各个算子的推导

图像导数的定义

边缘处高频部分较多，因此变化率较大，因此边缘检测就是找到变化率较大的那部分。也就是一阶导数最大的部分或者二阶倒数为0的部分。二阶倒数比一阶倒数对噪声更敏感。
$$\begin{array}{rl}\frac{\partial f(x,y)}{\partial x}& =f(x+1,y)-f(x,y)\\ \frac{\partial f(x,y)}{\partial y}& =f(x,y+1)-f(x,y)\\ \frac{{\partial }^{2}f(x,y)}{{\partial }^{2}x}& =\\ & =f^{\prime }(x+1,y)-f^{\prime }(x,y)\\ & =f(x+2)-f(x+1)-f(x+1)+f(x)\\ & =f(x+2)-2(x+1)+f(x)\\ \frac{{\partial }^{2}f(x,y)}{{\partial }^{2}y}& =\\ & =f^{\prime }(x,y+1)-f^{\prime }(x,y)\\ & =f(y+2)-f(y+1)-f(y+1)+f(y)\\ & =f(y+2)-2(y+1)+f(y)\end{array}$$

Roberts算子

$$\begin{array}{rlrlr}{g}_x& =\frac{\partial f(x,y)}{\partial x}& =f(x+1,y)-f(x,y)& =\left(\begin{array}{cc}1& -1\end{array}\right)& 水平\\ g_y& =\frac{\partial f(x,y)}{\partial y}& =f(x,y+1)-f(x,y)& =\left(\begin{array}{c}1-1\end{array}\right)& 垂直\\ g_1& =\frac{\partial f(x,y)}{\partial y}& =f(x+1,y)-f(x,y+1)& =\left(\begin{array}{cc}0& 1\\ -1& 0\end{array}\right)& 对角线\\ g_2& =\frac{\partial f(x,y)}{\partial y}& =f(x+1,y+1)-f(x,y)& =\left(\begin{array}{cc}1& 0\\ 0& -1\end{array}\right)& 对角线\end{array}$$

prewitt

G x = f ( x + 1 , y − 1 ) − f ( x − 1 , y − 1 ) + f ( x + 1 , y ) − f ( x − 1 , y ) + f ( x + 1 , y − 1 ) − f ( x − 1 , y − 1 ) = ( − 1 − 1 − 1 0 0 0 1 1 1 ) 水 平 G y = f ( x − 1 , y + 1 ) − f ( x − 1 , y − 1 ) + f ( x , y + 1 ) − f ( x , y − 1 ) + f ( x + 1 , y + 1 ) − f ( x + 1 , y − 1 ) = ( − 1 0 1 − 1 0 1 − 1 0 1 ) 垂 直 G 1 = f ( x , y − 1 ) − f ( x − 1 , y ) + f ( x + 1 , y + 1 ) − f ( x − 1 , y + 1 ) + f ( x + 1 , y ) − f ( x , y + 1 ) = ( 0 1 1 − 1 0 1 − 1 − 1 0 ) 对 角 线 G 2 = f ( x + 1 , y ) − f ( x , y − 1 ) + f ( x + 1 , y + 1 ) − f ( x − 1 , y − 1 ) + f ( x , y + 1 ) − f ( x − 1 , y ) = ( − 1 − 1 0 − 1 0 1 0 1 1 ) 对 角 线 \begin{aligned} \\ G_x &= f(x+1,y-1) - f(x-1,y-1) + f(x+1,y) - f(x-1,y) + f(x+1,y-1) - f(x-1,y-1)\\ &= \begin{pmatrix} -1 & -1 & -1\\ 0 & 0 & 0 \\ 1 & 1 & 1 \\ \end{pmatrix} & 水平\\ G_y &= f(x-1,y+1) - f(x-1,y-1) + f(x,y+1) - f(x,y-1) + f(x+1,y+1) - f(x+1,y-1) \\&= \begin{pmatrix} -1 & 0 & 1\\ -1 & 0 & 1 \\ -1 & 0 & 1 \\ \end{pmatrix} & 垂直\\ G_1 &= f(x,y-1) - f(x-1,y) + f(x+1,y+1) - f(x-1,y+1) + f(x+1,y) - f(x,y+1) \\ &= \begin{pmatrix} 0 & 1 & 1\\ -1 & 0 & 1 \\ -1 & -1 & 0 \\ \end{pmatrix} & 对角线\\ G_2 &= f(x+1,y) - f(x,y-1) + f(x+1,y+1) - f(x-1,y-1) + f(x,y+1) - f(x-1,y) \\ &= \begin{pmatrix} -1 & -1 & 0\\ -1 & 0 & 1 \\ 0 & 1 & 1 \\ \end{pmatrix} & 对角线\\ \end{aligned} Gx​Gy​G1​G2​​=f(x+1,y−1)−f(x−1,y−1)+f(x+1,y)−f(x−1,y)+f(x+1,y−1)−f(x−1,y−1)=⎝⎛​−101​−101​−101​⎠⎞​=f(x−1,y+1)−f(x−1,y−1)+f(x,y+1)−f(x,y−1)+f(x+1,y+1)−f(x+1,y−1)=⎝⎛​−1−1−1​000​111​⎠⎞​=f(x,y−1)−f(x−1,y)+f(x+1,y+1)−f(x−1,y+1)+f(x+1,y)−f(x,y+1)=⎝⎛​0−1−1​10−1​110​⎠⎞​=f(x+1,y)−f(x,y−1)+f(x+1,y+1)−f(x−1,y−1)+f(x,y+1)−f(x−1,y)=⎝⎛​−1−10​−101​011​⎠⎞​​水平垂直对角线对角线​

