圖像邊緣是兩個具有不同灰度的均勻圖像區域的邊界，邊緣檢測是圖像處理的基本問題，目的是標識數字圖像中亮度變化明顯的邊緣點，不斷向上構成更高層次的特征描述。并且剔除不相關的特征信息，保留圖像重要的結構屬性。

在視覺計算理論框架中，抽取二維圖像上的邊緣、角點、紋理等基本特征，是整個系統框架中的第一步，圖像中局部灰度級以簡單的方式作極快變換的小區域特征所組成的圖稱為基元圖，在不同"尺度"意義下的邊緣點，在一定條件下包含了原圖像的全部信息。

檢測原理基本思想是通過檢測每個像素和其鄰域的狀態，以決定該像素是否位于一個物體的邊界上。如果一個像素位于一個目標物體的邊界上，則其鄰域像素的灰度值的變化就比較大，可以通過細微的間距移動狹窄的區段，檢測每個點的邊緣寬度與邊緣位置，確定目標對象的邊界。

檢測方法

濾波

邊緣檢測算法主要是基于圖像強度的一階和二階導數，但導數的計算對噪聲很敏感，因此使用濾波器來改善與噪聲有關的邊緣檢測器的性能。大多數濾波器在降低噪聲的同時也導致了邊緣強度的損失，因此，增強邊緣和降低噪聲之間需要折中。

增強邊緣增強一般是通過計算梯度幅值來完成，增強邊緣的基礎是確定圖像各點鄰域強度的變化值。增強算法可以將鄰域(或局部)強度值有顯著變化的點突顯出來。

檢測

在圖像中有許多點的梯度幅值比較大，這些點在特定的應用領域中并不都是目標邊緣，所以應該用某種算法來確定哪些點是邊緣點。

定位邊緣的位置可在子像素分辨率上來估計，邊緣的方位也可以被估計出來。大多數場合下，僅僅需要邊緣檢測器指出邊緣出現在圖像某一像素點的附近，而沒有必要指出邊緣的精確位置或方向。

算法應用可以將邊緣定義為圖像中灰度發生急劇變化的區域邊界，圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術來獲得邊緣檢測算子。而邊緣檢測的實質是采用某種算法來提取出圖像中對象與背景間的交界線。

在圖像邊緣檢測中，抑制噪聲和邊緣精確定位是無法同時滿足的，一些邊緣檢測算法通過平滑濾波去除噪聲的同時，也增加了邊緣定位的不確定性。而提高邊緣檢測算子對邊緣的敏感性的同時，也提高了對噪聲的敏感性。

如上述所說，一階算子檢測邊緣，如Robert，雖然對邊緣定位精度較高，但是容易丟失邊緣，對噪聲無抑制能力。又如Sobel，對噪聲僅有一點抑制能力，但無法完全排除虛假邊緣。又如二階拉普拉斯算子，對噪聲響應很高。或者改進后的高斯-拉普拉斯算法，雖然經過高斯模糊，但是這些模糊不能完全去除噪聲，沒處理的好，反而會影響邊緣檢測的效果。

審核編輯：郭婷