图像是人类相互交流和认识客观世界的主要媒体,是人们主要的信息源。科学研究表明,人们获取的信息大约有80%来自于视觉图像。图像边缘是图像的基本特征,包含了图像大量有意义的信息,是一种low-level(低层次)特征。图像边缘的实质是利用算法提取图像中有意义的图像分割块,是图像处理的前提或基础,在过去的几十年中一直是图像处理中研究的热点。图像边缘检测的好坏,直接影响后期图像处理的过程,因此准确地找到图像边界与内部轮廓在许多计算机任务(如图像分割、目标识别、场景理解等)中都具有深远的意义。由于视觉上比较突出的边界与各种不同的视觉现象相关,对于所有的图像找到一个通用的边缘检测器不太可能,因此图像边缘检测仍然是个富有挑战的难题。随着一些公开图像库使用的方便性,不同的方法被不断被提出,如局部特征、全局特征、稀疏编码等方法。使用局部特征的方法在图像轮廓细节上存在不足,而稀疏编码的方式提取图像边缘提高了检测边缘细节的能力,但是另一方面也使得检测到的非边界点增加。本课题中,我们提出了使用图像局部特征与稀疏编码相结合的方式训练模型,并增加图像像素的空间和曲率信息的约束,保证检测边缘的准确性和区域一致性,进而提高图像边缘检测的平均准确率。实验结果表明,通过多视图聚类算法得到的图像边缘,提高了边缘准确率且保证了边缘的平滑性。在公开的数据库上,和其它算法相比提出的算法达到了相当的。在本课题中我们也将提出的图像边缘检算法应用到不良图像的识别中,并在收集的相关数据集上进行的了大量的实验,结果表明提出的算法在不良图像的预处理方面,一定程度上能够有效地去除图像的背景,从而提高了不良图像的识别率,从而也间接地表明了算法的实用性。