1.索贝尔算法这个算法由一对3×3卷积和组成，如图一所示。其中一个核由另一个简单的旋转90°形成。图1：卷积核使用的模板这些算子被设计用来最大限度的回答垂直和水平运行的边缘，并且此边缘和像素网格有关系，这像素网格就是两个垂直正交的算子中的其中一个。这些算子可以被独立的应用到输入图像中，用来产生独立的在每个方向上（称为Gx和Gy）的梯度成分的测量数据。这些算子还可以连接在一起以便于发现在每一个点上梯度的绝对大小，以及梯度的方向[3]。梯度大小由下式给出：一个近似的大小通过下式来典型的计算：这个可以很快的计算出来。这个上升到空间梯度的边缘（和像素格子有关）的取向角度由下式给出：1.1罗伯特交叉算子罗伯特算子完成了一个简单，快速的计算方式，在一个图像上的2-D空间梯度测量。在输出图像中每一个点上的像素测试值代表了这一点上输入图像的空间梯度的估计绝对大小。这个算法由一对2×2的卷积核组成，如图2所示。一个核简单的由另一个选择90°形成[4]。这和索贝尔算子非常相似。图2：罗伯特算子使用的模板。这些核被设计用来最大限度的回答运行在像素格子45°的边缘值，一个对于两个垂直方向上的核。这些卷积核可以分别应用在输入图像中，用来产生独立的在每个方向上（称为Gx和Gy）的梯度成分的测量数据。这些卷积核还可以连接起来以便于找到在每一个点上梯度的绝对大小，以及梯度的方向。梯度大小由下式给出：一个近似的大小通过下式来典型的计算：这种方法计算起来快多了。这个上升到空间梯度的边缘（和像素格子有关）的取向角度由下式给出：1.2普瑞维特算法：普瑞维特算法[5]和索贝尔算法很相似，并且被用来检测图像中的水平和垂直边缘的测量。图3：普瑞维特梯度边缘检测法使用的模板1.3高斯拉普拉斯算法：拉普拉斯算法是一个图像第二种空间导数的2-D平面各向同性测量。一个图像强度变化快速的突出地区的拉普拉斯算法因此经常被用于边缘检测。拉普拉斯算法经常应用于一个图像，并且用趋近于高斯平滑滤波来第一次使它本身变得平滑，以减少其对噪声的敏感性。这个算法通常需要一个单一的灰度图像作为输入，并且制造另一个灰度图像作为输出。一个用像素强度测试值I（x，y）的图像的拉普拉斯数值L（x，y）由下式给出：由于输入图像是被描绘成一套离散像素,我们必须找到一个可以近似线性卷积内核第二衍生物在拉普拉斯的定义[5]。使用小卷积核的三个普通的计算如图4所示。图4：三个常用的离散逼近拉普拉斯滤波因为这些内核逼近这个图像的一个二阶微分方法，他们对噪声非常敏感。为了计数这个，这个图像经常在应用拉普拉斯过滤之前被高斯滤波。这个过程前的步骤减少了差异化步骤之前的高频噪声组成部分。实际上，自从卷积实现联想出来，我们就可以首先用拉普拉斯滤波器使高斯平滑滤波卷积，然后用图像卷积混合滤波器，来实现需要的结果。这种做法有两个优点：由于高斯卷积核和拉普拉斯卷积核都比图像本身小多了，所以这个方法通常需要远远少量的算法算子。LoG（高斯拉普拉斯算法）[6]卷积核可以提前成为预先计算，所以只有一个卷积需要在图像中在运行中形成。2-D平面以零为中心的Log功能[7]，以及高斯标准偏差σ有如下形式：并且在图5中表示为。图5：平面2-D高斯拉普拉斯算法（LoG）功能。x和y坐标轴在标准误差(σ).中标出。接近这个功能（比如一个高斯误差σ=1.4）的一个离散卷积核如图6所示。图6：离散逼近于LoG功能，高斯误差σ=1.4。注意当高斯值变得越来越狭窄，LoG内核就变得和简单的拉普拉斯内核一样，如图4所示。这是因为带有非常狭窄的高斯值(σ<0.5pixels)的平滑在一个离散网格没有影响。因此一个离散网格，即简单的拉普拉斯可以视为一个对于窄带高斯[8]-[10]的LoG的限制性条件。1.4坎尼边缘检测算法坎尼边缘检测算法作为最佳的边缘检测法被很多人所知。坎尼的目的在于增强很多在他工作的时候已经出现的缘检测器。他在获取他的目标这件事上非常成功，同时他的方法在他的纸上可以找到。“一种计算机趋近边缘检测”[11]。在他的书里，他紧跟一系列标准来提高现有边缘检测的方法。第一个而且是最明显的标准是低错误率。在图像中出现的边缘不应该被丢...
