如：先获取r颜色的二维矩阵：j=i(:,:,1); 再运行：imhist(j); 4. 获取像素点信息
pixval,在使用image或imshow显示图像后，在执行pixval指令，便可以读取光标所指向的像素点的坐标和灰度值；如果按住鼠标，在图像中拖曳，便可以显示光标所移动的距离。
再次运行pixval则是关闭获取像素点信息。 5. 求矩阵的规模
D=size(i),函数size用来求矩阵的规模。如果I是n×m的矩阵，则D是包含两个元素的向量：D=[n, m ]；同样道理，如果I是n×m×3的矩阵，则D=[n,m,3]。如果我们事先知道矩阵的维数，也可以直接用这样的方法求得矩阵的规模:[n,m]=size(i)或[n, m, k]=size(i)等。 6. 数据类型转换
i=uint8(X),这个函数实现将矩阵X中的所有元素转换为无符号8位整形数据，把转换的结果保存在矩阵I中。这个函数对所有类型的数据都适用，转换后数值都落在0到255之间。
i=double(X),这个函数与uint8（）相似，实现的功能是将矩阵X中的所有元素转换为double类型（16位双精度类型）。 五、 实验过程
根据分析，图像中位于轮廓线上的点，它与其相邻的点的灰度值差有一定的跳跃，故通过值的对比，就可以将那些边缘点提取出来。
考虑到图像边框上的像素点对于轮廓线获取的结果影响不大，且为了代码的简单实用，首先去掉图像的边框上的所有像素点，即：去掉灰度值矩阵的第一行、第一列、最后一行和最后一列。这样做的好处是显而易见的，因为可以保证每一个待比较的点其周围都有8个供比较的点，如图示：
在算法中，将中心被检测点依次与其上下、左右、左上、右下，和右上、左下8个点做比较，若差值大于规定值，则该检测点就是轮廓线上的点，反之不是。算法关键的地方是对IMREAD生成的矩阵进行了非线性变换。
算法流程如下：
首先，将这个矩阵从8位无符号型变成双精度的数值存储；
然后才能进行下一步的将其每个值都除以255，这样就把每个数值都调整为0～1之间的小数；
再用正弦sin函数将这些值做变换，并取求得的结果放大40倍。这样一来，本来是在0～255之间的正整数，就被变换到0～1之间的小数，然后再离散成0～40之间的双精度数值。其目的是为了在进行比较灰度值的时候，方便自定义各种差值。
最后，用户给定一个差值，根据这个值来比较检测点与其周围8个点的灰度值，若大于给定差值，则认为检测点位于轮廓线上，否则，不在轮廓线上。
灰度图的源代码（.m文件）如下：
function graydrawout(pix,n) %灰度图的轮廓线提取 A=imread(pix); %读取指定的灰度图
[a,b]=size(A); %a,b分别等于矩阵A的行数和列数
B=double(A); %将矩阵A变为双精度矩阵 D=40*sin(1/255*B); %将矩阵B进行线性变换 T=A; %新建与A同等大小矩阵 for p=2:a-1 %处理图片边框内的像素点 for q=2:b-1
if (D(p,q)-D(p,q+1))>n|(D(p,q)-D(p,q-1))>n| (D(p,q)-D(p+1,q))>n|(D(p,q)-D(p-1,q))>n| (D(p,q)-D(p-1,q+1))>n|(D(p,q)-D(p+1,q-1))>n| (D(p,q)-D(p-1,q-1))>n|(D(p,q)-D(p+1,q+1))>n
T(p,q)=0; %置边界点为黑色 else
T(p,q)=255; %置非边界点为白色 end; end; end;
subplot(2,1,1); %将窗口分割为两行一列，下图显示于第一行 image(A); %显示原图像 title('灰度图原图'); %图释
axis image; %保持图片显示比例 subplot(2,1,2); %下图显示于第二行
image(T); %显示提取轮廓线后的图片 title('提取轮廓线'); %图释
axis image; %保持图片显示比例 注释：pix－为要提取轮廓线的灰度图名（带路径），由单引号括住。
n－自定义的灰度值差值，超过该值就是轮廓线上的点，反之不然。 这是一个最重要的参数，通过调节它的值，修整轮廓线的效果，取范围在0～40之间的任何有理数。
A－MATLAB读取原图片后返回的数据矩阵，2维（M N ）
T－新建的与A矩阵同等行列数的矩阵，待放入比较后结果，代码的主体是if－else－end部分，其原理就是将中心点与其周围的8个点依次比较，发现有一个差值大于自定义的值时，就判断其为轮廓线上的点并将之置为黑色；若其与周围8个点的比较值都小于自定义值时，则其不在轮廓线上，置白色。灰度图提取轮廓线示例（n=20）：
3. 彩色图提取图像轮廓线
彩色图片经过IMREAD函数读取后，由于它的每一个像素点都是由红、绿、蓝三色的强度值一起定义其颜色的，所以，生成的是一个3维的（M N 3）矩阵。矩阵平面（：，：，1）代表对应像素点的红色强度值，矩阵平面（：，：，2）是绿色强度值，矩阵平面（：，：，3）则是蓝色强度值。在每一个矩阵平面中强度值的范围是[0,255]的正整数。位于轮廓线上的点，它的红、绿、蓝三色的强度值与其周围的点必然有一定的差值，也正式利用这些差值的比较，可以将那些位于边缘的点提取出来。
在算法上，彩色图与灰度图不同的是，彩图的每一个单色矩阵可以单独用来判定该点是否位于轮廓线上。其算法与灰度图的原理非常相似。
