图像边缘检测是定位于二维或三维图像中的对象边缘系统，是图像处理和计算机视觉中的基本问题。边缘检测的目的是标识数字图像中亮度变化明显的点。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。图像属性中的显著变化通常反映了属性的重要事件和变化。

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。如果将边缘认为是一定数量点亮度发生变化的地方，那么边缘检测大体上就是计算这个亮度变化的导数。

有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找搜索一类和基于零穿越的一类。基于查找搜索的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于亮度的一阶导数，得到原始数据亮度的梯度，这样能够在图像的亮度梯度中搜寻峰值。如果I(x)表示点x的亮度，I′(x)表示点x的一阶导数（亮度梯度），这样我会发现：对于更高性能的图像处理来说，一阶导数能够通过带有掩码的原始数据卷积计算得到。而基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点，实质上是亮度梯度的变化率。在理想的连续变化情况下，在二阶导数中检测过零点将得到梯度中的局部最大值。另一方面，二阶导数中的峰值检测是边线检测，只要图像操作使用一个合适的尺度表示。边线是双重边缘，可以在边线的一边看到一个亮度梯度，而在另一边看到相反的梯度。这样如果图像中有边线出现的话，就能在亮度梯度上看到非常大的变化。为了找到这些边线，我们可以在图像亮度梯度的二阶导数中寻找过零点。如果I(x)表示点x的亮度，I′′(x)表示点x亮度的二阶导数。

边缘是图像最基本的特征之一，图像的边缘检测是图像分析中的一个重要环节，目前，微分算子法中有Roberts，Sobel，Prewitt，Canny，Laplacian，Log以及二阶方向导数等算子检测。边缘检测有许多不同的形式，如微分算子方法，模板匹配，小波分析，神经网络法等，每种方法都有不同的具体适用范围。边缘检测在计算机视觉、图像分析中起着重要的作用，根据实际情况选择不同的边缘检测是图像分析的第一步，应用程序和其他元素图像的边缘特征检测的结果将直接影响到图像的分割和识别。

2. 研究的基本内容与方案

2.1设计的基本内容

边缘检测的基本步骤：

①滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折中。滤波做为边缘检测的预处理通常是必要的，通常采用高斯滤波。

②增强:增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。

③检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。

④定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。