α-shapes的具體演算法流程如下：
①從點集ps中任意選擇一點p1開始，將與之距離小於2×α的點組成的新的點集ps2 如示意圖4.3左圖中的所有點，從ps2中任意選取一點p2 ，利用公式（4.1）和（4.2）求出過p1、p2 點的圓心p12。
②遍歷點集ps2，依次求出（p1、p2 除外）其它點到p12的距離d：
a．如果求出的所有d均大於半徑α，如示意圖4.3（a）中的上方兩圓，其內沒有其他點，則可以判斷出點p1和p2 是邊緣輪廓點，p1 p2 是邊界線段；
b．如果當求出的d中有小於半徑α的值時，如圖4.3（a）中的下方兩圓，在圓內有其他點，則可以判斷不是邊緣輪廓點，停止遍歷，轉到③。
③選擇ps2中的下乙個點按步驟①、②進行判斷，直到ps2中的全部點全部判斷結束。
④取ps 中下乙個點按步驟①、②、③進行判斷，直到ps中的全部點判斷結束。
當上述步驟運算結束後，離散點集ps的邊緣輪廓點就被檢測出來了，如圖4.3（b）可以看出用α-shapes方法不光可以檢測出凸多邊形的邊緣輪廓點，還可以檢測凹多邊形的邊緣輪廓點，對有空洞的建築物也可以進行邊緣輪廓點的檢測。
在我的程式中y表示橫座標，z表示縱座標。有興趣的專家可以稍作修改後參考看看。
% alpha shape演算法檢測邊緣點
data=load('matlab.mat');
% data=lasreadall(points);%點雲讀取
alpha=0.05;%輸入alpha值
y=(data.pp(1,:));
z=(data.pp(2,:));
s1=[y;z];%點集s1
n=length(y);
d=zeros(n);
ys=zeros(n);
zs=zeros(n);
for i=1:n
for j=1:n
p=s1(:,i)-s1(:,j);
d(i,j)=sqrt(p(1)^2+p(2)^2);
if d(i,j)<2*alpha
ys(i,j)=y(j);
zs(i,j)=z(j);
endend
endclear i j
a=cell(1,n);b=cell(1,n);e=;f=;
for i=1:n
a=(0);
b=(0);
e=ys(i,:);
f=zs(i,:);
e(e==0)=;
f(f==0)=;
a=a+e;
b=b+f;
endy=;z=;d=;y0=0;z0=0;
for i=1:n
y=a;
z=b;
s2=[y;z];
m1=length(y);
for j1=1:m1
if s2(:,j1)==[y(i);z(i)]
s2(:,j1)=;
clear y z
y=s2(1,:);
z=s2(2,:);
m2=length(y);
break;
endend
for j2=1:m2
ss=(y(i)-y(j2))^2+(z(i)-z(j2))^2;
h=sqrt(alpha*alpha/ss-0.25);
y0=y(i)+0.5*(y(j2)-y(i))+h*(z(j2)-z(i));
z0=z(i)+0.5*(z(j2)-z(i))+h*(y(i)-y(j2));
d=zeros(1,m2);
for k=1:m2
d(k)=sqrt((y(k)-y0)^2+(z(k)-z0)^2);
endif min(d)>=alpha
y(i)=smooth(y(i));
z(i)=smooth(z(i));
plot(y(i),z(i),'g','linewidth',3)
hold on
break;
% else plot(y(i),z(i),'b.')
endend
endaxis equal;
邊緣檢測演算法
邊緣是由灰階等高線定義的，穿過等高線時，灰階會迅速變化，沿著等高線走，灰階值的變化會更加輕柔，有可能是隨機變化的，因此邊緣具有乙個可以測量的方向。邊緣畫素和雜訊畫素相比周圍的畫素都有明顯的變化，而邊緣畫素互相連線，構成等高線，因此可以通過這一特性區分邊緣畫素和雜訊畫素。1 數位化 影象的取樣不可能使...
邊緣檢測常見演算法
索貝爾運算元 sobel operator 主要用作邊緣檢測，在技術上，它是一離散性差分運算元，用來運算影象亮度函式的灰度之近似值。在影象的任何一點使用此運算元，將會產生對應的灰度向量或是其法向量 sobel卷積因子為 該運算元包含兩組3x3的矩陣，分別為橫向及縱向，將之與影象作平面卷積，即可分別得...
Sobel邊緣檢測演算法
索貝爾運算元 sobel operator 主要用作邊緣檢測，在技術上，它是一離散性差分運算元，用來運算影象亮度函式的灰度之近似值。在影象的任何一點使用此運算元，將會產生對應的灰度向量或是其法向量 sobel 卷積因子為 該運算元包含兩組 3x3的矩陣，分別為橫向及縱向，將之與影象作平面卷積，即可分...