（1）基于查找的方法是通过寻找图像一阶导数中的最大值和最小值来检测边界，通常是将边界定位在梯度最大的方向，是基于一阶导数的边缘检测算法。
（2）基于零穿越的方法是通过寻找图像二阶导数零穿越来寻找边界，通常是拉普拉斯过零点或者非线性差分表示的过零点，是基于二阶导数的边缘检测算法。
基于一阶导数的边缘检测算子包括Roberts算子、Sobel算子、Prewitt算子等，它们都是梯度算子；基于二阶导数的边缘检测算子主要是高斯-拉普拉斯边缘检测算子。
常用的边缘检测算子1．梯度算子
几个最常用的梯度算子的模板如图12.3所示。
Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备抑制噪声的能力。该算子对具有陡峭边缘且含噪声少的图像效果较好。
Sobel算子和Prewitt算子都考虑了邻域信息，相当于对图像先做加权平滑处理，然后再做微分运算，所不同的是平滑部分的权值有些差异，因此对噪声具有一定的抑制能力，但不能完全排除检测结果中出现的虚假边缘。虽然这两个算子边缘定位效果不错，但检测出的边缘容易出现多像素宽度。
2．高斯-拉普拉斯算子
在5.5.3小节已经介绍了拉普拉斯算子，但是由于它是一个二阶导数，对噪声具有无法接受的敏感性，而且其幅值会产生双边缘，另外，边缘方向的不可检测性也是拉普拉斯算子的缺点之一，因此，一般不以其原始形式用于边缘检测。
为了弥补拉普拉斯算子与生俱来的缺陷，美国学者Marr提出了一种算法，在运用拉普拉斯算子之前一般先进行高斯低通滤波。
3．Canny边缘检测算子
在图像边缘检测中，抑制噪声和边缘精确定位是无法同时满足的，一些边缘检测算法通过平滑滤波去除噪声的同时，也增加了边缘定位的不确定性；而提高边缘检测算子对边缘的敏感性的同时，也提高了对噪声的敏感性。Canny算子力图在抗噪声干扰和精确定位之间寻求最佳折中方案。
12.2节介绍了一些边缘检测的有效方法。但实际中由于噪声和光照不均等因素，使得在很多情况下所获得的边缘点是不连续的，必须通过边缘连接将它们转换为有意义的边缘。一般的做法是对经过边缘检测的图像进一步使用连接技术，从而将边缘像素组合成完整的边缘。
霍夫（Hough）变换是一个非常重要的检测间断点边界形状的方法。它通过将图像坐标空间变换到参数空间，来实现直线和曲线的拟合。
批注：霍夫坐标系即参数坐标系。
直线检测霍夫变换，英文名称Hough Transform，作用是用来检测图像中的直线或者圆等几何图形的。
霍夫变换是相对于笛卡尔直角坐标系的参数坐标系，即笛卡尔中的线对应霍夫中的点，因此可以在霍夫坐标系中选择最多线相交的点，将该点作为直线参数，这样选出的直线就是有最多点经过的直线。而后由于无法表示无穷大，又发展为极坐标表示法。
参考链接：
https://www.cnblogs.com/fcfc940503/p/11303533.html
TODO.
任意形状的检测TODO.
阈值分割读者曾在3.5节学习过灰度阈值变换的相关知识，利用灰度阈值变换分割图像就称为阈值分割，它是一种基本的图像分割方法。
阈值分割的基本思想是确定一个阈值，然后把每个像素点的灰度值和阈值相比较，根据比较的结果把该像素划分为两类——前景或者背景。一般来说，阈值分割可以分成以下3步。
确定阈值。
将阈值和像素比较。
把像素归类。
其中第1步阈值的确定是最重要的。阈值的选择将直接影响分割的准确性以及由此产生的图像描述、分析的正确性。
阈值分割方法阈值分割常用的方法一般有以下几种。