边缘检测是所有基于边界的图像分割方法的第一步。边缘往往携带着一幅图像的大部分信息，而边缘存在于图像的不规则结构和不平稳现象中，也即存在于信号的奇异点或突变处，这些点给出了图像轮廓的位置，这些轮廓则常常是在图像处理时所需要的非常重要的一些特征条件，这就需要对一幅图像检测和提取出它的边缘。本文主要以解决边缘检测实际应用中遇到的问题为主，包括模糊图像的边缘检测，噪声图像的边缘检测。并且以此为基础，结合遥感中的实际情况，对遥感图像的边缘检测进行研究。主要内容及创新点如下：　　 (1)提出了针对模糊图像的边缘检测算法　　 本文在分析传统边缘检测算法的基础上，指出了传统边缘检测算法在实际应用存在的问题。例如，由于光照分布不均匀，物体本身的反射率不一致等原因，使得有些图像存在大量的模糊边缘，一些比较重要明显的边缘灰度梯度变化较小，而一些不太重要的边缘灰度梯度变化却较大，甚至产生假边缘，这样使得简单的梯度运算很难有效检测出边缘。常用的处理方式是先对图像进行增强，再检测边缘。但是很多增强算法很难在两者之间，即在拉大边缘处的灰度对比度，同时缩小非边缘处的对比度之间找到平衡。本文针对这一点，提出了图像方差标准化和图像区域信息的引入两个方法，这两个方法都能有效的对图像进行增强，消除光照分布不均等的影响，使图像整体变得比较一致和协调，从而能够有效的将边缘检测出来。　　 (2)提出了新的算法，能够有效扩展边缘检测模板　　 通过对传统的边缘检测算法比如Sobel，Prewitt等算法的分析，提出了一个新的算法，新算法能够根据实际情况调整模板的大小，适用性更强。传统的边缘检测算法都是用模板(mask)运算代替差分运算达到边缘检测的目的。这些算法的模板大小固定，一般都是3×3大小，系数也是确定的，图像比较清晰时，检测效果还能达到要求，但是当图像变得比较复杂例如含有大量噪声的情况，检测效果就很难满足要求。这时，需要扩展模板，而传统的边缘检测算法并没有指出如何有效的扩展模板。针对这一点，本文提出了引力算法，该算法将模板的大小作为自身的参数，从而可以根据实际情况调整参数的大小。实验证明了新算法能够有效的检测噪声情况下图像的边缘。　　 (3)提出了针对噪声图像的边缘检测算法　　 通过建立新的边缘模型，构建了新的边缘检测算法，新算法设计灵活，易于实现，能够有效的检测噪声图像的边缘，根据新的边缘检测模型，能够推导出常用的边缘检测算法。对清晰图像，即使是最简单的梯度边缘检测算法，也能取得很好的效果。但是实际图像却要复杂的多。除了上面说的模糊图像外，一个最常见的情况是图像往往含有大量的噪声，这使得简单的梯度边缘检测算法往往失效。比如，Sobel算法在椒盐噪声的情况检测效果就很不理想。如何有效的提取噪声图像的边缘，近年来已有大量的研究。最常用的方法是先对图像进行平滑，在这个基础上再提取边缘。有些平滑算法，比如高斯低通滤波算法，能取得较好的效果。但是美中不足的是，很多平滑算法在去掉噪声的同时，也将边缘模糊掉了。这样，使得有些重要的边缘提取不出来。最近也有一些研究试着避开平滑的步骤，直接提取边缘。　　 本文将边缘看成两个区域之间的过渡线，并借此概念引进类别可分型判据的思想，构建了新的边缘检测算法。新算法不需要前期的平滑步骤，能够在去掉噪声的同时检测边缘，去除噪声的效果较好，定位精度较高。　　 (4)提出了针对多光谱遥感图像的边缘检测算法　　 利用特征空间的概念，通过构建特征矢量，提出了针对多光谱图像遥感图像的边缘检测算法。由于边缘的重要性，在遥感领域也得到了大量的应用。本文将第四章提出的算法扩展到多光谱领域，能够有效检测彩色图像及多光谱遥感图像。