在了解完梯度的概念之后呢，下面我们先介绍一下几种基本边缘检测滤波器: Sobel、Prewitt、Roberts算子 我们以Sobel为例，其中 分别表示对于X轴、Y轴的边缘检测算子，从 算子结构可以很清楚发现，这个滤波器是计算当前像素点右边与左边8连通像素灰度值的差值，我们先通过一维的概念来理解一下：
第一类是经典的边缘检测方法,如微分算子法、最优算子法和拟合法等。 题进行分析,给出一维值代价函数作为最优提取依据,从全局最优的观点提取边缘,如松驰法。 第三类是以小波变换、数学形态学、模糊数学、分形理论等近年来发展起来的高新技术为基础的图像边缘提取方法,尤其是基于多尺度特性的小波变换提取图像边缘的方法是目前研究较多的课题。 其中,以上每一类都包含各种不同的边缘检测算法。 [1] 此外，还诞生了一些如基于神经网络的边缘检测等近年来新兴起的方式。 在这里，由于本人并没有深入、系统地学习过图像处理，能力所限，主要介绍一下经典的边缘检测算法里的算子的方法，以及在传统的图像识别里的sift特征里同样提到的尺度空间概念。
现有边缘检测技术在抑制噪声方面有一定的局限性，在阈值参数选取方面 基于matlab 的图像边缘检测算法研究 自适应能力很差，有待进一步改进和提高。 （1）多谱图像是图像配准技术中的一个难点，传统的图像配准技术只适用于同源图像，由于红外图像和可见光遥感图像的成像波段不 同，对于同一场景，所采集到的图像的差异很大。
图像边缘检测的结果直接影响物体检测和识别的效果。 [3] 图像中的边缘检测一直是机器视觉领域中的研究热点,从年代至今,人们已经从不同的角度、不同的应用背景提出了很多方法,归纳起来分为三大类。 第一类是经典的边缘检测方法,如微分算子法、最优算子法和拟合法等。
