边缘检测算法有什么优缺点？
转载于 边缘检测 算法各自优缺点 边缘 提取其实也是一种滤波，不同的 算子 有不同的提取效果。 比较 常用的方法有三种， Sobel算子 ，Laplacian 算子 ， Can ny 算子 。 Sobel算子检测 方法对灰度渐变和噪声较多的图像处理效果较好， sobel算子 对 边缘 定位不是很准确，图像的 边缘 不止一个像素；当对精度要求不是很高时，是一种较为常用的 边缘检测 方法。
边缘检测模板的作用是什么？
边缘大致可以分为两种，一种是阶跃状边缘，边缘两边像素的灰度值明显不同；另一种为屋顶状边缘，边缘处于灰度值由小到大再到小的变化转折点处。 边缘检测的主要工具是边缘检测模板。 我们以一个一维模板为例来考察边缘检测模板是如何作用的。 假设有一个模板 和一幅图象 可以看出，图象中左边暗，右边亮，中间存在着一条明显的边缘，是一个典型阶跃状边缘。 使用模板 进行模板操作后，结果如下 可以看出，边缘检测后的图象在原图象暗亮边缘处的灰度值高很多。 观察时，就能发现一条很明显的亮边，其他区域都很暗，这样就起到了边缘检测的作用。 模板的作用是将右邻点的灰度值减去左邻点的灰度值作为该点的灰度值。
什么是图像边缘检测？
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。 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。 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：基于查找一类和基于零穿越的一类。 基于查找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。 人类视觉系统认识目标的过程分为两步:首先，把图像边缘与背景分离出来;然后，才能知觉到图像的细节，辨认出图像的轮廓。 计算机视觉正是模仿人类视觉的这个过程。
如何检测强边缘和弱边缘？
优点在于，使用两种不同的阈值分别 检测 强 边缘 和弱 边缘 ，并且当弱 边缘 和强 边缘 相连时，才将弱 边缘 包含在输出图像中。 La 图像方面的特征提取大多从 边缘 开始，然后不断向上构成更高层次的特征描述 边缘 和物体的边界并不等同， 边缘 指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。