图像边缘检测原理概述

边缘检测是图像处理与计算机视觉中的重要技术之一。其目的是检测识别出图像中亮度变化剧烈的像素点构成的集合。图像边缘的正确检测对于分析图像中的内容、实现图像中物体的分割、定位等具有重要的作用。边缘检测大大减少了源图像的数据量，剔除了与目标不相干的信息，保留了图像重要的结构属性。

图像的边缘指的是图像中像素灰度值突然发生变化的区域，如果将图像的每一行像素和每一列像素都描述成一个关于灰度值的函数，那么图像的边缘对应在灰度值函数中是函数值突然变大的区域。函数值的变化趋势可以用函数的导数描述。当函数值突然变大时，导数也必然会变大，而函数值变化较为平缓区域，导数值也比较小，因此可以通过寻找导数值较大的区域去寻找函数中突然变化的区域，进而确定图像中的边缘位置。

通常我们可以把边缘检测分为以下三个类型：

⑴一阶微分为基础的边缘检测，通过计算图像的梯度值来检测图像的边缘，如Sobel算子、Prewitt算子、Roberts算子及差分边缘检测。

⑵二阶微分为基础的边缘检测，通过寻求二阶导数中的过零点来检测边缘，如拉普拉斯算子、高普拉普拉斯算子、Canny算子边缘检测。

⑶混合一阶与二阶微分为基础的边缘检测，综合利用一阶微分与二阶微分特征，如Marr-Hildreth边缘检测算子。

推导出Canny算子的John Canny对评判边缘检测算法提出以下三个标准：

⑴低错误率。算法应标识出尽可能多的实际边缘，同时尽可能地减少噪声产生的误报，检测出的来的边缘信息的漏检率最小，误检率最小。简单地说就是“尽可能消除出现误报和漏报的可能性。”

⑵高定位性。标识出的边缘要与图像中的实际边缘尽可能接近，检测出的边缘要尽可能在实际边缘的中心，实际边缘与检测到的边缘位置之间的偏差最小。简单地说就是“检测到的边缘必须尽可能接近真实边缘。”

⑶最小响应。图像的边缘标记具有唯一性，将多个检测响应合并转换为单个边缘，去虚假响应，单个边缘产生多个响应的概率要低，并且虚假响应边缘应该得到最大抑制。简单地说就是“边缘检测器尽可能只为每个边缘点返回一个点”。

常用边缘检测方法和算子的特性如下：

差分边缘检测---差分边缘检测中差分的水平方向或垂直方向都比边缘方向正交。

Sobel算子--- 详情见链接 https://blog.csdn.net/wenhao_ir/article/details/51744840

Scharr算子---详情见链接 https://blog.csdn.net/wenhao_ir/article/details/51744840

Roberts算子---当图像边缘接近于正45°或负45°时，该算法处理效果更理想。其缺点是对边缘的定位不太准确，提取的边缘线条较粗。

Prewitt算子---Prewitt算子是一阶边缘检测微分算子，该算子对噪声有抑制作用。Prewitt边缘检测原理与Sobel算子相似，都是在图像空间利用两个方向模板与图像进行领域卷积来完成的，分别对水平与垂直方向边缘进行检测。Prewitt算子对边缘的定位精度还不如Roberts算子，实现方法与Sobel算子类似。

拉普拉斯算子---详情见链接 https://blog.csdn.net/wenhao_ir/article/details/51753841

Canny算子---详情见链接 https://blog.csdn.net/wenhao_ir/article/details/51757790

Marr-Hildreth边缘检测算子---Marr-Hildreth算子是由Marr和Hildreth提出的，用于解决边缘检测的核心问题，定位精度与抑制噪声。Marr-Hildreth算子以高斯函数为平滑算子，结合拉普拉斯算子提取二阶导数的零交叉理论进行边缘检测。Marr和Hildreth还从理论上证明了边缘检测中灰度变化与图像尺寸无关。