有很多边缘检测的可能性，但你提到的 3 个例子恰好属于 3 个不同的类别。

索贝尔

这近似于一阶导数。在梯度位置给出极值，0 表示不存在梯度。在一维中，它是 =$\left[ \begin{array}{ccc} -1 & 0 & 1 \end{array} \right]$

• 平滑边缘 => 局部最小值或最大值，取决于信号上升或下降。
• 1 像素线 => 0 线本身，其旁边有局部极值（不同符号）。在一维中，它是 =$\left[ \begin{array}{ccc} 1 & -2 & 1 \end{array} \right]$

Sobel 还有其他替代品，它们具有 +/- 相同的特性。在维基百科的Roberts Cross页面上，您可以找到其中一些的比较。

拉普拉斯

这近似于二阶导数。在渐变位置给出 0，在不存在渐变的地方也给出 0。它给出了（更长的）梯度开始或停止的极值。

• 沿边缘平滑边缘 => 0，边缘开始/停止处的局部极值。
• 1 像素线 => 线上有一个“双”极值，旁边有一个带有不同符号的“正常”极值

这 2 种对不同类型边缘的影响可以从视觉上得到最好的观察：

精明的

这不是一个简单的算子，而是一个多步骤的方法，它使用 Sobel 作为步骤之一。在 Sobel 和 Laplace 为您提供灰度/浮点结果的地方，您需要自己设置阈值，而 Canny 算法将智能阈值作为其步骤之一，因此您只需获得二进制是/否结果。此外，在平滑的边缘上，您可能会在渐变中间的某处发现只有 1 条线。

虽然 Sobel 和 Laplacian 只是过滤器，但 Canny 在两个方面比这更进一步。

首先，它进行非最大抑制，消除图像中各种对象和颜色梯度产生的噪声。其次，它实际上包括一个步骤，可让您辨别不同的边缘方向并填充线条的缺失点。

换句话说，Canny 边缘检测器与 Sobel 和 Laplacian 属于完全不同的类别。它更聪明，因为它包括一大堆后处理，而 Sobel 和 Laplacian 只是高通滤波器输出，然后是线性二进制阈值。

对我来说，尝试检测边缘时最重要的两个决定通常是：

1. 我可以分割对象，然后使用形态学算子来找到二进制（分割）图像的边缘吗？对于嘈杂的数据，这往往更加稳健。

2. 我应该使用什么边缘保持平滑滤波器来减少图像噪声？边缘过滤器基于差分，这将受到噪声数据的影响。最简单的选择是中值滤波器，但各向异性扩散或非局部意味着滤波器将提供更好的性能，但代价是需要调整更多参数。

对于边缘检测本身，我想不出不使用 Canny 的充分理由。

苏珊方法

边缘和角点检测的另一种方法是SUSAN 方法。

在这种方法中，使用积分近似方法而不是导数近似。这样做的好处是不仅可以检测边缘，还可以检测“二维特征”（即角点）。

积分近似方法的另一个优点是噪声对结果的影响往往较小。