前面发布的文章提过：特征提取是图像处理、复杂识别（含人脸识别、行为识别、姿态识别、物品识别等）、多维数据融合等实用技术得以应用的基础；但边缘检测技术的应用同样有极重要的参考价值。
边缘检测和特征提取两者有一共性，那就是都需要借助机器（包含计算机和各类终端设备）从外部的客观图像中提取有价值可区分的信息，而边缘检测在图像处理领域就常被看作定位于对象边界的必要技术。
如果进一步说通俗点，边缘检测又被称为边缘识别，所谓识别就是模仿人类肉眼视觉（特殊情况下，才模仿动物视觉，比如特殊勘测领域或军事识别领域）的一个过程。
下图是国际著名影星奥黛丽赫本的图像经边缘检测后的构图，大家能看出她的美丽轮廓吧~
图1. 奥黛丽赫本的图像经边缘检测后的构图
人类在观察客观世界时，会瞬间看到视觉范围内的物体边缘，然后分析和理解；但机器在检测物体边缘时，首先会对轮廓点进行粗略检测（当然也是程序员按照通行编程逻辑安排的）, 然后通过一些特定算法程序将检测到的轮廓点连接成线, 同时也筛取并连接遗漏的特殊边界点（其中包含消除虚假边界点）。
实际应用中，进行边缘检测通常是要找到图像中亮度（或颜色）变化程度剧烈的像素点所构成的集合，该集合就是轮廓；进一步而言，假如边缘能够被精准定位检测到，就意味着实际物体能够被精确鉴别，包含检测对象的尺寸、体积、形状等就能被有效测量。人类控制机器在构建客观世界的图像采集过程中，一般会有下述几种情形映射出图像的边缘（与肉眼视觉类似）：
1、非连续的表面方向（如立方体不同的几面）；
2、非连续的深度位置（物体处在不同平面上）；
3、非同类的物体材料（导致光学成像反射效果不同）；
4、不同场景下的光照度（如树荫遮蔽的地面）。
现在还要补充说明的一点是：在实际边缘检测中，通常先将彩色图像转换为只含黑白两色的灰度图，再进行边缘检测（例如下面一匹骏马图像的边缘检测过程）。
图2. 一匹骏马图像的边缘检测过程
其中一个原因是：在一幅真实来自客观世界反映的图像中，边缘具备方向和幅度两个明显特性；不难理解，沿边缘走向的灰度变化往往较为平缓，垂直于（或正交于）边缘走向的灰度变化肯定是剧烈的（如下图所示）；这一剧烈变化往往正好反映了图像中关于形状、反射或透射的信息, 有一个专业词汇来描述这种现象，就是“灰度梯度”；理解并测算灰度梯度恰恰是图像分析、模式识别及多维数据融合等工作进一步开展的基础。
图3. 边缘检测中的两个方向
以上内容供大家编写入门程序时参考，本来还有许多要讲的，例如各类边缘检测梯度算子，但数学概念估计大家不愿意太花心思阅读，读者也完全可以自己查阅文献，兼虑时间有限，晚上写作又有点犯困，谢谢大家理解，今后继续…. |