Sobel

G x = f ( x + 1 , y − 1 ) − f ( x − 1 , y − 1 ) + 2 ( f ( x + 1 , y ) − f ( x − 1 , y ) ) + f ( x + 1 , y − 1 ) − f ( x − 1 , y − 1 ) = ( − 1 − 2 − 1 0 0 0 1 2 1 ) 水 平 G y = f ( x − 1 , y + 1 ) − f ( x − 1 , y − 1 ) + 2 ( f ( x , y + 1 ) − f ( x , y − 1 ) ) + f ( x + 1 , y + 1 ) − f ( x + 1 , y − 1 ) = ( − 1 0 1 − 2 0 2 − 1 0 1 ) 垂 直 \begin{aligned} \\ G_x &= f(x+1,y-1) - f(x-1,y-1) + 2(f(x+1,y) - f(x-1,y)) + f(x+1,y-1) - f(x-1,y-1) \\&= \begin{pmatrix} -1 & -2 & -1\\ 0 & 0 & 0 \\ 1 & 2 & 1 \\ \end{pmatrix} & 水平\\ G_y &= f(x-1,y+1) - f(x-1,y-1) + 2(f(x,y+1) - f(x,y-1)) + f(x+1,y+1) - f(x+1,y-1) \\&= \begin{pmatrix} -1 & 0 & 1\\ -2 & 0 & 2 \\ -1 & 0 & 1 \\ \end{pmatrix} & 垂直\\ \end{aligned} Gx​Gy​​=f(x+1,y−1)−f(x−1,y−1)+2(f(x+1,y)−f(x−1,y))+f(x+1,y−1)−f(x−1,y−1)=⎝⎛​−101​−202​−101​⎠⎞​=f(x−1,y+1)−f(x−1,y−1)+2(f(x,y+1)−f(x,y−1))+f(x+1,y+1)−f(x+1,y−1)=⎝⎛​−1−2−1​000​121​⎠⎞​​水平垂直​

Lapacian

是二阶的检测算法，二阶相对于一阶可以找出灰度突变的类型，在有些情况下，如灰度均匀变化的图像，只利用一阶找不到边界，此时二阶导数就能提供很有用的信息。
$$\begin{array}{rl}G& =\frac{{\partial }^{2}f(x,y)}{{\partial }^{2}x}+\frac{{\partial }^{2}f(x,y)}{{\partial }^{2}y}\\ & =f(x+2)-2(x+1)+f(x)+f(y+2)-2(y+1)+f(y)\\ & =\left(\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right)\\ & =\left(\begin{array}{ccc}1& 1& 1\\ 1& -8& 1\\ 1& 1& 1\end{array}\right)变形\end{array}$$
$$\begin{array}{rl}G& =\sqrt{G_x^2+G_t^2}\\ G& =|G_x|+|G_y|\\ G& =max(|G_x|,|G_y|)\\ \theta & =arctan(\frac{G_y}{G_x})梯度方向\end{array}$$

算子比较

算子	优缺点
Roberts	对具有陡峭的低噪声的图像处理效果较好，但是利用Roberts算子提取边缘的结果比较粗糙，不是很平滑，因此边缘定位精度不是很高
prewitt	对灰度渐变和噪声较多的图像处理较好，对噪声有一定的抑制，抑制的原理是通过像素平均，像素平均相当于对图像的低通滤波，所以定位不如Roberts。
soble	是对Prewitt的加权平方，认为不同距离的像素对当前像素的影响是不一样的，像素越近，影响越大。对灰度渐变和噪声较多的图像处理较好，对边缘定位比较准确。
Lapacian	具有同向性，对图像中的阶跃性边缘定位准确，对噪声敏感，一般进行检测是要先滤波，丢失一部分边缘方向信息，造成一些不连续的检测边缘

参考链接：https://blog.csdn.net/xiaojiegege123456/article/details/7714863
https://blog.csdn.net/tigerda/article/details/61192943