在了解完梯度的概念之后呢，下面我們先介紹一下幾種基本邊緣檢測濾波器: Sobel、Prewitt、Roberts算子 我們以Sobel為例，其中 分別表示對于X軸、Y軸的邊緣檢測算子，從 算子結構可以很清楚發現，這個濾波器是計算當前像素點右邊與左邊8連通像素灰度值的差值，我們先通過一維的概念來理解一下：
第一類是經典的邊緣檢測方法,如微分算子法、最優算子法和擬合法等。 題進行分析,給出一維值代價函數作為最優提取依據,從全局最優的觀點提取邊緣,如松馳法。 第三類是以小波變換、數學形態學、模糊數學、分形理論等近年來發展起來的高新技術為基礎的圖像邊緣提取方法,尤其是基于多尺度特性的小波變換提取圖像邊緣的方法是目前研究較多的課題。 其中,以上每一類都包含各種不同的邊緣檢測算法。 [1] 此外，還誕生了一些如基于神經網絡的邊緣檢測等近年來新興起的方式。 在這里，由于本人并沒有深入、系統地學習過圖像處理，能力所限，主要介紹一下經典的邊緣檢測算法里的算子的方法，以及在傳統的圖像識別里的sift特征里同樣提到的尺度空間概念。
現有邊緣檢測技術在抑制噪聲方面有一定的局限性，在閾值參數選取方面 基于matlab 的圖像邊緣檢測算法研究 自適應能力很差，有待進一步改進和提高。 （1）多譜圖像是圖像配準技術中的一個難點，傳統的圖像配準技術只適用于同源圖像，由于紅外圖像和可見光遙感圖像的成像波段不 同，對于同一場景，所采集到的圖像的差異很大。
圖像邊緣檢測的結果直接影響物體檢測和識別的效果。 [3] 圖像中的邊緣檢測一直是機器視覺領域中的研究熱點,從年代至今,人們已經從不同的角度、不同的應用背景提出了很多方法,歸納起來分為三大類。 第一類是經典的邊緣檢測方法,如微分算子法、最優算子法和擬合法等。
