👨‍🎓个人主页：研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🌈3 Matlab代码实现

🎉4 参考文献

---

💥1 概述

边缘是图像的最基本特征,图像的大部分信息都存在于图像的边缘中。因此如何获取图像的边缘,成为图像处理与分析技术中的研究热点。到目前为止,已有许多图像边缘检测的算法,但由于边缘检测的复杂性和固有问题,在抗噪和边缘定位上都没有很好的解决。因为图像边缘点和噪声在频域内多为高频信号,目前的算法大多不能解决从局部高频信号中区分噪声和边缘的问题,小波变换的“时频”多尺度分析技术,为图像边缘检测提供了新的技术途径。 小波分析是继Fourier分析之后的新的时频域分析工具。由于其良好的时频局部化特点和多尺度特性,能有效地检测和分析信号的奇异点,在检测边缘的同时能有效地抑制噪声,成为研究非平稳信号的有力工具,在信息处理领域中倍受重视,在图像处理技术中得到广泛应用。 

边缘像素本质上是指局部图像范围内灰度的急剧变化(称为奇异点)，因此图像边缘就是二维图像中奇异点的集合。物体形状、物体边界、位置遮挡、阴影轮廓和表面纹理等重要视觉信息在图像中均有边缘产生。图像边缘是图像中最基本的特征，是分析理解图像的基础。同时，边缘检测对于物体识别也是很重要的，首先，人眼通过追踪未知物体的轮廓(轮廓是由若干段边缘片断组成的)而扫视一个未知的物体，因此如果得到图像的边缘，能使图像分析大大简化。另外，很多图像并没有具体的物体，对于这些图像的理解取决于它们的纹理性质，而提取这些纹理性质与边缘检测有极其密切的关系。所以边缘检测使数字图像分析处理的前提，检测结果的优劣影响着下一步图像压缩、计算机视觉、模式识别的应用，所以对它的研究具有一定的现实意义和理论意义。

小波分析(Wavelet analysis)是近20年来发展起来的一门新兴数学分支，它是Fourier
分析划时代发展的结果。随着对小波理论的不断深入研究和广泛的实际应用，小波分析在
滤波、信号和图像处理5~7l等方面的优势已逐渐显露。由于小波变换具有良好的局部
特性和多尺度特性，可满足在多个尺度上提取边缘的需要，所以应用小波变换用于图像边
缘检测被认为是较为有效和有前途的方法。

📚2 运行结果

 

 

 

 

 

 

🌈3 Matlab代码实现

🎉4 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]王兰. 基于小波变换的图像边缘检测算法的研究[D].武汉科技大学,2009.