标记图像中灰度变化显著的点是进行边缘检测的最基本的目的。而它的过程，则是使用特别的数学方法来提取出图像的像元中方向梯度大的边、线特征的过程，这不仅是属于图像处理的基本问题，同时也是属于计算机视觉的基本问题。由于边缘检测在生活中的价值巨大，所以从图像处理技术兴起以来，人们对它的研究从未中断。早起经典算法包括门限化法、边缘算子法、模板匹配发等，但是它们在计算机技术的飞速发展的潮流下，逐步退出历史舞台，各种新兴技术随之产生，其中以模糊数学、神经网络等技术最为突出，他们因为边缘检测算法发展出了独有的算法。同时学科间的相互渗透也为边缘检测算法的发展注入了新鲜的活力。例如，将小波变换分辨率分析的概念应用到各个算法之中、将模糊数学与统计理论相结合而生成的算法等等。25243
    在图像边缘检测方法中，传统的算法算是偏成熟的，它的主要手段是通过微分运算来完成，并且是被归结成图像高频分量的不断增强的过程。在我们常见的边缘检测算法中，有Roberts算子、Sobel算子、Prewitt算子和Canny算子等，第二章会作介绍。论文网
    然而由于实验室并非真空环境，所做的实验都是会受环境因素所影响，不可避免的图像在采集和传输过程中也会受到影响，比方说噪声和光照等，往往会导致检测的过程中出现误差，影响边缘检测的结果。所以传统方法检测的结果并不理想，需要改进。
    边缘从计算机视觉研究的早期就已经开始应用。由于其良好的定位和高召回率，Canny边缘检测算法是从二文图像找到边缘时最广泛采用的方法。通过搜索图像的倒角距离查找已知的模板，进一步采用基于模型的视觉跟踪和对象分类的方法。
    三文边缘检测一直是计算机图形学中的研究重点。大多数的研究是从多边形网格模型和点云发现的边缘或线条入手的。Ohtake等科学家经由外形的曲率在网络模型上搜索脊谷线。而这项工作需要的多边形网格，有几种几种方法直接从点云发现折痕的边缘。这些方法虽然能从三文模型的三文边缘检测突变，但是因为他们依靠昂贵的曲率计算和邻域搜索的3D，所以非常耗时。由于机器人应用中实时约束的存在，所以这些方法可能不是一个理想的解决方案。
    在三文点云配准中，迭代最近点（ICP）算法是将一个点到另一个点连成直线的已知的最好的技术。针对两套对应关系的匹配过程，，通过测量旋转误差的一个距离度量提高ICP算法精度。国家的最新技术是由西格尔等人研究得出，他们提出了平面ICP概率方法。这些技术最初被设计为成对的配准，可以将多个扫描结果成对排列。
大型配准申请，如SLAM和三文重建，往往需要进行全局优化的多个扫描。最近，很多解决非线性优化问题的软件已经发布，包括g2o图书馆、在谷歌CERES求解和GTSAM。SLAM姿势图在文献中已有很好的研究。6D SLAM是一种利用ICP算法处理姿势图方法的一个例子。姿势图，也可以是测量来计算相对构造之间的转换，帕塔克等人利用平面特征研究而成的这种测量方法是具有里程碑意义的。使用RGB-D相机的姿势图也被研究过。其中一种方法是利用SURF关键点检测的二文描述，然后投射到三文结构。然后通过RANSAC来计算帧之间的相对位置，经ICP和全局优化之后，通过使用HOGMAN进行姿势图优化。亨利等人提出的一种相关的方法，以间的序列构成了视觉里程计，并利用SIFT特征点匹配使用稀疏束调整计算闭环约束这些框架。这些方法都是基于稀疏特征的，纽康等人显示密集的方法称为kinectfusion。它在线模型表面建立了一个截断符号距离函数（TSDF），与当前的摄像机位置用点到平面的ICP计算。这种方法依赖于获取高端GPU，对于一些移动机器人来说，这是不现实的。 图像边缘检测技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_18921.html