OpenCV图像处理技术（Python）——图像梯度与canny边缘检测

© Fu Xianjun. All Rights Reserved.

一、图像梯度-Sobel算子

语法格式：

dst=cv2.Sobel(scr,ddepth,dx,dy[,ksize[,scale[,delta[,borderType]]]])

·
ddepth代表输出图像的深度。ddepth值如下表所示。

输入图像深度（src.depth()）	输出图像深度 (ddepth)
cv2.CV_8U	-1/cv2.CV_16S/cv2.CV_12F/cv2.CV_64F
cv2.CV_16U/cv2.CV_16S	-1/cv2.CV_32F/cv2.CV_64F
cv2.CV_32F	-1/cv2.CV_32F/cv2.CV_64F
cv2.CV_64F	-1/cv2.CV_64F

· dx代表x方向上的求导阶数
· dy代表y方向上的求导阶数
· Ksize代表Sobel核的大小。该值为-1时，则会使用Scharr算子进行运算。
· scale代表计算导数值时所采用的缩放因子，默认情况下该值是1，是没有缩放的。
· delta代表加在目标图像dst上的值，该值是可选的，默认为0.

代码如下：

import cv2
import numpy as np

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()

img = cv2.imread('yuan.png',cv2.IMREAD_GRAYSCALE)
cv_show("yuan",img)

计算图像x方向边缘

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
#因为右侧像素减去左边像素，存在负值的情况，因此使用cv2.convertScaleAbs取绝对值操作
sobelx = cv2.convertScaleAbs(sobelx)
cv_show("sobelx",sobelx)

计算图像y方向边缘

sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
#因为下侧像素减去下边像素，存在负值的情况，因此使用cv2.convertScaleAbs取绝对值操作
sobely = cv2.convertScaleAbs(sobely)
cv_show("sobely",sobely)

合并

sobel_demo = cv2.addWeighted(sobelx,0.5,sobely,0.5,0.5)
cv_show("sobel_demo",sobel_demo)

当然也可以直接

sobelxy = cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobel=cv2.convertScaleAbs(sobelxy)
cv_show("sobel",sobel)

二、Canny边缘检测

1.Canny边缘检测分为如下几个步骤：

1. 使用高斯滤波器，以平滑图像，滤除噪声。

2. 计算图像中每个像素点的梯度强度和方向。

3. 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

4. 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。

5. 通过抑制孤立的弱边缘最终完成边缘检测。

2.Canny函数及使用

语法格式：

edges=cv2.Canny(img,threshold1,threshold2[,apertureSize[,L2gradient]])

代码如下：

import cv2
import numpy as np
peppa=cv2.imread("peppa.jpg")
v1=cv2.Canny(peppa,80,150)
v2=cv2.Canny(peppa,50,100)
cv2.imshow("v1",v1)
cv2.imshow("v2",v2)
cv2.waitKey()
cv2.destroyAllWindows()

结果如下：

三、总结

Canny边缘检测是从不同视觉对象中提取有用的结构信息并大大减少要处理的数据量的一种技术，目前已广泛应用于各种计算机视觉系统。