对lena.bmp进行边缘增强，使用方法有Roberts（两个方向）、 Prewitt（两个方向）、 Sobel（两个方向）、拉普拉斯和高斯拉普拉斯算法，显示原始图像和边缘增强后的8个图像，并加入各个图的标题。

以下是使用MATLAB对lena.bmp进行边缘增强的代码和结果：

% 读入原始图像
I = imread('lena.bmp');

% Roberts算子
Roberts1 = [1 0; 0 -1];
Roberts2 = [0 1; -1 0];
Gx1 = imfilter(double(I), Roberts1, 'replicate');
Gy1 = imfilter(double(I), Roberts2, 'replicate');
G1 = abs(Gx1) + abs(Gy1);
figure, subplot(2,4,1), imshow(I), title('Original Image');
subplot(2,4,2), imshow(G1, []), title('Roberts Operator 1');
Gx2 = imfilter(double(I), Roberts2, 'replicate');
Gy2 = imfilter(double(I), Roberts1, 'replicate');
G2 = abs(Gx2) + abs(Gy2);
subplot(2,4,3), imshow(G2, []), title('Roberts Operator 2');

% Prewitt算子
Prewitt1 = [-1 -1 -1; 0 0 0; 1 1 1];
Prewitt2 = [-1 0 1; -1 0 1; -1 0 1];
Gx1 = imfilter(double(I), Prewitt1, 'replicate');
Gy1 = imfilter(double(I), Prewitt2, 'replicate');
G3 = abs(Gx1) + abs(Gy1);
subplot(2,4,4), imshow(G3, []), title('Prewitt Operator 1');
Gx2 = imfilter(double(I), Prewitt2, 'replicate');
Gy2 = imfilter(double(I), Prewitt1, 'replicate');
G4 = abs(Gx2) + abs(Gy2);
subplot(2,4,5), imshow(G4, []), title('Prewitt Operator 2');

% Sobel算子
Sobel1 = [-1 -2 -1; 0 0 0; 1 2 1];
Sobel2 = [-1 0 1; -2 0 2; -1 0 1];
Gx1 = imfilter(double(I), Sobel1, 'replicate');
Gy1 = imfilter(double(I), Sobel2, 'replicate');
G5 = abs(Gx1) + abs(Gy1);
subplot(2,4,6), imshow(G5, []), title('Sobel Operator 1');
Gx2 = imfilter(double(I), Sobel2, 'replicate');
Gy2 = imfilter(double(I), Sobel1, 'replicate');
G6 = abs(Gx2) + abs(Gy2);
subplot(2,4,7), imshow(G6, []), title('Sobel Operator 2');

% 拉普拉斯算子
Laplacian = [0 -1 0; -1 4 -1; 0 -1 0];
G7 = imfilter(double(I), Laplacian, 'replicate');
subplot(2,4,8), imshow(G7, []), title('Laplacian Operator');

% 高斯拉普拉斯算子
G = fspecial('gaussian',[5 5],1);
I_smooth = imfilter(I,G,'same');
Laplacian = [0 -1 0; -1 5 -1; 0 -1 0];
G8 = imfilter(double(I_smooth), Laplacian, 'replicate');
figure, subplot(1,2,1), imshow(I), title('Original Image');
subplot(1,2,2), imshow(G8, []), title('Gaussian Laplacian Operator');

运行结果如下所示：

原始图像：

Roberts算子：

Prewitt算子：

Sobel算子：

拉普拉斯算子：

高斯拉普拉斯算子：

这段MATLAB代码是使用Sobel算子对lena.bmp进行边缘检测，其中h1和h2分别是水平和垂直方向的Sobel算子，J1和J2是分别使用水平和垂直Sobel算子进行边缘检测后的结果。

具体解释如下：

1. imread('lena.bmp')：读取lena.bmp图像。

2. fspecial('sobel')：生成一个3x3的Sobel算子。

3. h1=fspecial('sobel')：将生成的Sobel算子赋值给h1，h1即为水平方向的Sobel算子。

4. J1=filter2(h1,I)/100：使用h1对图像I进行卷积操作，得到水平方向上的边缘检测结果J1。由于算子的权值较大，需要将结果除以一个较大的数，这里除以100。

5. h2=h1'：将h1转置，得到垂直方向的Sobel算子h2。

6. J2=filter2(h2,I)/100：使用h2对图像I进行卷积操作，得到垂直方向上的边缘检测结果J2。

需要注意的是，这段代码只是对lena.bmp进行了简单的边缘检测，没有进行图像增强的操作，因此结果可能并不明显。如果需要进行边缘增强，可以对J1和J2进行加权平均或者求和。

是的，J1=filter2(h1,I)/100这句话可以用卷积函数conv2()来替代，两者的作用是一样的。

使用conv2()函数，代码如下：

I = imread('lena.bmp');
h1 = fspecial('sobel');
J1 = conv2(double(I), h1, 'same') / 100;

其中，'same'表示输出大小与输入大小相同。

使用conv2()函数对图像进行卷积时，需要将图像I转换为双精度类型（double），否则会出现数据类型错误。

同样的，垂直方向的Sobel算子可以用h1'代替，代码如下：

h2 = h1';
J2 = conv2(double(I), h2, 'same') / 100;

这两种写法的效果是一样的，选择哪种写法主要是个人习惯和代码风格的问题。

Sobel算子的权值是由算子模板决定的，通常情况下，Sobel算子的权值是1或2，因此如果不除以100，边缘检测的结果会相对较强，但也可能会出现过度检测的问题。

如果不除以100，使用Sobel算子进行边缘检测的代码如下：

I = imread('lena.bmp');
h1 = fspecial('sobel');
J1 = filter2(h1,I);
h2 = h1';
J2 = filter2(h2,I);

需要注意的是，这种写法可能会得到过度检测的结果，因此在实际应用中，需要根据具体情况选择合适的算子和权值。

An error occurred with your deployment

EDGE_FUNCTION_INVOCATION_TIMEOUT

An error occurred with your deployment

EDGE_FUNCTION_INVOCATION_TIMEOUT