指图像「灰度值发生显著变化」的区域，且变化仅发生在「一个」方向。
- 通常是物体的轮廓或分界线。
拉普拉斯算子
Laplacian
计算图像中每个像素点 的「二阶偏导数」→ 找到图像强度函数加速变化的区域
对于离散数据（即图像），可以直接用有限差分进行近似：
Operator
广义上讲，对任何函数进行某一项操作都可以认为是一个算子。
只是有的算子使用了一个「符号」来「代替所要进行的运算」。所以看到这个术语不要纠结，它和加减乘除的基本运算符号都没有区别。
Canny 边缘检测
高斯平滑
Gaussian smoothing →「减少噪声的影响」
使用 中提到的高斯滤波器，模糊化图像。
梯度幅度
Gradient magnitude →「识别图像的边缘」
对于二维图像 ，梯度是一个向量，表示图像亮度变化的方向和速率。
它是图像在 和 方向上，「高斯一阶导数」的组合：
- 如果在一个图像中，某个像素的梯度在 方向上较大而在 方向上较小，那么图像亮度的变化就主要沿水平方向发生。
计算幅度的公式为：
非最大抑制
Non-maximum suppression →「细化边缘」
进一步处理梯度幅度，消除上一步遗留的「厚边缘」，仅保留最细的边缘。
具体操作是沿着边缘的梯度方向，检查每个像素的梯度幅度是否是局部最大值。如果不是局部最大值，就将该像素的边缘强度设置为零。
双阈值处理
Hysteresis thresholding →「确定边缘的强弱」
新的问题：某些边缘上的像素因为梯度值未达到设定的阈值标准（低阈值或高阈值），直接被移除了。
定义两个新参数：
- 高阈值 ：用来标记最明显的边缘点，作为边缘检测的起点。
- 可以取图像梯度幅度的 70% - 90%
- 低阈值 ：延续与强边缘相连的曲线，确保边缘的连续性。
- 可以取取高阈值的 40% - 60%
Use a high threshold to start edge curves, and a low threshold to continue them.
边缘连接
Linking →「形成最终的边缘」