边缘检测
1、Sobel
2、
3、
4、
边缘检测概念
梯度算子概念
但是，图像是离散的数字量，因此梯度一般为像素点与相邻像素点的差值，而方向则与选定的相邻像素点位置有关。
下引用参考博客的叙述：https://blog.csdn.net/qq_18815817/article/details/78625845
对于数字图像而言，相当于对二维离散函数求梯度，如下：
G(x,y) = dx(i,j) + dy(i,j);
dx(i,j) = I(i+1,j) - I(i,j);
扫描二维码关注公众号，回复： 3300914 查看本文章
dy(i,j) = I(i,j+1) - I(i,j);
数字图像中，更多的使用差分来近似导数，最简单的梯度近似表达式如下：
梯度的方向是函数f(x,y)变化最快的方向，当图像中存在边缘时，一定有较大的梯度值，相反，当图像中有比较平滑的部分时，灰度值变化较小，则相应的梯度也较小，图像处理中把梯度的模简称为梯度，由图像梯度构成的图像成为梯度图像(we can get the gradient image through computing the gradient of each pixel in the image)
图像梯度和算子之间是什么关系？为什么求图像的梯度要用到算子?
图像的梯度可以用一阶导数和二阶偏导数来求解。但是图像以矩阵的形式存储的，不能像数学理论中对直线或者曲线求导一样，对一幅图像的求导相当于对一个平面、曲面求导。对图像的操作，我们采用模板对原图像进行卷积运算，从而达到我们想要的效果。而获取一幅图像的梯度就转化为：模板（Roberts、Prewitt、Sobel、Lapacian算子）对原图像进行卷积，不过这里的模板并不是随便设计的，而是根据数学中求导理论推导出来的。
常见还有Sobel，Prewitt等算子。以Roberts算子为例的X,Y的梯度计算演示如下图：
通过求一阶导数来计算梯度的，用于线的检测，在图像处理中，通常用于边缘检测。在图像处理过程中，除了检测线，有时候也需要检测特殊点，这就需要用二阶导数进行检测。
几种边缘检测算法比较：
（摘自：https://blog.csdn.net/qq_20823641/article/details/52102589）
- Roberts算子检测方法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是边缘比较粗，因此边缘的定位不是很准确。
- Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，sobel算子对边缘定位不是很准确，图像的边缘不止一个像素。
- Prewitt算子检测方法对灰度渐变和噪声较多的图像处理效果较好。但边缘较宽，而且间断点多。
- Laplacian算子法对噪声比较敏感，所以很少用该算子检测边缘，而是用来判断边缘像素视为与图像的明区还是暗区。
- Canny方法不容易受噪声干扰，能够检测到真正的弱边缘。优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中
