摘要
边缘检测是视觉中比较基础任务。通过边缘可以更容易的对图像中的事物进行认知，或者说边缘是图像语义的压缩表示。
检测方法
对于图像边缘，边缘两侧的像素值相差较大。那么可以通过导数来确定边缘位置。
导数定义如下，对于离散的像素点，$\delta x$可以简单表示为1个像素。
进一步可以使用卷积操作来实现横向/纵向边缘的提取，如下图所示。
关于边缘检测算子，有prewitt、sobel、roberts.prewitt比较经典，sobel算子其实是高斯模糊与边缘检测的叠加操作($[1 2 1]^T[-1 0 1]$)，roberts算子则检查斜向的边缘。
我们得到了横向、纵向的偏导，其实就可以确定某个像素点的实际梯度方向。这个梯度方向和边缘线保持垂直，所以也可以得到边缘线的方向，这在之后的拟合hough变换会用到。对梯度取模，可以使边缘现象更加明显。
高斯偏导模板
刚刚提到的sobel算子可以拆解成高斯模糊和边缘检测(偏导)的操作，高斯模糊可以去除一部分噪声，从而使边缘检测更准确。根据求导法则，可以先对高斯核求导，再使用求导后的高斯核进行卷积。求导后的高斯核叫做高斯偏导模板。
示意图如下，左右两图分别检测竖向边缘和横向边缘。
高斯偏导模板的核内数值和应该是0，这样可以保证恒定不变区域卷积后的值为0，即不存在边缘。
Canny边缘检测
直接取梯度的范数，会出现伪边、边缘线不闭合等情况。
使用canny算法提取边缘更加准确。
首先是极大值抑制，使边缘线更细。只保留像素值比梯度方向b两边都大的点。
第二个方法是双门限阈值法。先通过高门限提取部分边，再逐步降低门限值，补充高门限值提取出来的边缘图像。
