什么是边缘检测，一文讲清

边缘检测是机器视觉和图像处理中一个重要的基础任务，它可以用来提取图像中具有代表性的重要特征。它可以将图像中的平衡部分和不平衡部分（具有明显轮廓的对象）分开来，这使得图像的内容变得凸显，有利于将图像的内容有效分析和分辨率。像素点的精细特征也可以用来提取和表征一幅图像的纹理特征。
严格地说，边缘检测方法是处理图像的一种简单和有效的方法。它把图像处理化简成一个二维数组，根据这种数组中每个表示像素的像素值的大小高低，以及像素间的相对位置提取边缘特征。通常，在边缘检测中，检测器通过比较两个像素值之间的差异来判断边缘点。
如所谓的FIR边缘检测，是一种基于函数的边缘检测技术，即由滤波和非线性处理组成的模型，它可以分辨出图像中的边缘点，也可以用来不失真地检测许多视觉特征，并根据它们检测图像中的细节。FIR技术使用两种不同的函数：拉普拉斯变换和基于卷积的函数。拉普拉斯变换运用滤波器以及非线性函数，可以消除图像噪声，并找到图像边缘；而基于卷积函数的检测器，能够有效收敛，准确检测图像中的边缘信息，尤其是图像外轮廓的边缘，提高了检测的精确度。
除了FIR技术外，还存在其他一些在边缘检测中广泛应用的算法，比如说Canny算法。这是一种基于非极大值抑制和联合滤波的计算机视觉技术，它可以检测出图像中可信的定量灰度边缘。Canny算法通过计算两个像素的梯度来确定弱边缘，然后通过非极大值抑制来筛选有效的边缘点，并使用双阈阈值来确定边缘的强度和方向，从而完成边缘的追踪，得到较好的边缘分割效果。
另外还有一种新的技术——Kitney-Sobel边缘检测法。这种技术采用一个叫做Sobel滤波器的双坐标系滤波器来进行边缘检测，该滤波器可以检测到图像具有复杂面积的边缘，并根据检测到的边缘的方向和强度提取出图像形状的特征信息，从而精确的检测出图像空间结构中的边缘信息。
总之，边缘检测是机器视觉和图像处理中重要的基础之一，主要应用于图像分割，特征提取，3D重建，有限元分析和识别等许多任务，能够帮助机器识别和理解图像，进而实现自然语言处理任务。
边缘检测有多种不同方法，比如FIR、Canny和Kitney-Sobel，它们都有其不同的特点，FIR更侧重于注意——池化网络，而Canny边缘检测器和Kitney-Sobel更侧重于梯度检测、多通道滤波和多尺度滤