作为最优边缘检测算子,Canny算子在线性滤波及选取阈值方面具有一定的局限性。在其基础上,采用尺度可变的自适应高斯滤波器进行滤波,通过计算滤波器各滤波窗口内像素点灰度值的均值,以及该均值与当前像素点灰度值的差值,确定滤波窗口的平滑度,并将其作为高斯函数尺度的大小,在滤除噪声的同时确保了边缘信号不被平滑掉;同时采用基于简单统计法及梯度阈值法的双阈值分割方法检测经过非极大值抑制的梯度幅值图像的边缘。实验结果表明,该方法能够有效滤除噪声,且假边缘及丢失边缘的数量都比Canny边缘检测的少。

现代成像制导中所使用的红外图像往往存在着噪声大、目标-背景间灰度差较小、边缘较模糊的特点.这些特点会增加边缘提取的难度,因此必须建立更有效的红外图像边缘提取算法以满足需要.针对这些问题,以噪声Gauss分布模型和噪声特征为基础,建立了新型统计学意义下的红外图像边缘检测法.通过对此方法的概率模型进行分析,可以证明在有较大噪声的情况下,只要边缘处的差分值大于一定的值,就能以较大的概率提取出图像边缘.通过在不同情况下与梯度法的抑噪能力进行对比和分析发现,统计边缘提取法的噪声抑制能力要高于梯度法.在与Sobel模板算子法的红外图像边缘检测结果进行仿真和对比后发现,统计法能对红外图像的目标边缘检测取得良好的结果,并且算法具有快速简单的优点.