图像的边缘是指图像灰度值的不连续点或变化剧烈的点的集合，图像的边缘提取是模式识别中物体特征抽取的重要环节之一，基于梯度的传统边缘检测方法对图像的边缘检测研究已经取得了一些成果，但目前在实际检测中得到的边缘结果并不令人满意；并且随着计算机速度和存储的飞速发展，图像量化像素点宽度将越来越小，即使在边缘处，相邻像素灰度值的差异将越来越小，从而制约了建立在以梯度为原则的边缘检测算子的发展。橡胶圈边缘检测是要提取缺陷和背景的边界线。工业用橡胶圈在生产过程中不可避免地会出现各种各样的缺陷，例如切割不平、厚度不均、毛边和气泡等。本文以橡胶圈的气泡缺陷为例，提出了一种基于数字图像处理的混合边缘检测算法，并给出了分析过程与实验结果。
1 算法研究
目标图像一般都含有噪声，所以在边缘检测前必须进行图像预处理以消除噪声，然后再对其分别用Sobel算子和Canny算子进行边缘检测，最后把两者结果相加，即得到较好的检测效果。算法框图如图1所示。
1.1 图像预处理
橡胶圈图像在拍摄、存储、传送的过程中会受到噪声的污染，从而导致图像出现失真、模糊等退化现象。常用的滤波算法有均值滤波、维纳滤波、自适应中值滤波等。实验证明，自适应中值滤波能有效去除橡胶圈图像噪声，更为重要的是，在去除噪声的同时，自适应中值滤波还能保护图像细节。所以本文采用自适应中值滤波来进行图像预处理。实验效果如图2所示。
1.2 边缘检测
1.2.1 Sobel算子边缘检测
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显着变化通常反映了属性的重要事件和变化。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。
基于微分方法的边缘检测算子包括Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、LoG算子等，其中前三者是基于一阶导数的边缘检测算子，后两者是基于二阶导数的边缘检测算子。在算法实现过程中，通过模板与图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。一阶导数和二阶导数的不同在于，一阶导数认为最大值对应边缘位置，而二阶导数则以过零点对应边缘位置。
基于微分方法的边缘检测算子中，Roberts算子采用对角线方向
