3、 Laplacian算子檢測邊緣：

　　拉普拉斯算子

　　拉普拉斯邊緣檢測是通過二階倒數，從上面的一階倒數的理解就不難發現二階倒數是怎么進行的了。

　　二階倒數比一階倒數的好處是在與受到周圍的干擾小，其不具有方向性，操作容易，且對于很多方向的圖像處理好。

　　Laplacian算子法對噪聲比較敏感，所以很少用該算子檢測邊緣，而是用來判斷邊緣像素視為與圖像的明區還是暗區。

　　4、Scharr算子檢測邊緣：

　　這個濾波是Sobel的升級版，原理是一樣的，就是實現的近似代替不一樣，說白了就事核改進了。。。

　　5、.Canny算子檢測邊緣：

　　這是比較新的算法，運用的也是最廣泛的。這個算法是在Sobel算法的基礎上改進的，和Scharr不一樣！

　　Canny的步驟是：1.給一張圖片，先進行濾波消除干擾，濾波前面博客已經說明。

　　2.計算梯度（進行Sobel算子計算）。

　　3.非極大值抑制。

　　4.滯后閾值。

　　下面一屆具體介紹-》》》》

　　在opencv2.0的時候，直接調用API就幫你完成全部的工作，包含上面的四部。

　　現在opencv3.0濾波得自己操作，API完成了后三步操作。

　　這里在Sobel運行之后的基礎上對圖像的邊緣進行了優化，哪些是優秀的，哪些是差的，在這里會處理。

　　---細談邊緣檢測---

　　上面講到Canny的非極大值抑制和滯后閾值，其中這兩點是這個算法的核心！

　　非極大值抑制：

　　從字面上的理解就是從一群數據中找到真正的極大值，對于不是極大值的省略或者抑制顯示。

　　我們來想一下，Sobel算子計算的值就是邊緣的值嗎？1.算子是固定的，那就有很大的幾率會計算到不是邊緣的數據。

　　2.計算的結果不會省略不好的點，也不會去加強好的點，所以顯示就不明顯。

　　我們的目的就是改進上面兩個點，對于第一個點，我們得比較那些計算的點進行比較，把不好點舍去---》》》

　　以前在神經網絡那篇博文里提到過“梯度”的概念，就是數據下降或者上升最快的方向，簡單的說就是求導切線的方向！

　　試想一下我們在這個方向上找最大和最小值是最快最準確的，這個具體原因神經網絡那篇博文說過了，可以去看看。

　　通過計算我們得到了θ的值在［-π/2，+π/2］區間，然后我們就可以比較在這個方向上的G和左右G1、G2的大小，當G》G1、G2的時候，那就說明這個G就是局部極大值，從而保留下來：

　　例如：G0的θ是45度，那么在它的梯度方向來對比它是不是最大值，如果是的話那就說明它是局部極大值-》判斷G0和（G3、G6）的大小關系！G0 = G0》G3&&G0》G6？ G0:0;

　　上面的方法是第一代非極大值抑制算法，缺點是當 θ！=0、45、90、180 時，那么旁邊的八個值就不在θ的梯度上，就沒辦法去做比較了，這時候出現第二代算法---》》》

　　插值法運用在非最大值抑制算法中：

　　插值法：就是y=kx+b的插值公式，比如：X1和X2中間想插一點X，X = X1 + k（X2-X1）或者X= k*X1 +（1-k）X2 當然插值法還有其它形式，不過兩點的線性插值比較簡單的。這里使用第二者！

　　上面的圖形是當 |Gy|》|Gx| && Gx*Gy》0 的情況。前者保障靠近y軸，后者保證θ》0.

　　注釋：在有的文章上看的和我說的相反，按照數學知識應該是這樣的啊，具體原因我也不知道了。

　　令 k = |Gy/Gx|

　　G23 = k*G2 + （1-k）*G3;

　　G67 = k*G6 + （1-k）*G7;

　　G0 = G0》G23 && G0》G67 ？ G0:0;或者這里可以突出重點給定G0的值G0 = G0》G23 && G0》G67 ？ 200:0;