由于医学图像会同时含有物体边缘、物体阴影与噪声, 针对于医学图像边缘检测中很难从噪音或者微小几何特征中区分出精确边缘的问题, 本文提出了一种基于超熵的检测嘈杂医学图像边缘的算法，引入超熵系数,通过适当确定超熵的参数值，不仅可以抑制噪声，还可以适应图像的不同边缘检测。通过试验，发现所提出的算法相对于其他方法性能具有明显的提高,运行时间缩短至80%。

 数字图像的边缘检测一直是图像处理领域最基本的研究内容之一。为了提高图像处理的速度，满足实时性要求，本文采用EAD技术，在FPGA上实现数字图像的边缘检测。本设计运用FPGA的流水线和并行技术，结合Verilog HDL语言，采用模块化的设计思想，优化结构，高速有效地实现了数字图像的边缘检测。实验证明边缘检测效果较好。

为提高边缘算子检测结果的清晰度，在扩充清晰边缘面积上，提出深度探测法以增强邻域边缘；在消除模糊纹理上，用跨越步长 Δｘ和 Δｙ作为模糊纹理和清晰边缘的分界，达到弱化模糊纹理的目的，凸显模糊区域局部对比度；在算法执行效率上，空间复杂度不高，但时间复杂度为 O(4n3)。经测试，该算法可实现扩充清晰边界、弱化模糊纹理以及凸显模糊纹理区域对比度的目标，在小于1600*1600分辨率图像上处理速度较佳，但在更高分辨率上计算较久。该方法凸显了边缘分界，可用在其它领域算法预处理阶段。

针对现阶段基于图像检测的板形识别在缺陷的检出率普遍较低以及检测速度慢等问题，文中提出了一种基于计算机图像处理的板形识别系统，其通过直方图均衡化与高帽变换对初始图像进行处理，并通过边缘检测算法提取轮廓，然后利用BP神经网络分类器进行缺陷识别与分类。其在实验及实际工业生产中，均具有较高的识别率，可达到约90%，且还具有较好的板形识别效果。

针对车牌检测中关键的3个环节分别进行了改进和优化。利用数学形态学结合Canny算子实现车牌定位。在传统扫描字符算法中加入边界限定，提高字符分割的准确度。在识别环节，采用计算效率较高的KNN算法进行字符的识别。最终，在OpenCV平台上实现车牌识别。

为了解决复杂光照环境下斑马线识别的困难，提高基于视觉的交通标志识别系统的识别效率，文中设计了一种不均匀光照下斑马线的识别与处理方法。首先将原图转化为灰度图，可以消除不同光照颜色的影响和减少数据量；然后对灰度图做直方图均衡化，可以消除不均匀光照的影响；再将其转化为二值图像，可以再次减少数据量并突出斑马线的特征。对二值图像做腐蚀处理可以消除噪声，然后再做膨胀处理，可以填补斑马线的空隙。使用Canny算子提取斑马线的边缘，然后将边缘图像转换到Hough域，即可获得图像中的直线信息。根据这些直线信息就可以计算出图像中是否有斑马线。实验结果表明，文中设计的方法对在不均匀光照条件下的斑马线的识别率达到96.25%，有较高的识别率和识别效率。

针对传统图像边缘检测算法存在的边缘方向性不强及边缘较粗等问题，提出了一种基于八方向卷积模板的边缘检测算法。算法采用0°、22.5°、 45°、67.5°、 90°、112.5°、135°和157.5°八个方向的卷积模板进行边缘检测，模板权值根据中心像素点到邻域像素的距离及方向夹角的大小进行设定，充分考虑到了邻域内像素对中心点方向梯度的贡献大小，能够较好地检测出图像不同的方向边缘。对梯度图像采用了改进的非极大值抑制方法进行细化，可得到单像素的图像边缘。实验结果表明，该算法获取的边缘图像边缘较为完整，方向性强且边缘较细，整体效果明显优于传统Sobel算法。

针对传统Sobel算子在图像边缘检测中存在的弱边缘提取较差及边缘较粗等不足，提出了一种局部梯度增强的检测算法。算法采用改进的Sobel算子卷积模板计算图像梯度；然后对梯度图像采用局部标准差方法增强局部弱边缘的梯度，最后对局部梯度增强的图像进行细化处理并提取图像边缘，得到边缘图像。实验结果表明，该算法获取的边缘图像边缘信息较丰富，连续性好，边缘较细，整体效果优于传统Sobel算法，具有较高的实用价值。

传统生产线多以人工方式对工业零件进行分类，检测速度和精度亟待提高，本文基于LabVIEW平台，建立了工业零件的分类识别系统，通过对图像进行采集和预处理，根据含目标的图像信息，采用canny边缘算子识别其中的图形轮廓并进行特征匹配，识别期望的目标是否存在，进而完成工业零件的分类与定位。实验证明，分类识别的平均耗时为 0.33 s，符合快速匹配的要求，能有效提高生产效率。

利用图像处理技术进行了水位试验台铟钢尺水位的自动读取研究，给出了处理的步骤和方法，包括图像分割，水位线定位，刻度线检测和水位计算。采用边缘检测、数学形态学处理和加权的图像投影方法对刻度线进行检测。同时用图像处理和激光水位计测量相结合实现水位计算。实验结果证实了所采用的方法确实可行，处理结果精度可达到0.5 mm。