三種最基本的邊緣檢測法

1：直接對影象平滑濾波，之後利用sobel運算元計算影象梯度，進行閾值處理，得到影象邊緣圖。這是最基本的邊緣檢測方法。效果當然一般般而且容易產生邊緣斷線。

2：Marr-Hildreth檢測法，Marr和Hildreth兩位前輩證明，

1)灰度變化和影象尺度無關（不管影象是大是小，比如將同一張圖片進行縮放，他的邊緣應該是不會改變的）,所以檢測的時候要用不同尺寸的運算元（比如大圖片如果使用很小的運算元，一條線容易變成一個區域被0畫素隔開）。

2）灰度變化會在一階導數引起波峰波谷，在二階導數引起零交叉。

於是證明出滿足這些條件最好的運算元是LOG，也就是先高斯濾波，再拉普拉斯，求得零交叉

GaussianBlur(src, src, Size(3, 3), 1.5, 1.5);  

Laplacian(src, dst, src.depth(), 3, 1, 0, BORDER_DEFAULT);  

但令人奇怪的是，這兩個函式都沒有輸入閾值的引數，可能opencv在兩個函式內自動計算的吧。

3：Canny運算元也是用的最多的運算元，先高斯濾波，在求梯度幅值影象，然後非最大值抑制，最後雙閾值處理+連線分析進行連線邊緣

非最大值抑制能夠產生更細的邊緣影象，因為求梯度是一階偏導運算，而一階導數求出的邊緣是比較粗的，最後如果還是覺得邊緣很粗的話

可以用形態學細化演算法，注意的是在Canny中選取雙閾值時Canny前輩提示我們用1:3

Mat grayimg;

Mat flower = imread("D:/picture/orange.jpg");

cvtColor(flower, grayimg, COLOR_BGR2GRAY);

GaussianBlur(grayimg, grayimg, Size(5, 5), 2);

imshow("[高斯濾波]效果圖", grayimg);
Canny(grayimg, grayimg, 30, 60);
imshow("[canny檢測]運算元的邊緣檢測", grayimg);

注意：再求影象的邊緣的時候必須先將影象轉換為灰度影象。原因引用百度知道里的朋友的回答：“

由於邊緣檢測基本是用梯度運算元完成的，梯度是在座標（x，y）處指向f最大變化率的方向的向量，而彩色影象實際是由若干種原色（如RGB）構成的，如果直接檢測彩色影象邊緣也就是對每種色彩單獨檢測，但是各原色在一點處的梯度方向可能不同，從而得到的邊緣也不同，會發生錯誤。要採用計算平均向量可以解決該問題但複雜性提高。

疑惑：在剛薩雷斯的書中，作者提示我們在選取高斯濾波模板（n*n）和標準差（σ）時應該使n為大於等於6σ的最小奇整數，但在實際用opencv函式Gaussianblur()進行效果檢驗的時候發現使n大於標準差的6倍效果並不是最好的，不知道作者這句話是什麼意思。


----------------------分割線----------------------------------------------------------------------------

疑惑解答：最近看到了一篇部落格，裡面就提到了高斯濾波模板之所以選擇6σ的原因，原文如下

高斯模版是圓對稱的，且卷積的結果使原始畫素值有最大的權重，距離中心越遠的相鄰畫素值權重也越小。
在實際應用中，在計算高斯函式的離散近似時，在大概3σ距離之外的畫素都可以看作不起作用，這些畫素的計算也就可以忽略。所以，通常程式只計算(6σ+1)*(6σ+1)就可以保證相關畫素影響。
而且標準差的大小決定影象的平滑程度，大尺度對應影象的概貌特徵，小尺度對應影象的細節特徵。大的標準差對應低分辨的粗糙尺度，反之對應精細尺度。

引用連結：http://blog.csdn.net/xiaowei_cqu/article/details/8067881

http://blog.csdn.net/abcjennifer/article/details/7639681/