（一）先从感兴趣的边缘检测开始
边缘检测中，其中一阶边缘检测的算法有：prewitt、canny、sobel，二阶边缘检测算法有：laplace
1.Sobel边缘检测
sobel算子根据像素点的上下、左右邻点加权差，在边缘达到极值来达到边缘检测的目的。对噪声有平滑作用，可以提供较准确的边缘方向信息，但是对边缘检测的精度不高，适合于边缘检测精确要求不高的检测。
，
，
则x方向梯度进而计算
同理对y方向梯度进行计算，这里不写推导过程
2..Canny边缘检测
canny检测的原理是：进行高斯滤波进行平滑；计算图像中每个像素点的方向和梯度；根据非极大值抑制，消除边缘检测带来的杂散响应；再根据双边阈值对真实潜在的边缘进行确定；通过阈值孤立弱边缘最终完成边缘检测。
(1)先进行高斯滤波
高斯滤波器与图像卷积，平滑滤除噪声，
这里高斯核的生成方程式为：
，之后归一化高斯核
像素点的亮度值为 e = H * A。其中高斯滤波核的大小的选择影响canny的性能，尺寸越大对噪声的敏感度越低，但是定位误差会有所改善，其中5*5大小的不错。
(2)计算梯度的强度和方向
图像中的边缘可以指向各个方向，可以用边缘检测算子来返回边缘的值，如prewitt、sobel、robert等返回水平Gx和垂直Gy。sobel的处理方法可以像上面说的sobel检测那样计算点的像素值，Gx=Sx*A , Gy= Sy*A
(3)非极大值抑制
对于刚刚的梯度计算之后，边缘还是存在不清晰的现象，因此还需要进一步对边缘进行限定。非极大值抑制可以将局大值之外的抑制为0，具体的将当前像素强度的梯度与另外两个相比，它最大的话保留，小的话抑制。
如上图所示，c是我们进行判断去留的点，它的梯度方向是左图中的斜线方向。这里要比较的是斜线与上下直线相交的dTmp1以及dTmp2点的梯度。要计算dTmp1和dTmp2的梯度，找出c点中8邻域中靠近的4个点g1、g2、g3、g4。利用比例关系计算梯度
M(dTmp1)=w*M(g2)+(1-w)*M(g1) ，其中w=distance(dTmp1,g2)/distance(g1,g2) ；同理算出dTmp2。这样比较之后判断是保留c点还是抑制c点。
(4)双边阈值
但是经过上面的极大值抑制后还是会存在噪声等干扰。因此这里用双边阈值来抑制。Canny算法利用双阈值，一个高阈值一个低阈值来区分边缘像素，如果边缘像素梯度大于高阈值，则为强边缘点，如果边缘像素梯度小于低阈值，则为弱边缘点。其中，弱边缘点被抑制掉。应该是因为噪声的干扰大多情况下没有真边缘表现的那么强的原因。
一般在双边阈值之后Canny边缘提取就结束了。但是其实在双边阈值中被抑制掉的弱边缘点可能是真的边缘，这样对边缘提取的准确性会有影响。这里还可以进行一步，滞后边界追踪，这里利用弱边缘点的8连通域像素来进行判断，如果8连通域内存在强边缘点，则弱边缘点被当作真的边缘点保留下来。
（二）再放一个阈值分割
1.大津阈值分割（最大类间方差法）
按灰度特性，将图像分成前景和目标。前景和目标的类间方差越大，则构成此图的两部分的差别越大。例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有
ω0=N0/ M×N (1)
ω1=N1/ M×N (2)
N0+N1=M×N (3)
ω0+ω1=1 (4)
μ=ω0*μ0+ω1*μ1 (5)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
