边缘检测可以得到图像物体的边缘信息,在机器视觉和模式识别等领域具有较为广阔的应用前景。传统的边缘检测过程需要先得到物体的图像,然后使用边缘检测算法再得到物体图像的边缘信息,而基于鬼成像的边缘检测可以直接获得未知物体图像的边缘信息。论文研究基于鬼成像的边缘检测的方法,主要研究成果如下:(1)本文提出一种任意大小的Sobel边缘检测算子,并把它应用于基于鬼成像的边缘检测方法中。其中任意大小的Sobel算子具有任意大小的模板(N*N),且模板系数仅取决于当前像素与邻域像素的距离。由于该模板可处理邻域内的像素较多,从而可获得更加精确的边缘信息。同时提出的“计算散斑”是不同方向移动散斑和模板系数的加权和,可以有效地降低实验的采样次数。实验和仿真结果表明:基于任意大小的Sobel算子的鬼成像边缘检测方法可获得较为清晰的边缘图像,且边缘线条连续。与原Sobel算子的鬼成像边缘检测方法的结果相比,本方法在相同条件下的信噪比性能获得较大提升。在噪声较大的情况下,即使原Sobel算子已经无法得到物体的边缘,而任意大小的Sobel算子仍然可以得到较为清晰的边缘信息。同时由于使用的散斑不同于移动散斑,因此有效的降低了边缘检测过程中的采样次数。(2)本文提出将傅里叶变换用于基于鬼成像的边缘检测方法中,它可以在不得到物体图像的情况下直接得到物体图像的边缘信息且图像的边缘信息具有较高的质量。本方案分为方案I和方案II。在方案I中,首先设计特殊的正弦散斑和使用四步相移的方法获得未知物体图像关于x方向和y方向的边缘图像频谱中的每一个频率的系数,然后对边缘信息的频谱进行逆傅里叶变换从而得到物体图像的边缘信息。在方案II中,首先获得未知物体图像的频谱,然后通过对频谱进行经典的边缘检测操作从而获得未知物体的边缘。实验和仿真结果表明所提出的方案I边缘检测方法具有可行性,并且使用此方法获得的物体图像的边缘具有较高的质量,即使用方案I的得到的边缘图像质量优于使用方案II方法得到的边缘图像。和原始的边缘图像相比,方案I方法具有更好的SNR性能;同时与移动散斑鬼成像(Speckle-Shifting Ghost Imaging,SSGI)边缘检测方法相比,方案I方法的边缘检测结果的SNR也较高。