【OpenCV-Python】14.OpenCV的边缘检测

14.OpenCV的边缘检测

---

---

前言

  图像的边缘是指图像中灰度值发生急剧变化的位置，边缘检测的目的是为了绘制出边缘线条。边缘通常是不连续的，不能表示整体。
  边缘检测结果通常为黑白图像，图像中的白色线条表示边缘。常见的边缘检测算法有Laplacian边缘检测、Sobel边缘检测和Canny边缘检测。

---

一、Laplacian边缘检测

  Laplacian(拉普拉斯)边缘检测使用图像矩阵与拉普拉斯核进行卷积运算，其本质是计算图像中任意一点与其在水平水平方向和垂直方向上4个相邻点平均值的差值。
  cv2.Laplacian()函数用于实现Laplacian边缘检测，常用的拉普拉斯核与基本格式如下：

dst = cv2.Laplacian(src, ddepth, [, ksize[, scale[, delat[, borderType]]]])

dst表示边缘检测结果图像
src表示原图像
ddepth为目标图像的深度
ksize为用于计算二阶导数滤波器的系数, 必须为正数且为奇数
scale为可选比例因子
delat为添加到边缘检测结果中的可选增量值
borderType为边界值类型

# Laplacian边缘检测
img = cv2.imread('bee.jpg')
cv2.imshow('bee', img)

Laplacian = cv2.Laplacian(img, cv2.CV_8U)
cv2.imshow('Laplacian', Laplacian)

cv2.waitKey(0)
cv2.destroyAllWindows()

---

二、Sobel边缘检测

  Sobel边缘检测将高斯滤波器和微分结合起来执行图像卷积运算，其结果具有一定的抗噪性。
  cv2.Sobel()函数用于实现Sobel边缘检测，基本格式如下：

dst = cv2.Sobel(src, depth, dx, dy[, ksize[, scale[, delat[, borderType]]]])

dst表示边缘检测结果图像
src表示原图像
depth为目标图像的深度
dx为导数x的阶数
dy为导数y的阶数
ksize为扩展的Sobel内核大小, 必须为1、3、5或7
scale为计算导数的可选比例因子
delat为添加到边缘检测结果中的可选增量值
borderType为边界值类型

# Sobel边缘检测
img = cv2.imread('bee.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('bee', img)
 
Sobelx = cv2.Sobel(img, cv2.CV_8U, 1, 0, ksize=3) # 1, 0表示在x方向求一阶导数，最大可以求2阶导数
Sobely = cv2.Sobel(img, cv2.CV_8U, 0, 1, ksize=3) # 0, 1表示在y方向求一阶导数，最大可以求2阶导数

cv2.imshow('Sobelx', Sobelx)
cv2.imshow('Sobely', Sobely)

cv2.waitKey(0)
cv2.destroyAllWindows()

---

三、Canny边缘检测

  Laplacian边缘检测和Sobel边缘检测都是通过卷积运算来计算边缘，它们的算法比较简单，因此结果可能会损失过多的边缘信息或有很多的噪声。Canny边缘检测的算法较为复杂，它包含5个步骤：
(1) 使用高斯滤波除去图像噪声
(2) 使用Sobel核进行滤波，计算梯度
(3) 在边缘使用非最大值抑制
(4) 对检测出的边缘使用双阈值以去除假阳性
(5) 分析边缘之间的连续性，保留真正的边缘
  cv2.Canny()函数用于实现Sobel边缘检测，基本格式如下：

dst = cv2.Canny(src, threshold1, threshold2[, apertureSize[, L2gradient]])

dst表示边缘检测结果图像
src表示原图像
threshold1为第1阈值
threshold2为第2阈值
apertureSize为计算梯度时使用的Sobel核大小
L2gradient为标志

四、自动确定阈值的一种方法

img = cv2.imread('bee.jpg')
cv2.imshow('bee', img)

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('bee_gray', img_gray)

img_auto = cv2.GaussianBlur(img_gray,(3, 3), 0)

sigma = 0.33
v = np.median(img_auto)
lower = int(max(0, (1.0 - sigma) * v))
upper = int(min(255, (1.0 + sigma) * v))
edge = cv2.Canny(img_auto, lower, upper)
edge = cv2.GaussianBlur(edge, (3, 3), 0)

cv2.imshow('canny_img', edge)

cv2.waitKey(0)
cv2.destroyAllWindows()

五、图像梯度滤波器

  OpenCV 提供了三种不同的梯度滤波器，或者说高通滤波器： Sobel，Scharr 和 Laplacian。Sobel， Scharr 其实就是求一阶或二阶导数。 Scharr 是对 Sobel的优化。Laplacian 是求二阶导数。
  Sobel算子是高斯平滑加微分运算的联合运算，因此它更抗噪声。逆可以指定要采用的导数方向， 垂直或水平（分别通过参数yorder和xorder）。还可以通过参数ksize指定内核的大小。

# Scharr边缘检测
img = cv2.imread('bee.jpg',cv2.IMREAD_GRAYSCALE)
cv2.imshow('bee', img)
 
Scharrx = cv2.Scharr(img, cv2.CV_8U, 1, 0, -1)
Scharry = cv2.Scharr(img, cv2.CV_8U, 0, 1, -1)

cv2.imshow('Scharrx', Scharrx)
cv2.imshow('Scharry', Scharry)

cv2.waitKey(0)
cv2.destroyAllWindows()

---

六、OpenCV-Python资源下载

OpenCV-Python测试用图片、中文官方文档、opencv-4.5.4源码

---

总结

  以上内容介绍了OpenCV-Python的边缘检测操作，有关Python、数据科学、人工智能等文章后续会不定期发布，请大家多多关注，一键三连哟(●’◡’●)。