常见边缘检测对比（Roberts算子、Prewitt算子、Sobel算子、Laplacian算子、Canny算子）

目录

方法对比

公式对比

优点对比

缺点对比

常用场景对比

边缘检测结果对比

方法对比

Roberts

算子：基于一阶导数的方法

Prewitt

算子：基于一阶导数的方法

Sobel

算子：基于一阶导数的方法

Laplacian

算子：基于二阶导数的方法

Canny

算子：非微分边缘检测算子

公式对比

Roberts

算子：

d_{x}=\begin{bmatrix} -1 & 0\\ 0 & 1 \end{bmatrix}

，

d_{y}=\begin{bmatrix} 0 & -1\\ 1 & 0 \end{bmatrix}

Prewitt

算子：

G_{x}=\begin{bmatrix} -1 & 0 & 1\\ -1 & 0 & 1\\ -1 & 0 & 1 \end{bmatrix}

，

G_{y}=\begin{bmatrix} 1 & 1 & 1\\ 0 & 0 & 0\\ -1 & -1 & -1 \end{bmatrix}

Sobel

算子：

G_{x}=\begin{bmatrix} -1 & 0 & +1\\ -2 & 0 & +2\\ -1 & 0 & +1 \end{bmatrix}

，

G_{x}=\begin{bmatrix} -1 & -2 & -1\\ 0 & 0 & 0\\ +1 & +2 & +1 \end{bmatrix}

Laplacian

算子：

4

领域：

\begin{bmatrix} 0 & 1 & 0\\ 1 & -4 & 1\\ 0& 1 & 0 \end{bmatrix}

；

8

邻域：

\begin{bmatrix} 1 & 1 & 1\\ 1 & -8 & 1\\ 1 & 1 & 1 \end{bmatrix}

Canny

算子：实现步骤：1. 用高斯滤波器平滑图像 2. 计算图像中每个像素点的梯度强度和方向 3. 对梯度幅值进行非极大值抑制 4. 用双阈值算法检测来确定真实和潜在的边缘

优点对比

Roberts

算子：对垂直边缘的检测效果好于斜向边缘 对具有陡峭的低噪声的图像效果最好 定位精度高

Prewitt

算子：边缘检测结果在水平方向和垂直方向均比

Robert

算子明显 适合用来识别噪声较多，灰度渐变的图像 对噪声有抑制作用，抑制噪声的原理是通过像素平均

Sobel

算子：

Sobel

算子要比

Prewitt

算子更能准确检测图像边缘 边缘定位较准确，常用于噪声较多，灰度渐变的图像 对像素位置的影响做了加权，相比之下比

Prewitt

算子、

Roberts

算子效果更好 以滤波算子的形式来提取边缘，

X,Y

方向各用一个模板，两个模板组合起来构成一个梯度算子。

X

方向模板对垂直边缘影响最大，

Y

方向模板对水平边缘影响最大。

Laplacian

算子：对图像中的阶跃性边缘点定位准确

Canny

算子：对噪声不敏感，不容易受到噪声干扰 能够检测到真正的弱边缘 使用两种不同的阈值分别检测强边缘和弱边缘 仅当强边缘与弱边缘相连时才将弱边缘包含在输出图像中

缺点对比

Roberts

算子：对噪声敏感，无法抑制噪声的影响 提取边缘的结果是边缘比较粗 边缘定位不是很准确

Prewitt

算子：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：由于边缘是位置的标志，对灰度的变化不敏感

Laplacian

算子：对噪声比较敏感，只适用于无噪声图像 容易丢失边缘方向信息，造成一些不连续的检测边缘

Canny

算子：易使高频边缘被平滑掉，从而造成边缘丢失

常用场景对比

Roberts

算子：常用于垂直边缘明显或具有陡峭的低噪声的图像的边缘检测任务

Prewitt

算子：常用于噪声较多、灰度渐变的图像的边缘检测任务

Sobel

算子：常用于噪声较多，灰度渐变的图像的边缘检测任务

Laplacian

算子：常用于归一化检测结果，进行方差计算，可以用在模糊检测任务上

Canny

算子：被用于诸如“车道线检测”等实际项目中，是最有效的边缘检测方法

边缘检测结果对比