在彩色图像中寻找边缘可以通过将图像分解为其通道，分别找到渐变并以某种方式融合它们来完成。但是，这种方法没有将颜色分量合并到联合模型中。幸运的是，有一种更好的方法可以做到这一点，那就是结构张量表示。

颜色结构张量描述了图像中某一点的二维一阶微分结构。它由以下人员指定：

$S= \left[ {\begin{array}{cc} R_x^2+G_x^2+B_x^2 & R_xR_y+G_xG_y+B_xB_y \\ R_xR_y+G_xG_y+B_xB_y & R_y^2+G_y^2+B_y^2 \\ \end{array} } \right]$

其中下标表示偏导数。这是对局部梯度的更精确描述。然后将特征分解应用于结构张量矩阵以形成特征值和特征向量。较大的特征值表示局部图像边缘的强度（梯度幅度）和跨边缘的相应特征向量点（在梯度方向上）。换句话说，特征值编码梯度幅度，而特征向量包含梯度方向信息。请注意，特征向量和特征值可以针对结构张量进行解析计算。$S$

结构张量还有很多其他用例，所以很高兴知道。最后但同样重要的是，这是一个 MATLAB 代码，它使用此信息来计算梯度：

http://www.mathworks.com/matlabcentral/fileexchange/28114-fast-edges-of-a-color-image-actual-color-not-converting-to-grayscale/content/coloredges.m

获得梯度后，您可以进一步以标准方式（canny 等）进行边缘检测。

是的，您可以为每种颜色使用索贝尔渐变。如果您对使用其他方法进行边缘检测感到满意，请尝试以下操作：

1-明确指定您想要获得的颜色。说红色。纯红色将是这样的 [1,0,0]。如果您遵循 RGB 模型/颜色系统。其中： 第一个值：表示它有多红。第二个值：表示它的绿色程度。第三个值：表示它有多蓝。

现在，如果您知道想要的确切颜色，请说 [0.85,0.2,0.17]。那也会好的。

2- 指定范围。这取决于用户来选择，主要是通过反复试验来完成，他/她会得到确切想要的颜色。

如果你的颜色是 [0.85,0.2,0.17]。假设您的红色范围是 [0.9 到 0.8]。假设您的红色范围是 [0.25 到 0.15]。假设您的红色范围是 [0.22 到 0.12]。

3- 现在您可以轻松地执行 for 循环来搜索感兴趣的区域。

循环算法将是 - 搜索落入指定区域的红色值，如果找到，则搜索绿色像素值是否落入指定区域，如果找到，则最后搜索蓝色。

现在您确实意识到了边缘的位置，您可以轻松地操纵和更改它们的颜色以用于任何不同的目的。

对于大图像来说，这是一个简单的有点长的技术，但很容易理解。