边缘检测是图像处理、机器视觉和计算机视觉中的一种重要方法。

　　边缘检测是指当图像亮度突然变化或更正式地说，出现不连续时，用于检测数字图像中的边缘或曲线的一组数学技术。阶跃检测是识别一维信号中的不连续性的问题，而变化检测是发现跨时间的信号不连续性的问题。在图像处理、机器视觉和计算机视觉中，边缘检测是一项关键技术，尤其是在特征识别和提取领域。

　　检测图像亮度的急剧变化的目的是记录世界特征的重大事件和变化。鉴于图像生成模型的相对一般假设，图像亮度的不连续性预计与深度不连续性、表面方向不连续性、材料特性变化和场景光波动相关。

　　在理想情况下，对图像应用边缘检测器将产生一组链接曲线，这些曲线指示对象边界、曲面标记边界以及对应于曲面方向不连续性的曲线。对图片应用边缘检测方法可以最大限度地减少必须处理的数据量，从而过滤掉不那么重要的信息，同时保留图像的关键结构特征。如果边缘检测阶段成功，则理解原始图像中包含的信息的工作可以显著简化。然而，这种完美的边缘并不总是可能从适度复杂的现实生活图片中获得。

　　从非平凡图片恢复的边缘通常会受到碎片的阻碍，碎片会导致边缘曲线不相连、边缘段缺失以及与图像中重要事件不相关的假边缘，从而使理解图像数据的过程复杂化。边缘检测是图像处理、图像分析、图像模式识别和计算机视觉方法中最基本的过程之一。

　　可以从三维场景的二维图片中检索视点相关或视点无关的边。三维对象的固有特征，如表面标记和形状，通常由透视无关的边反映。场景的几何体（例如相互遮挡的对象）通常由与透视相关的边反射，该边随视点的变化而变化。

　　例如，红色块和黄色块之间的边界是典型的边缘。另一方面，线条可以是在其他恒定背景上的少量可变色调像素（可以通过脊线检测器检索）。因此，在大多数情况下，线的两侧都可能有一条边。

　　边缘检测可以通过多种方式进行，其中Prewitt边缘检测、Sobel边缘检测、Laplacian边缘检测和Canny边缘检测是最流行的方法。

　　Prewitt边缘检测

　　这是一种流行的边缘检测器，用于识别图片中的水平和垂直边缘。

　　Sobel边缘检测

　　这将使用强调过滤器中心的过滤器。它是最常用的边缘检测器之一，在降低噪声的同时，还能提供识别和边缘响应。

　　拉普拉斯边缘检测

　　拉普拉斯边缘检测器不同于前面提到的边缘检测器。这种技术只使用一个过滤器（也称为内核）。拉普拉斯边缘检测在一次过程中执行二阶导数，使其易受噪声影响。在使用此方法之前，使用高斯平滑对图片进行平滑，以避免对噪声的敏感性。

　　Canny边缘检测

　　与许多其他方法相比，这是使用最广泛、非常成功和复杂的方法。这是一种用于检测和识别各种边缘的多阶段方法。Canny边缘检测方法的步骤如下所示。它将图片转换为灰度，消除噪声（因为使用导数的边缘检测易受噪声影响），计算梯度（有助于识别边缘强度和方向），最后将图像转换为灰度。它使用非最大值抑制来缩小图像的边缘，使用双阈值来检测图像的强、弱和无关像素，并使用滞后边缘跟踪来帮助将弱像素转换为强像素（仅当它们被强像素包围时）。