本发明具体涉及一种改进的sobel边缘检测算法。
背景技术：
边缘是图像基本特征之一，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。经典的边缘检测是基于检测算子的方法，通过考察待测点在某个邻域内的灰度变化，然后利用一阶或二阶方向导数变化规律，根据一定的判断标准检测出边缘。常见的边缘检测算子有roberts算子、sobel算子、prewitt算子、laplace算子、log算子、canny算子等。
经典sobel边缘检测算法先对图像进行加权平均，然后再做微分运算，对噪声具有一定的抑制能力，其对在水平和垂直方向的边缘检测性能优于其他方向的检测性能，而且定位精度也比较高，但是该算法也存在如下缺陷：
（1）仅采用水平和垂直方向上相邻像素之差进行梯度幅度计算，并未考虑其他方向上的相邻像素情况，易造成部分边缘信息丢失；
（2）算子的阈值参数需要人为设定，不具有自适应能力，阈值设置过高，会导致边缘间断，设置过低则容易产生伪边缘；
（3）算子先加权平均后差分，抑制噪声的能力不强，同时会丢失一些细节信息，使边缘有一定的模糊。
技术实现要素：
本发明要解决的技术问题是提供一种改进的sobel边缘检测算法。
一种改进的sobel边缘检测算法，包括以下步骤：
s1：设图像函数为
其中，
梯度幅值为：
向量的方向角为：
为了简化计算，幅值用以下三式来近似：
s2：目标像素点（x,y）的8邻域
45°方向算子135°方向算子
则图像函数
梯度幅值用向量
s3：阈值选择模型如下：
式中，a为低暗区截止灰度，取45-81之间的灰度值；b为高亮区起始灰度，取180-210之间的灰度值；i为背景亮度灰度值；
s4：如果合成梯度大于或等于阈值，即可确定目标像素点(x,y)是边缘点，即可得到边缘图像；
s5：对边缘图像进行腐蚀运算。
进一步的，阈值选择最优模型如下：
式中，i是待检像素点的
本发明的有益效果是：
本发明对经典sobel算法改进，增加了检测方向，根据待测像素背景灰度值和人眼视觉特性自适应地生成阈值，从而检测出与人的主观视觉更为一致的图像边缘，然后对边缘图像进行形态学处理，增强了算法的抗噪性。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
一种改进的sobel边缘检测算法，包括以下步骤：
s1：设图像函数为
其中，
梯度幅值为：
向量的方向角为：
为了简化计算，幅值用以下三式来近似：
s2：目标像素点（x,y）的8邻域
45°方向算子135°方向算子
则图像函数
梯度幅值用向量
s3：阈值选择模型如下：
式中，a为低暗区截止灰度，取45-81之间的灰度值；b为高亮区起始灰度，取180-210之间的灰度值；i为背景亮度灰度值；
s4：如果合成梯度大于或等于阈值，即可确定目标像素点(x,y)是边缘点，即可得到边缘图像；
s5：对边缘图像进行腐蚀运算。
阈值选择最优模型如下：
式中，i是待检像素点的