所谓图像边缘（Edlge）是指图像局部特性的不连续性，例如，灰度级的突变，颜色的突变，纹理结构的突变等。边缘广泛存在于目标与目标、物体与背景、区域与区域（含不同色彩）之间，它是图像分割所依赖的重要特征。本为主要讨论几种典型的图像灰度值突变的边缘检测方法，其原理也是用于其他特性突变的边缘检测。

在讨论边缘检测方法之前，首先介绍一些术语的定义。

（1）   边缘点：图像中灰度显著变化的点。

（2）   边缘段：边缘点坐标及方向的总和，边缘的方向可以是梯度角。

（3）   轮廓：边缘列表，或者是一条边缘列表的曲线模型。

（4）   边缘检测器：从图像抽取边缘（边缘点或边线段）集合的算法。

（5）   边缘连接：从无序边缘形成有序边缘表的过程。

（6）   边缘跟踪：一个用来确定轮廓图像（指滤波后的图像）的搜索过程。

在实际中边缘点和边缘段都称为边缘。

图像边缘检测和分析可定义为应用一系列方法获取、校正、增强、变换、检测或压缩可视图像的技术。其目的是提高信息的相对质量，以便提取有用信息。图像边缘检测中的变换属于图像输入-图像输出模式，图像边缘检测是一种超越具体应用的过程，任何为解决某一特殊问题而开发的图像边缘检测新技术或新方法，几乎肯定都能找到其他完全不同的应用领域。

图像边缘检测的主要研究内容包括：

（1）  图像获得和抽样，其中通过人眼观察的视野获取图像的问题有：最常用的图像获取装置——电视（TV）摄像机问题，对所获得信号进行独立的采样和数字化就可用数字形式表达景物中全部彩色内容；电荷-耦合装置，用作图像传感器，对景物每次扫描一行，或通过平行扫描获得图像；选择正确的分辨力或采样密度，一幅图像实质上是二维空间中的信号，所以适用于信号处理的法则同样适用于图像边缘检测，在放射学中常常需要高分辨力，要求图像至少达到2048像素×2048像素；灰度量化，图像强度也必须进行数字化，通常以256级（按1字节编码）覆盖整个灰度，一般一幅灰度分辨力为8位，空间分辨力为512像素×512像素的图像需0.25兆字节的存贮容量。

（2）  图像分割，目的是把一个图像分解成它的构成成分，以便对每一目标进行测量。图像分割是一个十分困难的过程。但其测量结果的质量却极大地依赖于图像分割的质量。有两类不同的图像分割方法。一种方法是假设图像各成分的强度值是均匀的并利用这种均匀性；另一种方法寻找图像成分之间的边界，因而是利用图像的不均匀性。主要有直方图分割，区域生长，梯度法等。

（3）  边界查索，用于检测图像中线状局部结构，通常是作为图像分割的一个预处理步骤。大多数图像边缘检测技术应用某种形式的梯度算子，可应用对水平方向、垂直方向或对角线方向的梯度敏感的梯度算子，用它们的复合结果可检测任意方向的边界。

（4）  图像增强和复原，用于改进图像的质量。不同的增强技术可以用于不同的目的，这取决于应用的类型。如果打算直接观察图像，可以增强对比度。如果是为了进一步对图像作数字处理，可以选择分割（一种突出各图像成分之间的边界和线状结构的运算）。该技术可以是整体的或局部的，也可以在某个频域或者空间域中进行。图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。

（5）  图像分类（识别）， 图像分类（识别）属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。图像分类常采用经典的模式识别方法，有统计模式分类和句法（结构）模式分类，近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。

（6）  图像变换： 由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性，它在图像边缘检测中也有着广泛而有效的应用。

图像是人类获取和交换信息的主要来源，因此，图像边缘处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像边缘检测与提取处理的应用领域也将随之不断扩大。数字图像边缘检测(Digital Image Processing)又称为计算机图像边缘检测，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像边缘检测最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像边缘检测中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像边缘检测处理方法有图像增强、锐化、复原、编码、压缩、提取等。数字图像边缘检测与提取处理的主要应用领域有：

（1）航天和航空技术方面的应用，数字图像边缘检测技术在航天和航空技术方面的应用，除了月球、火星照片的处理之外，另一方面的应用是在飞机遥感和卫星遥感技术中。从60年代末以来，美国及一些国际组织发射了资源遥感卫星(如LANDSAT系列)和天空实验室(如SKYLAB),由于成像条件受飞行器位置、姿态、环境条件等影响，图像质量总不是很高。现在改用配备有高级计算机的图像边缘检测系统来判读分析首先提取出其图像边缘，既节省人力，又加快了速度，还可以从照片中提取人工所不能发现的大量有用情报。

（2） 生物医学工程方面的应用，数字图像边缘检测在生物医学工程方面的应用十分广泛，而且很有成效。除了CT技术之外，还有一类是对阵用微小图像的处理分析，如红细胞、白细胞分类检测，染色体边缘分析，癌细胞特征识别等都要用到边缘的判别。此外，在X光肺部图像增强、超声波图像边缘检测、心电图分析、立体定向放射治疗等医学诊断方面都广泛地应用图像边缘分析处理技术。

