Computer vision 边缘检测技术

有人知道Prewitt、Sobel和Laplacian算子在边缘检测算法中的区别吗

有些人比其他人好吗

---

不同的算子在不同的情况下使用吗？

拉普拉斯算子是一个二阶导数算子，另外两个是一阶导数算子，因此它们在不同的情况下使用。Sobel/Prewitt测量坡度，而Laplacian测量坡度的变化

示例：

如果您有一个具有恒定斜率（梯度）的信号：

一阶导数滤波器（Sobel/Prewitt）将测量斜率，因此滤波器响应为

Sobel result:      2 2 2 2 2 2 2 

对于该信号，拉普拉斯滤波器的结果为0，因为斜率是恒定的

示例2：如果有边缘信号：

Edge:            0 0 0 0 1 1 1 1 

sobel滤波结果有一个峰值；峰值的符号取决于边缘的方向：

Sobel result:    0 0 0 1 1 0 0 0

拉普拉斯滤波器产生两个峰值；边缘的位置与拉普拉斯滤波器结果的过零相对应：

Laplace result:  0 0 0 1 -1 0 0 0

所以，如果你想知道边缘和方向，你可以使用一阶导数滤波器。此外，拉普拉斯滤波器比索贝尔或普雷维特滤波器对噪声更敏感

另一方面，Sobel和Prewitt滤波器非常相似，用于相同的目的。一阶导数滤波器之间的重要区别如下

• 对噪声的敏感性
• 各向异性：理想情况下，X/Y的滤波结果应与sinα和cosα成比例，其中α是梯度的角度，并且每个角度的两个平方和应相同
• 拐弯处的行为

这些特性可以通过人工测试图像来测量（如中的著名图像）。不幸的是，我在那本书中没有找到任何关于Prewitt算子的东西，所以你必须自己做实验

---

最后，这些属性之间总会有一个折衷，其中哪一个更重要取决于应用程序。

谢谢Nikie，这是一个非常好的回答，也是我想要的。接受答案：）。英特尔的Jähne测试模式显然改变了位置（上面答案中的死链接），我在这里找到了它们：

Laplace result:  0 0 0 1 -1 0 0 0