在边沿检测中，常用的一种模板是sobel 算子。sobel 算子有两个，一个是检测水平边沿的 ；另一个是检测垂直平边沿的 。与 和 相比，sobel算子对于象素的位置的影响做了加权，因此效果更好。

sobel算子另一种形式是各向同性sobel(isotropic sobel)算子，也有两个，一个是检测水平边沿的 ，另一个是检测垂直平边沿的 。各向同性sobel算子和普通sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性，我们可以发现，处理该类型图像轮廓时，并不需要对梯度方向进行运算，所以程序并没有给出各向同性sobel算子的处理方法。

由于sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数， 简单有效，因此应用广泛。美中不足的是，sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是sobel算子没有基于图像灰度进行处理，由于sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。 在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们给出了下面阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。

.net代码如下

for(times=0;times<128&&ithreshold!=inewthreshold;times++)

{

ithreshold=inewthreshold;

lp1=0;

lp2=0;

ls1=0;

ls2=0;

for(i=imingray;i<ithreshold;i++)

{

lp1+=histogram*i;

ls1+=histogram<i>;

}

imean1gray=lp1/ls1;

for(i=ithreshold;i<imaxgray;i++)

{

lp2+=histogram<i>*i;

ls2+=histogram<i>;

}

imean2gray=lp2/ls2;

inewthreshold=(imean1gray+imean2gray)/2;

}