在彩色图的算法中，加入了对判定矩阵的选择，即提供使用者自由选择用图片的哪一个单色矩阵进行轮廓线提取。因为根据图片本身的特点，选择更适合于进行提取的矩阵，其效果是十分不同的，在下面的讨论中将会再次提到这个问题。
算法关键的地方同样是对IMREAD生成的矩阵进行了线性变换。首先，将这个矩阵从8位无符号型变成双精度的数值存储；然后才能进行下一步的将其每个值都除以255，这样就把每个数值都调整为0～1之间的小数；再用正弦sin函数将这些值做变换，并取求得的结果放大40倍。这样一来，本来是在0～255之间的正整数，就被变换到0～1之间的小数，然后再离散成0～40之间的双精度数值。其目的是为了在进行比较单色强度值的时候，方便自定义各种带小数的差值。彩色图轮廓线提取的源代码（.m文件）如下：
function colordrawout(pix,n) %彩色图片轮廓线提取函数
A=imread(pix); %读取指定彩色图片 B=A(:,:,1); %红色强度值矩阵 C=A(:,:,2); %绿色强度值矩阵 D=A(:,:,3); %蓝色强度值矩阵
for i=1:3 %依次从三个矩阵中提取轮廓线 if i==1 %从红色矩阵提取 E=B;
else if i==2 %从绿色矩阵提取 E=C;
else E=D; %从蓝色矩阵提取 end; end;
H=double(E); %将选择的矩阵变为双精度矩阵 F=40*sin(1/255*H); %进行非线性变换
[k,j]=size(B); % k,j分别为矩阵D的行数和列数 T=A;
for p=2:k-1 for q=2:j-1
if (F(p,q)-F(p,q+1))>n|(F(p,q)-F(p,q-1))>n| (F(p,q)-F(p+1,q))>n|(F(p,q)-F(p-1,q))>n| (F(p,q)-F(p-1,q+1))>n|(F(p,q)-F(p+1,q-1))>n| (F(p,q)-F(p-1,q-1))>n|(F(p,q)-F(p+1,q+1))>n
T(p,q,1)=0;T(p,q,2)=0;T(p,q,3)=0; %置边界点黑色 else
T(p,q,1)=255;T(p,q,2)=255;T(p,q,3)=255;%置非边界点白色 end; end; end;
subplot(2,2,i+1); %将窗口分割为两行两列，下图显示于第i＋1位置 image(T); %显示轮廓线 title(i); %图释
axis image; %保持图片显示比例 end;
subplot(2,2,1); %下图显示于第1位置 image(A); %显示原彩色图片 title('彩色图原图'); %图释
axis image; %保持图片显示比例
注释：pix－为要提取轮廓线的灰度图名（带路径），由单引号括住。
n－自定义的强度值值差值，超过该值就是轮廓线上的点，反之不然。 这是一个最重要的参数，通过调节它的值，修整轮廓线的效果 范围为0～40之间的任何有理数。
A－MATLAB读取原图片后返回的数据矩阵，3维（M N 3） T－新建的与A矩阵同等行列数的矩阵，待放入比较后结果。
代码中加入的部分是对单色强度值矩阵的选择。从比较中可以看出，选择彩色图片中最大程度的颜色矩阵，可以提高提取轮廓线的效果。譬如：图片以红色为主，就选择1－红色矩阵。
代码的主体同样是if－else－end部分。其原理仍是将中心点与其周围的8个点依次比较，发现有一个差值大于自定义的值时，就判断其为轮廓线上的点并将T矩阵中对应点置为黑色；若其与周围8个点的比较值都小于自定义值时，则其不在轮廓线上，T矩阵对应点置白色。
彩色图提取轮廓线示例：
注：n值为1.6时， 1）由红色矩阵提取的轮廓线；2）由绿色矩阵提取的轮廓线； 3）由蓝色矩阵提取的轮廓线。 六、 结论与应用
在前面的算法中，在逐行逐列扫描比较各个象素点是否属于轮廓线上的点的过程中，事先预设除去边框的所有点，这是为了得到比较精简实用的算法。否则，算法会相对复杂，首先需将图像的边框引入，在算法中便多了四条特殊的线和四个特殊点，就是上下左右的边线及图像的四个顶点。拿四个顶点而言，可供它们进行比较的参考点只有三个，而且对于每个点而言，三个参考点的位置都不相同，这样就造成了算法的累赘冗余。同理，边线也是，边线上的点只有五个参考点，也是各边方向不同，需要大量相似的代码。
实验证明，提取轮廓线时，加上边框与不加边框的区别非常不明显，故采用后者的精简算法。在灰度图和彩色图的算法中，对读取生成的图片数据矩阵进行了线性变换，为的是更好的调节自定义强度值的差值，从而得到令人满意的结果。选择三角函数sin，用其进行变换后，可以保证结果值都落到0～1之间，从而控制扩大后的数值都在0～40的范围。其实这个函数也可以使用其他离散函数，譬如log，它的离散作用更加明显，可以将值都变换到[0，＋?)区间上。)
由于噪声和模糊的存在，轮廓线可能会变宽或在某些点处发生间断。在算法中，发现图片出现断点，可以通过减小n值来提高轮廓线的精度从而减少断点。但是，轮廓线变粗的同时，弊处是也使原有的清晰的其他线条变得更加粗，甚至出现了模糊的散点。为此，只能寻找一个合适的n值，使断点不至于太多，轮廓线也不会太黑糊。
在MATLAB的图像处理中，导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值比较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界点集。
一阶导数与是最简单的导数算子，它们分别求出了灰度在x和y方向上的变