物体边缘通常存在于目标与背景、目标与目标、区域与区域之间。它能够勾画出物体的几何轮廓特征,能够传递多种信息,能够描述物体景象的重要特征,为人们描述或识别目标、解释图像提供有价值的、重要的特征参数。这些信息对人们进行高层次的处理(如图像滤波、特征描述、模式识别等)有着重要的影响。因此,图像边缘检测在图像处理中显得尤为重要和关键。自从1965年,人们提出图像边缘检测的概念至今,世界上有很多学者为图像边缘检测这个领域做了不少贡献。经典的边缘检测算法一般情况是基于图像像素的导数关系来进行边缘检测的,常见的经典边缘检测算法有Roberts算子、Prewitt算子、Laplacian算子、Sobel算子、Canny算子等,这些都是基于图像像素的一阶或二阶导数来检测边缘。一般情况下,在数字图像处理中,这些算法是基于方形模板。但这些边缘检测算子都是在一个尺度下对图像进行边缘检测,图像局部变化则不能很好的检测出来。小波分析的多分辨分析特性为边缘检测提供了一种新的方法,用小波变换对信号进行多分辨分析非常适合于提取信号的局部特征,在提取图像边缘的同时还可以有效地抑制噪声。因而,小波函数具有较强的去除噪声的能力,同时又具有完备边缘检测能力的多尺度边缘检测方法。目前,多尺度边缘检测在图像处理领域是一个比较新颖的课目,吸引着众多学者为之努力。多尺度边缘检测算法能够在不同尺度因子下对图像边缘检测,对各个尺度下的边缘检测结果进行一系列处理,根据不同的需要,综合各尺度因子的处理结果。通过把各个尺度因子下的信息融合之后,人们能够得到更加地符合要求的图像处理结果。本文以基于小波变换多尺度边缘检测分析为主轴,简要介绍小波变换和图像处理的基础理论;简要介绍小波变换单尺度边缘检测;接着介绍文章的重要内容:小波变换多尺度边缘检测算法。本文利用二维图像小波分解的多层细节来创造性地构造三种边缘检测方法:第一种方法是基于小波分解细节多尺度边缘检测;第二种方法是基于小波分解细节多尺度模极大值边缘检测;第三种方法是基于小波分解细节模极大值及数据融合多尺度边缘检测。这三种方法是一种逐渐逼近的关系,第二种方法是在第一种方法的基础上推导出来,第三种方法是在第二种方法的基础上推导出来,这样在思维上产生了一种连环套的作用。而且,本文将这三种算法的检测结果与经典的边缘检测算法Canny算法的检测结果进行了比较。通过本文分析结果,我们可以看出这三种方法的检测效果各有特色,并不是一种逐渐改善的关系,这三种方法对图像不同部分的检测效果不同,即对图像像素变化规律的反应不同。虽然,本文提出的小波变换多尺度边缘检测算法能够检测出更多的细节信息,但对一些强度变化比较平滑的部分则检测能力则表现得有点不足。