Python+OpenCV图像处理—— 边缘检测之 Canny算子（Sobel算子、 Laplacian算子、 Canny算子 、Scharr滤波器）

Python+OpenCV图像处理—— 边缘检测之 Canny算子

OpenCV边缘检测的一般步骤为：

滤波
增强
检测

常用的边缘检测的算子和滤波器有：

Sobel算子
Laplacian算子
Canny算子
Scharr滤波器

Canny算子

Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：
好的检测- 算法能够尽可能多地标识出图像中的实际边缘。
好的定位- 标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近。
最小响应- 图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。

算法步骤：

①高斯模糊 - GaussianBlur
　　②灰度转换 - cvtColor
　　③计算梯度 – Sobel/Scharr
　　④非最大信号抑制
　　⑤高低阈值输出二值图像

代码如下：

#Canny边缘提取
import cv2 as cv
def Canny_imag(image):
    blur= cv.GaussianBlur(image, (3, 3), 0)
    M = cv.cvtColor(blur, cv.COLOR_RGB2GRAY)
    # x = cv.Sobel(gray, cv.CV_16SC1, 1, 0) #x方向梯度
    # y = cv.Sobel(gray, cv.CV_16SC1, 0, 1) #y方向梯度
    # edge_output = cv.Canny(x, y, 50, 150)
    a = cv.Canny(M, 50, 150)
    cv.imshow("Canny Edge", a)
    dst = cv.bitwise_and(image, image, mask= a)
    cv.imshow("Color Edge", dst)
src = cv.imread('15.jpg')
cv.namedWindow('input_image', cv.WINDOW_NORMAL) #设置为WINDOW_NORMAL可以任意缩放
cv.imshow('input_image', src)
Canny_imag(src)
cv.waitKey(0)
cv.destroyAllWindows()

其中第9行代码可以用6、7、8行代码代替！两种方法效果一样。

OpenCV的Canny函数用于在图像中查找边缘，其
函数原型有两种：
①直接调用Canny算法在单通道灰度图像中查找边缘，
其函数原型为：Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]) -> edges
image参数表示8位输入图像。
threshold1参数表示设置的低阈值。
threshold2参数表示设置的高阈值，一般设定为低阈值的3倍 (根据Canny算法的推荐)。
edges参数表示输出边缘图像，单通道8位图像。
apertureSize参数表示Sobel算子的大小。
L2gradient参数表示一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

②使用带自定义图像渐变的Canny算法在图像中查找边缘，
其函数原型为：Canny(dx, dy, threshold1, threshold2[, edges[, L2gradient]]) -> edges
dx参数表示输入图像的x导数（x导数满足16位，选择CV_16SC1或CV_16SC3）
dy参数表示输入图像的y导数（y导数满足16位，选择CV_16SC1或CV_16SC3）。
threshold1参数表示设置的低阈值。
threshold2参数表示设置的高阈值，一般设定为低阈值的3倍 (根据Canny算法的推荐)。
edges参数表示输出边缘图像，单通道8位图像。
L2gradient参数表示L2gradient参数表示一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开方），否则使用L1范数（直接将两个方向导数的绝对值相加）。

import cv2

#********************Sobel边缘检测*****************************
def edge_sobel( src ):
    kernelSize = (3, 3)
    gausBlurImg = cv2.GaussianBlur( src, kernelSize, 0 )

    #转换为灰度图
    channels = src.shape[2]
    if channels > 1:
        src_gray = cv2.cvtColor( gausBlurImg, cv2.COLOR_RGB2GRAY )
    else:
        src_gray = src.clone()

    scale = 1
    delta = 0
    depth = cv2.CV_16S

    #求X方向梯度（创建grad_x, grad_y矩阵）
    grad_x = cv2.Sobel( src_gray, depth, 1, 0 )
    abs_grad_x = cv2.convertScaleAbs( grad_x )

    #求Y方向梯度
    grad_y = cv2.Sobel( src_gray, depth, 0, 1 )
    abs_grad_y = cv2.convertScaleAbs( grad_y )

    #合并梯度（近似）
    edgeImg = cv2.addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0 )
    return edgeImg

#********************Laplacian边缘检测*****************************
def edge_laplacian( src ):
    scale = 1
    delta = 0
    depth = cv2.CV_16S

    if src.shape[2] > 1:
        src_gray = cv2.cvtColor( src, cv2.COLOR_RGB2GRAY )
    else:
        src_gray = src.clone()

    kernelSize = (3, 3)
    gausBlurImg = cv2.GaussianBlur( src_gray, kernelSize, 0 )
    laplacianImg = cv2.Laplacian( gausBlurImg, depth, kernelSize )
    edgeImg = cv2.convertScaleAbs( laplacianImg )
    return edgeImg

#********************Canny边缘检测*****************************
def edge_canny( src, threshold1, threshold2 ):
    kernelSize = (3, 3)

    gausBlurImg = cv2.GaussianBlur( src, kernelSize, 0 )
    edgeImg = cv2.Canny( gausBlurImg, threshold1, threshold2 )
    return edgeImg

#********************主函数*****************************
imgSrc = cv2.imread( "1.jpg" )

sobelImg = edge_sobel( imgSrc )
laplacianImg = edge_laplacian( imgSrc )
cannyImg = edge_canny( imgSrc, 20, 60 )

cv2.imshow( "Origin", imgSrc )
cv2.imshow( "Sobel", sobelImg )
cv2.imshow( "Laplacian", laplacianImg )
cv2.imshow( "Canny", cannyImg )

cv2.waitKey( 0 )
cv2.destroyAllWindows()