边缘检测是图像处理中的关键技术之一,在生物医学、医疗设施、工业检测、机器人视觉等领域都有着广泛的应用。提取精确且完整的边缘对整个图像处理的后续工作,都具有十分重要的意义。已有的边缘检测方法具有抗噪性差,定位不准确等缺点。针对这些问题,本文在基于梯度特征的点流(Point flow,PF)法的基础上提出了两种基于相位一致性特征的点流法:第一种方法使用单一尺度的相位一致性特征构建图像矢量场,提出了基于单一尺度的相位一致性的点流(Point flow method based on single phase congruency,PCPF)边缘检测方法;第二种方法使用多尺度融合的相位一致性特征来构建新的图像矢量场,提出了基于多尺度的相位一致性的点流(Point flow method based on muti-scale phase congruency,MPCPF)边缘检测方法。具体工作如下:1.在基于梯度的点流法的基础上,本文提出了基于单一尺度的相位一致性的点流法。由于图像梯度特征对噪声较敏感,而相位一致性特征具有丰富的图像信息,不受图像亮度和对比度的影响,并且具有一定的抗噪性。该方法中使用相位一致性代替原有的梯度特征来构建图像矢量场,然后选取若干质点在矢量场的作用下运动,运动停止之后还加入了边缘整合的步骤,从而去除小连通域和短线段,最后记录点的运动轨迹近似为图像边界图。与经典的Canny算子、基于机器学习的gPb＿ucm算子以及原始的基于梯度的点流法进行实验对比发现,该方法具有良好的抗噪性,且对低对比度图像的检测具有鲁棒性。2.由于相位一致性特征含有丰富的图像纹理信息,基于单一尺度的相位一致性的点流法对具有复杂纹理背景的图像检测效果不佳。而图像多尺度技术可以增强边缘同时抑制纹理信息,因此本文提出了另一种基于多尺度融合的相位一致性的点流法。首先利用图像金字塔技术对相位一致性进行多尺度分解,然后融合多尺度的相位一致性,使用融合的相位一致性来构建新的图像矢量场,在新的矢量场的作用下进行点流过程,最后记录点的运动轨迹近似为图像边界图。实验证明,该方法具有良好的抗噪性,并且对背景复杂的图像检测效果较好。