边缘检测算子之间的优劣
图像边缘
图像边缘是图像最基本的特征，边缘即图像局部不连续性（突变处），例如灰度级的突变、颜色的突变、纹理结构的突变等。边缘检测的方法绝大部分可以分为两类：
- 基于查找一类：通过寻找图像一阶导数中的最大值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。
- 基于零穿越的一类：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过零点。
一阶导数的边缘算子
Roberts算子
Roberts算子是一种利用局部交叉差分寻找边缘的算子，常用来处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。
优点：从图像处理的实际效果来看，边缘定位较准，对噪声敏感。适用于边缘明显且噪声较少的图像分割。
缺点：提取的边缘线条较粗。
Prewitt算子
Prewitt算子采用 3x3 模板对区域内的像素值进行计算，而Robert算子的模板为 2x2 ，故Prewitt算子的边缘检测结果在水平方向和垂直方向均比Robert算子更加明显。Prewitt算子适合用来识别噪声较多、灰度渐变的图像。
优点：Prewitt算子对噪声有抑制作用，抑制噪声的原理是通过像素平均。
缺点：该算子具有平滑的作用，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。
Sobel算子
Sobel算子在Prewitt算子的基础上增加了权重的概念，认为相邻点的距离远近对当前像素点的影响是不同的，距离越近的像素点对应当前像素的影响越大，从而实现图像锐化并突出边缘轮廓。因为Sobel算子结合了高斯平滑和微分求导（分化），因此结果会具有更多的抗噪性，当对精度要求不是很高时，Sobel算子是一种较为常用的边缘检测方法。
优点：由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响，边缘定位效果不错。Sobel算子对于象素的位置的影响做了加权，与Prewitt算子、Roberts算子相比因此效果更好。
缺点：但检测出的边缘容易出现多像素宽度。
二阶微分的边缘算子
Laplacian 算子
Laplacian算子是一种各向同性算子，不能检测出边的方向。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。存在噪声情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。所以，拉普拉斯算子一般不会用于边的检测，而是常用来判断边缘像素位于图像的明区或暗区。
Canny步骤：
- 用高斯滤波器平滑图像：边缘检测算子受噪声的影响都很大。那么，我们第一步就是想到要先去除噪声，因为噪声就是灰度变化很大的地方，所以容易被识别为伪边缘。
- 用一阶偏导有限差分计算梯度幅值和方向，例如 Sobel
- 对梯度幅值进行非极大值抑制：sobel算子检测出来的边缘太粗了，我们需要抑制那些梯度不够大的像素点，只保留最大的梯度，从而达到瘦边的目的。通常灰度变化的地方都比较集中，将局部范围内的梯度方向上，灰度变化最大的保留下来，其它的不保留，这样可以剔除掉一大部分的点。将有多个像素宽的边缘变成一个单像素宽的边缘。即“胖边缘”变成“瘦边缘”。
- 用双阈值算法检测和连接边缘：通过非极大值抑制后，仍然有很多的可能边缘点，进一步的设置一个双阈值，即低阈值（low），高阈值（high）。灰度变化大于high的，设置为强边缘像素，低于low的，剔除。在low和high之间的设置为弱边缘。对每一个弱边缘进一步判断，如果其领域内有强边缘像素，保留，如果没有，剔除。