边缘检测

边缘检测（英语：Edge detection）是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征检测中的一个研究领域。

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。

边缘可能——也就是说边缘可能随着视角不同而变化，典型地反映在场景、物体的几何形状一个将另一个遮挡起来，也可能——这通常反映被观察物体的属性如表面纹理和表面形状。在二维乃至更高维空间中，需要考虑透视投影的影响。

一个典型的边界可能是（例如）一块红色和一块黄色之间的边界；与此相反的是边线可能是在另外一种不变的背景上的少数不同颜色的点。在边线的每一边都有一个边缘。在许多图像处理的应用中边缘都起着非常重要的作用。然而，在最近几年，不明显依赖于边缘检测作为预处理的计算机视觉处理方法研究获取了一些实质性（成功）的研究成果。

自然界图像的边缘并不总是理想的阶梯边缘。相反，它们通常受到一个或多个下面所列因素的影响：

尽管下面的模型不很完美，但是误差函数${\displaystyle \mathrm{erf}}$（） 表示点的亮度，′（） 表示点的一阶导数（亮度梯度），这样我们就会发现：

对于更高性能的图像处理来说，一阶导数能够通过带有掩码的原始数据（1维）卷积计算得到。

其它一些边缘检测操作是基于亮度的二阶导数。这实质上是亮度梯度的变化率。在理想的连续变化情况下，在二阶导数中检测过零点将得到梯度中的局部最大值。另一方面，二阶导数中的峰值检测是边线检测，只要图像操作使用一个合适的尺度表示。如上所述，边线是双重边缘，这样我们就可以在边线的一边看到一个亮度梯度，而在另一边看到相反的梯度。这样如果图像中有边线出现的话我们就能在亮度梯度上看到非常大的变化。为了找到这些边线，我们可以在图像亮度梯度的二阶导数中寻找过零点。

如果（） 表示点的亮度，′′（） 表示点亮度的二阶导数，那么：

同样，许多算法也使用卷积掩码快速处理图像数据：

一旦我们计算出导数之后，下一步要做的就是给出一个阈值来确定哪里是边缘位置。阈值越低，能够检测出的边线越多，结果也就越容易受到图片噪声的影响，并且越容易从图像中挑出不相关的特性。与此相反，一个高的阈值将会丢失细的或者短的线段。

一个常用的这种方法是带有滞后作用的阈值选择。这个方法使用不同的阈值去查找边缘。首先使用一个阈值上限去查找边线开始的地方。一旦找到了一个开始点，我们在图像上逐点跟踪边缘路径，当大于门槛下限时一直纪录边缘位置，直到数值小于下限之后才停止纪录。这种方法假设边缘是连续的界线，并且我们能够跟踪前面所看到的边缘的模糊部分，而不会将图像中的噪声点标记为边缘。

目前，Canny算子（或者这个算子的变体）是最常用的边缘检测方法。在Canny创造性的工作中，他研究了设计一个用于边缘检测最优预平滑滤波器中的问题，后来他说明这个滤波器能够很好地被一阶高斯导数核优化。另外Canny引入了非最大抑制概念，它是说边缘定义为在梯度方向具有最大梯度值的点。

在一个离散矩阵中，非最大抑制阶梯能够通过一种方法来实现，首先预测一阶导数方向、然后把它近似到45度的倍数、最后在预测的梯度方向比较梯度幅度。

一个获得亚点精度边缘的改进实现是通过检测梯度方向上二阶方向梯度的过零点来实现的：${\displaystyle L_x^2{L}_{xx}+2L_x{L}_y{L}_{xy}+L_y^2{L}_{yy}=0,}$它在梯度方向的三阶方向梯度满足符号条件

其中，${\displaystyle L_x}$, ${\displaystyle L_y}$ ... ${\displaystyle L_{yyy}}$表示从使用高斯核平滑原始图像得到的尺度空间表示${\displaystyle L}$计算出的偏微分。

按照这种方法，能够自动得到亚点精度的连续曲线边缘。

滞后门槛也可以用在这些差分边缘片断。

罗盘算子是斯坦福大学的Ruzon在1999年提出的一个新的算子，据实验以及报道，性能超过Canny算子。