作了详细分析，最后，结合西戈玛滤波算法及最大熵算法对传统的算法进行了改进，并用实验平台编程实现，取得比传统算法更好的边缘检测效果。尽管论文已按预定计划完成，但仍存在尚需进步改进或完善的地方，譬如对使用西戈玛滤波算法对图像进行滤波时，如何更好地抑制噪声及无用背景对高低门限的获取能否通过进步提高基于最大熵算法的多阈值求解算法的运算速度来替换传统的最大熵算法，或者提高已有的但效率不是很高的基于最大熵算法的改进算法能否通过多尺度来进步改善检测结果等，这些都是今后需进步改进或完善的地方，尤其在实时图像处理这类对实时性要求比较高的图像处理领域里，算法的执行速度显得异常重要。当然，随着硬件技术的迅速发展，计算机运算速度的飞速提升......”。

8、“.....可以在执行速度处理结果的质量和硬件价格等来综合衡量该如何来选择。致谢转眼大学即将过去，大学四年的学习生活是我人生中重要的历程，我学到了很多知识，同样也意识到了自己的不足。我感谢学校给我提供了众多平台，感谢学校对我无私的培养。本文是在戴声奎老师的精心指导下完成的。论文的成稿凝聚着导师的关怀和心血。导师的谆谆教导渊博的知识严谨的治学态度不仅使本人获得并掌握了丰富的专业知识。更在治学态度上受益匪浅，将对本人今后的工作和学习起到良好的促进作用。在此，向戴声奎老师表示深深的谢意。在大学的学习生涯中，我有幸成为充满学术气氛和友爱互助氛围的集体中的员，从学校各位老师和同学们活跃的思想中，从与他们的讨论与交流中，从他们真诚的关心与无私帮助中所汲取的教益与结下的友谊，远不是本文所能包容的。在此并表示感谢。最后......”。

9、“.....参考文献数字图像处理教程朱秀昌，刘峰，胡栋编著北京清华大学出版社，图像分割章毓晋著北京科学出版社，数字图像处理概论胡小平著重庆重庆大学出版社，数字图像处理陈天华编著北京清华大学出版社，数字图像处理冈萨雷斯著北京电子工业出版社，数字图像处理基础朱虹等编著北京科学出版社，图像边缘检测与应用硕士学位论文戴燕编著西安科技大学种自适应阈值的边缘检测算法唐路路，张启灿，胡松光电工程第卷第期，，,数字图像处理与分析杨帆等编著北京北京航空航天大学出版社，程序设计与综合应用张德丰，丁伟雄，雷晓平编著北京清华大学出版社，语言实用教程马莉标注北京清华大学出版社，玛滤波方法来加强原始算子的高斯滤波，克服了高斯函数需要人为设定的缺点。算子的高阈值和低阈值通过最大熵来确定，在第步滤波过程中虽然去除了大部分的噪声，但是在局部区域可能存在暗纹区域或者噪点......”。