======邊緣檢測算法：灰度值變化劇烈的地方，及圖像的高頻(變化快)部分，
======那麼邊緣檢測其實就相當於高頻濾波或者說圖像銳化後設置閾值進行取捨的結果
======通常情況下微分運算是求變化率，也就加強了圖像的高頻部分
======那麼微分運算 = 計算圖像的差分 = 計算梯度
傅里葉，拉普拉斯講解：https://blog.csdn.net/ciscomonkey/article/details/85067036
（1）經典算子：Sobel、Perwitt、Roberts、LoG、DoG、Canny
Canny：邊緣完整--利用形態學
（2）小波變換多尺度分析
小波包分解
數學形態學
分形理論
edge函數：https://blog.csdn.net/sinat_39372048/article/details/82628657
（1）經典算子：
https://blog.csdn.net/u014485485/article/details/78339420
https://blog.csdn.net/sophia_xw/article/details/70168554
Sobel算子：
卷積因子
除噪(平滑處理)-----利用卷積因子進行卷積運算(賦予相鄰像素不同權值)----計算差分灰度值(G=|Gx|+|Gy|)------
計算梯度=arctan(Gy/Gx)-------設定閾值(大於閾值則爲邊緣)
Perwitt算子：
![]()
Roberts算子：
![]()
梯度=arctan(Gy/Gx)+Π/4
LoG算子(拉普拉斯高斯算子)：二階
Laplace算子：
兩個方向： 四個方向：
說明：G(x,y)----高斯函數(sigma、N) I(x,y)----原圖像
▲----卷積運算模板(函數求二階導的離散形式(二項式逼近式係數))
(1) 高斯平滑：|G(x,y)*I(x,y)| ----(乘以高斯函數--抑制圖像噪聲)
(2)拉普拉斯：▲|G(x,y)*I(x,y)| = 卷積模板*|G(x,y)*I(x,y)|
最終推導：
(3)▲G(x,y) ----- 對G(x,y)(高斯函數)求取二階導
DoG(高斯函數差分)：LoG的數學計算改進，對圖像進行兩次高斯平滑再將結果相減就可以近似得到LOG作用於圖像的效果了！
https://blog.csdn.net/u014485485/article/details/78364573