（3）公安军事方面的应用，公安业务图片的判读分析，指纹识别，人脸鉴别，不完整图片的复原，以及交通监控、事故分析等。目前己投入运行的高速公路不停车自动收费系统中的车辆和车牌的自动识别（主要是汽车牌照的边缘检测与提取技术）都是图像边缘检测技术成功应用的例子。在军事方面图像边缘检测和识别主要用于×××的精确制导，各种侦察照片的判读，对不明来袭武器性质的识别，具有图像传输、存储和显示的军事自动化指挥系统，飞机、坦克和军舰模拟训练系统等;

（4）交通管理系统的应用，随着我国经济建设的蓬勃发展，城市的人口和机动车拥有量也在急剧增长，交通拥挤堵塞现象日趋严重,交通事故时有发生。交通问题已经成为城市管理工作中的重大社会问题，阻碍和制约着城市经济建设的发展。因此要解决城市交通问题，就必须准确掌握交通信息。目前国内常见的交通流检测方法有人工监测、地埋感应线圈、超声波探测器、视频监测4类。其中，视频监测方法比其他方法更具优越性。

视频交通流检测及车辆识别系统是一种利用图像边缘检测技术来实现对交通目标检测和识别的计算机处理系统。通过对道路交通状况信息与交通目标的各种行为（如违章超速，停车，超车等等）的实时检测，实现自动统计交通路段上行驶的机动车的数量、计算行驶车辆的速度以及识别划分行驶车辆的类别等各种有关交通参数，达到监测道路交通状况信息的作用。

图像边缘检测应用在视频交通流检测和车辆识别系统概述：

1.视频交通流量检测及车辆识别系统是一个集图像边缘检测系统和信息管理系统为一体的综合系统。计算机图像边缘检测主要由图像输入,图像存储和刷新显示,图像输出和计算机接口等几大部分组成,这些部分的总体构成方案及各部分的性能优劣直接影响处理系统的质量。图像边缘检测的目标是代替人去处理和理解图像,因此实时性,灵活性,精确性是对系统的主要要求。

2.通过摄像机将道路交通流图像捕捉下来，再将这些捕捉到的序列图像送入计算机进行图像边缘检测、图像分析和图像理解，从而得到交通流数据和交通状况等交通信息，这是系统的基本工作流程:

边缘是图像最基本的特征，所谓边缘就是指周围灰度强度有反差变化的那些像素的集合，是图像分割所依赖的重要基础，也是纹理分析和图像识别的重要基础。理想的边缘检测应当正确解决边缘的有无、真假、和定向定位，长期以来，人们一直关心这一问题的研究，除了常用的局部算子及以后在此基础上发展起来的种种改进方法外，又提出了许多新的技术。

要做好边缘检测初步准备条件如下：

第一，清楚待检测的图像特性变化的形式，从而使用适应这种变化的检测方法。

第二，要知道特性变化总是发生在一定的空间范围内，不能期望用一种检测算子就能最佳检测出发生在图像上的所有特性变化。当需要提取多空间范围内的变化特性时，要考虑多算子的综合应用。

第三，要考虑噪声的影响，其中一个办法就是滤除噪声，这有一定的局限性;再就是考虑信号加噪声的条件检测，利用统计信号分析，或通过对图像区域的建模，而进一步使检测参数化。

第四，可以考虑各种方法的组合，如先找出边缘，然后在其局部利用函数近似，通过内插等获得高精度定位。

第五，在正确检测边缘的基础上，要考虑精确定位的问题。经典的边缘检测方法得到的往往是断续的、不完整的结构信息，噪声也较为敏感，为了有效抑制噪声，一般都首先对原图像进行平滑，再进行边缘检测就能成功地检测到真正的边缘。

从人的直观感受来说，边缘对应于物体的几何边界。图像上灰度变化剧烈的区域比较符合这个要求，我们一般会以这个特征来提取图像的边缘。但在遇到包含纹理的图像上，这有点问题，比如说，图像中的人穿了黑白格子的衣服，我们往往不希望提取出来的边缘包括衣服上的方格。这就又涉及到纹理图像的处理等方法。但一般认为边缘提取是要保留图像的灰度变化剧烈的区域，这从数学上，最直观的方法就是微分(对于数字图像来说就是差分)，在信号处理的角度来看，也可以说是用高通滤波器，即保留高频信号。用于图像识别的边缘提取往往需要输出的边缘是二值图像，即只有黑白两个灰度的图像，其中一个灰度代表边缘，另一个代表背景。此外，还需要把边缘细化成只有一个像素的宽度。

图像边缘检测的基本步骤：

（1）滤波。边缘检测主要基于导数计算，但受噪声影响。但滤波器在降低噪声的同时也导致边缘强度的损失。

（2）增强。增强算法将邻域中灰度有显著变化的点突出显示。一般通过计算梯度幅值完成。

（3）检测。但在有些图像中梯度幅值较大的并不是边缘点。最简单的边缘检测是梯度幅值阈值判定。

（4）定位。精确确定边缘的位置。


特征提取作为图像边缘检测的一个重要内容，发展了众多的方法。这些方法经过实践的检验，成为了经典的内容。经典的边缘检测算子包括:Roberts算子，Prewitt算子，Sobel算子，Log (Laplacian of Gaussian)算子等。这些经典的边缘提取算子在使用时都是使用预定义好的边缘模型去匹配。