在给出包含代码示例的解决方法之前，需要明确一下问题的具体定义和背景。边缘之间的距离一般指的是在图像或者矩阵中计算两个边缘之间的距离。边缘通常指的是图像中不同区域之间的边界或者物体的轮廓。

下面是一种常用的方法来计算边缘之间的距离：

1. 首先，使用边缘检测算法（如Canny算法）来提取图像中的边缘。这将生成一个二值图像，其中边缘像素值为1，非边缘像素值为0。

2. 接下来，对于每个边缘像素，计算它与最近的边缘像素之间的欧氏距离。可以使用距离变换算法（如距离变换算法）来实现这一步骤。

3. 最后，根据需要，可以将距离值进行归一化或者缩放，以便更好地表示边缘之间的距离。

下面是使用Python和OpenCV库实现上述方法的代码示例：

import cv2
import numpy as np

# 读取图像并转为灰度图像
image = cv2.imread('image.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 边缘检测
edges = cv2.Canny(gray, 50, 150)

# 距离变换
dist_transform = cv2.distanceTransform(edges, cv2.DIST_L2, 3)

# 归一化距离图像
normalized_dist = cv2.normalize(dist_transform, None, 0, 1.0, cv2.NORM_MINMAX)

# 显示图像
cv2.imshow('Original Image', image)
cv2.imshow('Edges', edges)
cv2.imshow('Distance Transform', normalized_dist)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，首先读取图像并将其转换为灰度图像。然后使用Canny算法进行边缘检测，生成二值图像。接下来，使用cv2.distanceTransform()函数计算距离变换，得到边缘之间的距离。最后，使用cv2.normalize()函数对距离图像进行归一化处理，以便更好地可视化距离信息。

希望以上解决方法对您有帮助！