边缘是图像的最基本特征,它包含了用于识别图像的有用信息,并为人们描述或识别目标以及解释图像提供了一个重要的特征参数。边缘检测是图像处理、图像分析和计算机视觉领域中经典的研究内容之一,是进行模式识别和图像信息提取的基本手段。图像边缘检测有着很长的研究历史,一直是研究的热点和焦点问题。实际处理的图像一般都混有噪声,如何消除噪声干扰带来的伪边缘并且同时保证边缘定位的准确性成为边缘检测需要解决的一个重要问题。本文首先讨论了图像边缘的模型分类,边缘检测中的两个难点问题,以及实现边缘检测的具体步骤,然后针对目前广泛使用的边缘检测方法如Sobel、Roberts和Canny等算法进行重点研究,并对这些算法在有噪声和无噪声情况下进行仿真实验,比较分析各个算法检测结果。这些算法的核心思想是假设边缘点对应于原始图像灰度级梯度的局部极值点。但是,当图像含有噪声时,这些算法对噪声非常敏感,常常会把噪声当作边缘点检测出来,而真正的边缘由于噪声的干扰也可能被漏检。其次在研究前述算法的基础上提出了一种基于传统Prewitt边缘检测算法改进的边缘检测算法,此算法的核心思想是将传统Prewitt算子的2个方向模板,扩展到8个方向,并利用图像梯度模,边缘点的相关性和约束性,对图像的边缘进行边缘跟踪,逐步的排除虚假边缘,准确定位图像边缘排除噪声干扰。然后介绍了,一般的利用小波变换进行边缘检测的方法。小波变换由于其自身的优良特性而在图像处理中得到了越来越多的应用。在小波变换边缘检测中重点研究了边缘检测的原理和具体实现步骤,并用小波算法对图像做了仿真实验。