转载：https://blog.csdn.net/tigerda/article/details/61192943
常见边缘检测算子：Roberts 、Sobel 、Prewitt、Laplacian、Log/Marr、Canny、Kirsch、Nevitia
一阶微分算子：Roberts 、Sobel 、Prewitt
Robert算子是第一个边缘检测算子，提出者Lawrence Roberts in 1963。
Sobel边缘算子，当年作者并没有公开发表过论文，仅仅是在一次博士生课题讨论会(1968)上提出("A 3x3 Isotropic Gradient Operator for Image Processing")，后在1973年出版的一本专著（"Pattern Classification and Scene Analysis"）的脚注里作为注释出现和公开的。提出者Irwin Sobel。
Prewitt算子来自J.M.S. Prewitt "Object Enhancement and Extraction" in "Picture processing and Psychopictorics", Academic Press,1970。
我们看这三种边缘检测算子模板及写成差分的形式
Roberts算子
Sobel算子
Prewitt算子
图 4 一阶微分算子
如何计算边缘幅值与方向？以Sobel算子为例。3*3 Sobel两个方向的算子在图像上滑动，模板与其覆盖的图像3*3区域9个像素进行卷积，求和后得到此方向的边缘检测幅值。
f(x,y)为图像，Gx和Gy分别是水平和竖直方向算子的卷积结果，G则是最终得到的边缘幅值，θ值则是边缘方向。当然G的计算有时简化为
或者
求幅值时是有多种选择的，一般根据具体应用选择用水平还是竖直或是两个方向同时检测。
另外，需要说明的是，Sobel算子还有一种变种，是各向同性Sobel算子，其模板为
图 5 各向同性Sobel算子
Sobel各向同性算子的权值比普通Sobel算子的权值更准确。为什么？模板的权值是离中心位置越远则权值（看绝对值）影响越小，如上图，把模板看成是9个小正方形，小正方形边长为1，则虚线三角形的斜边长为
才是准确的。
二阶微分算子：Laplacian、Log/Marr
拉普拉斯算子来自拉普拉斯变换，而Log算子又称Marr算子，由David Courtnay Marr和Ellen Hildreth（1980）共同提出，计算神经学创始人Marr在1980年正式发表论文时，因换白血病早逝，后面设立Marr奖以此纪念其贡献，现在每两年的ICCV（与ECCV，CVPR并称计算机视觉三大顶级会议）会评出一个Marr奖。这两种算子模板如下：
Laplacian算子（两种模板）
Log算子
图 6 二阶微分算子
拉普拉斯算子数学公式是
写成差分形式为
Log边缘检测则是先进行高斯滤波再进行拉普拉斯算子检测，然后找过零点来确定边缘位置，很多时候我们只是知道Log 5*5模板如上图所示，但是具体是怎么得到的？下面进行推导。
二维高斯公式是
按拉普拉斯算子公式求x，y方向的二阶偏导后为
这里x，y不能看成模板位置，应看成是模板其他位置到中心位置的距离。那么写成
这里x0，y0就是模板中心位置，x，y是模板其他位置，对于5*5模板，则x0=2，y0 = 2，那对于模板中（0,0）位置的权值，即把x= 0，y= 0，x0= 2，y0 = 2带入上式，另= 1，得到
约等于0.0175，这样得到
通过取整变符号，且模板总和为0，得到图6所示的模板。
另外，这里模板大小是如何取的？通常高斯分布中，在（-3，3
变化到一定程度，模板尺寸大小改变（这个是个人理解，欢迎拍砖
）。
非微分边缘检测算子：Canny
Canny边缘检测大家应该很熟悉，这里列出步骤，并给出一个详细介绍的链接Canny算子。
1. 彩色图像转换为灰度图像
2. 对图像进行高斯模糊
3. 计算图像梯度，根据梯度计算图像边缘幅值与角度（这里其实用到了微分边缘检测算子来计算梯度幅值方向）
4. 非最大信号压制处理（边缘细化）
5. 双阈值边缘连接处理
6. 二值化图像输出结果
方向算子Kirsch（8个3*3模板），Nevitia （12个5*5模板）
这两个算子是利用多个方向的子模板进行分别计算，最后取幅值最大的那个为最终边缘幅值，方向即最大幅值对应的那个方向
五、各边缘检测算子对比
