圖像邊緣是兩個具有不同灰度的均勻圖像區(qū)域的邊界，邊緣檢測是圖像處理的基本問題，目的是標識數(shù)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(tǒng)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(qū)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(tài)，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(qū)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(shù)，但導數(shù)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(shù)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(shù)場合下，僅僅需要邊緣檢測器指出邊緣出現(xiàn)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(fā)生急劇變化的區(qū)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(zhì)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(jīng)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