参考链接：https://blog.csdn.net/yato0514/article/details/82051790
图像方面的特征一般是从边缘开始，然后不断向上构成更高层次的特征描述，边缘和边界是不同的，边缘是指图像中的像素值突变的地方，边界指实际场景中物体间的边界
常用的一阶算子：sobel，roberts，prewitt，canny
常用的二阶算子：laplacian
sobel是离散型的差分算子，用来运算亮度函数的梯度近似值，是典型的基于一阶导数的边缘检测算子。因为引入了类似局部平均运算，因此对噪声有平滑作用，能较好的消除噪声，sobel对像素位置的影响进行了加权，与Prewitt算子和Roberts算子相比效果更好。
sobel算子包括两个3*3矩阵，分别用来检测横向和纵向的亮度差分近似值，常用模板：
梯度大小和方向theta计算公式
如果theta等于0，说明该处有纵向边缘，左方较右方暗。
sobel的缺点：没有将图像和背景严格分开
sobel的另一种形式，加权平均算子，权值与邻点和中心点的距离成反比，沿不同方向检测边缘时梯度一致（各向同性），算子模板：
最简单的一种算子，利用局部差分算子寻找边缘，采用对角线方向相邻两像素之差近似梯度幅值检测边缘，定位精度高，但对噪声敏感。常用模板：
做横向，右纵向
prewitt利用像素点上下、左右邻点的灰度差，在边缘处达到极值，去掉部分为边缘，对噪声有一定的平滑作用，它的定位精度不如Roberts，实现方法与Sobel类似，但实现的功能差距很大，对边缘的检测精度不如Sobel。
Canny算子具有滤波、增强、检测多个阶段，步骤：
laplace算子是一种各向同性算子，是二阶微分算子，在只关心边缘的位置而不考虑周围像素的灰度值时比较合适，laplace算子对鼓励像素的响应比对边缘的响应要更强烈，因此只适合无噪声的图像，如果有噪声还想用拉普拉斯算子，就要先进行低通滤波预处理。拉普拉斯算子不能检测边缘的方向。laplace在分割中的作用：
