该包通过对由高斯滤波器（即 LoG）平滑的图像使用二阶导数来检测边缘。

matlab合并代码窗口结构化森林 版本1.1 更新： 使用压缩来减小模型大小。 用Cython重写直方图功能以加快检测速度。 微调一些参数以稍微提高精度。 似乎Anaconda安装的libjpeg软件包在解码图像时存在一些错误。 解码结果与Matlab的imread输出结果不同。 因此，如果您使用Anaconda，则可以考虑卸载libjpeg，然后通过apt-get（对于Ubuntu）重新安装。 版本1.0 Piotr的ICCV论文“用于快速边缘检测的结构化森林”的Python实现。 性能几乎与Piotr的原始（Matlab）实现相同（在BSDS500上，Piotr的：[ODS = 0.738，OIS = 0.758，AP = 0.795，R50 = 0.923]，我的：[ODS = 0.739，OIS = 0.759，AP = 0.796，R50 = 0.924]）。 对于原始实现，请查看作者的网页：。 如何使用 平台：强烈建议使用Ubuntu 14.04 + Anaconda。 不过，我不使用任何平台相关的API。 因此，这些代码也应该在Windows / Mac OS X上也可

图像的边缘检测工程

针对目前数字图像处理速度慢的问题, 提出了一种基于 FPGA器件的 Sobel 边缘检测实现方案。Sobel 边缘检测分别在FPGA和MATLAB上仿真实现，仿真结果表明，该方案可以大幅提高Sobel 边缘检测的速度，并且获得了很好的边缘检测效果。最后列举了一个基于FPGA器件的Sobel边缘检测的应用实例。

本文利用python opencv进行图像的边缘检测，一般要经过如下几个步骤： 1、去噪 如cv2.GaussianBlur()等函数； 2、计算图像梯度 图像梯度表达的是各个像素点之间，像素值大小的变化幅度大小，变化较大，则可以认为是出于边缘位置，最多可简化为如下形式： 3、非极大值抑制 在获得梯度的方向和大小之后，应该对整幅图像做一个扫描，去除那些非边界上的点。对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的。如下图所示： 4、滞后阈值 现在要确定那些边界才是真正的边界。这时我们需要设置两个阈值：minVal 和maxVal。当图像的灰度梯度高于maxVal

很好用的，编好了的C#算子实例，有锐化，调亮度等一般的操作，还有各种算子的滤波和边缘检测

针对传统图像边缘检测算法存在的边缘方向性不强及边缘较粗等问题，提出了一种基于八方向卷积模板的边缘检测算法。算法采用0°、22.5°、 45°、67.5°、 90°、112.5°、135°和157.5°八个方向的卷积模板进行边缘检测，模板权值根据中心像素点到邻域像素的距离及方向夹角的大小进行设定，充分考虑到了邻域内像素对中心点方向梯度的贡献大小，能够较好地检测出图像不同的方向边缘。对梯度图像采用了改进的非极大值抑制方法进行细化，可得到单像素的图像边缘。实验结果表明，该算法获取的边缘图像边缘较为完整，方向性强且边缘较细，整体效果明显优于传统Sobel算法。

基于canny的边缘检测算法，含极大值抑制，高低阈值等，可用，matlab编写

自编matlab下的边缘检测算法，以prewitt算子示例

1、imshow展示图像大小随意调整 2、常规图形检测实例 3、检测图形轮廓demo 4、检测多个轮廓取轮廓拟合，取最小能包围住物体的轮廓 5、边缘检测，梯度算法