OpenCV与Python之图像边缘检测

目录

1. Sobel算子

2. Scharr算子

3.  Laplacian算子

4. Canny算子

---

1. Sobel算子

对于Sobel原理，此处不进行介绍，百度一搜很仔细，但我们需要知道Sobel的是一阶微分算子，也就是图像的一阶导数，根据导数的定义，变化越明显的地方，梯度也大，自然也就对应了图像的边缘。

Sobel的核分为了x方向和y方向两个：

Gx = [[-1,0,1],[-2,0,2],[-1,0,1]]

Gy = [[-1,-2,-1],[0,0,0],[1,2,1]]

分别检测x，y方向的梯度

命令：dst = cv2.Sobel(img, ddepth, dx, dy, [ksize])

img为原始灰度图像；ddepth为图像深度，也就是图像的位数，灰度图一般是uint8，如果ddepth = -1，意味着输出图像的深度与输入一致；dx表示x方向；dy表示y方向；两者一般配合使用，如果是（1,0）表示求x方向梯度，如果是（0,1）表示y方向的梯度；最后ksize表示核的大小，一般为默认参数

img = cv2.imread('images/sobel.bmp', cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img, -1, 1, 0)
sobely = cv2.Sobel(img, -1, 0, 1)

我们看一下原始图像和x，y方向的梯度情况：

我们可以发现，x，y方向的边缘检测都有问题，只有一般被检测出来了，这是因为我们选择ddepth参数的问题，我们选择-1，让Sobel输出图像的深度和输入保持一致，也就是也为uint8，这就有一个问题了uint8的范围是0到255，但比如在x方向时，图像左边是白色（255），右边是黑色（0），用Sobel算子就是右边减去左边，这样便得到了一个负值梯度，而uint8保存不了负值，做截断处理，所以一半边缘就没有被检测出来，为了处理这种情况，我们应将ddepth参数改为cv2.CV_64F，即将输出图像的深度改为64位的浮点数，然后使用cv2.convertScaleAbs，将负值取绝对值，如果不使用还是只能得到一半的边缘，因为负值还是会被截断

如果我们想要得到整幅图的梯度情况，我们可以使用cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)函数，将两个方向的梯度带权重相加，都取0.5的权重表示两者权重一样

注意：得到整幅图的梯度时，不能简单的将dx，dy设成（1,1），这样得到的结果是不正确的

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1)
sobelx = cv2.convertScaleAbs(sobelx)
sobely = cv2.convertScaleAbs(sobely)
sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

结果： 

 

2. Scharr算子

与Sobel算子完全一致，只是卷积核里面的权重不一样了，Scharr算子的核是：

Gx = [[-3,0,3],[-10,0,10],[-3,0,3]]

Gy = [[-3,-10,-3],[0,0,0],[3,10,3]]

 命令：dst = cv2.Scharr(img, ddepth, dx, dy)

满足条件：dx >= 0 && dy >= 0 && dx + dy == 1

等价于：dst = cv2.Sobel(img, ddepth, dx, dy, -1)

scharrx = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharry = cv2.Scharr(img, cv2.CV_64F, 0, 1)
scharrx = cv2.convertScaleAbs(scharrx)
scharry = cv2.convertScaleAbs(scharry)
scharrxy = cv2.addWeighted(scharrx, 0.5, scharry, 0.5, 0)

结果与Sobel算子的比较：（左为Sobel，右为Scharr）

 

3.  Laplacian算子

拉普拉斯算子是二阶微分算子，边缘是过零点，容易受到噪声的干扰

它与Sobel算子和Scharr算子不同的是，它只有一个卷积核，这个核代表和x和y两个方向的梯度

Gxy = [[0,1,0],[1,-4,1],[0,1,0]]

命令：dst = cv2.Laplacian(img, ddepth)

laplacian = cv2.Laplacian(img, cv2.CV_64F)
laplacian = cv2.convertScaleAbs(laplacian)

结果：

Laplacian算子一般不单独使用，可以实现马尔（Marr）算子，先做一个高斯平滑，再做Laplacian算子，最后检测过零点

 

4. Canny算子

原理：先对原始图像做高斯平滑，然后用Sobel算子做x，y方向的梯度检测，然后做非极大值抑制，也就是在一个领域内，同一个梯度方向上，保留梯度最大的那个，而抑制其他梯度，最后做一个双阈值检测，将小于小阈值的梯度去除，将大于大阈值的梯度保留，两者之间的判断它与已有边界的连续性，如果连续就保留，否则去除

命令：dst = cv2.Canny(img, threshold1, threshold2)

Canny算子是双阈值，所以需要指定两个阈值，阈值越小，边缘越丰富。

canny = cv2.Canny(img, 50, 100)

结果：（阈值分别是100-200；70-150；50-100）