[边缘检测]——Sobel算子、Scharr算子、Laplacian算子、Canny边缘检测

边缘检测是图像处理和计算机视觉中基本的问题，边缘检测的目的是标识数字图像中亮度变化明显的点，图像属性中的显著变化通常反映了属性的重要事件和变化。边缘的表现形式如下图所示：

 一、边缘检测的分类

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性，有许多方法用于边缘检测，它们的绝大部分可以划分为两类：（1）基于搜索（2）基于零穿越的

注：两类边缘检测方法都是基于导数的。

1、基于搜索的

2、基于零穿越的

基于零穿越的，是在基于搜索的基础上进行的，求了二阶导数

 二、Sobel检测算子、Scharr算子

Sobel边缘检测算法实际应用中效率比Canny边缘检测效率要高，但是检测不如Canny检测准确，可是很多实际应用场景中，Sobel边缘确实首选，Sobel算子是高斯平滑与微分操作的结合体，所以其抗噪声能力很强，用途很多，尤其是效率要求较高，而对细纹理不关心的时候。

1、检测方法

假设要处理的图像为 I，在两个方向求导：

在内核大小为3的时候，Sobel算子会出现明明显的误差，为了解决这个问题需要使用到Scharr算子，但是该算子进作用于大小为3的内核。

注：在X轴上的算子是第三列数减去第一列数得到中间的，在Y轴上的算子是第三行数减去第一行数得到中间的

 2、API分析

 3、简单使用

原图太暗，首先先做了一个均衡化处理，完了再进行Sobel过滤

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from matplotlib import font_manager
#字体转换
my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/STHUPO.TTF")
#1、读取图像
img = cv.imread("images/07.jpg", 0)
img = cv.equalizeHist(img) #均衡化处理
#2、计算Sobel卷积结果
x = cv.Sobel(img, cv.CV_16S, 1, 0)
y = cv.Sobel(img, cv.CV_16S, 0, 1)
#3、将数据进行转换
Scale_absX = cv.convertScaleAbs(x) # convert 转换 scale缩放
Scale_absY = cv.convertScaleAbs(y)
#4、结果合成
result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
#5、图像显示
plt.figure(figsize=(10,8), dpi=100)
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("原图", fontproperties=my_font)
plt.xticks([]), plt.yticks([])

plt.subplot(122)
plt.imshow(result, cmap="gray")
plt.title("Sobel过滤后结果", fontproperties=my_font)
plt.xticks([]), plt.yticks([])
plt.show()

 Scharr算子进行边缘检测的结果

将上述代码中计算Sobel算子的部分中将ksize设为-1，就是利用Scharr进行边缘检测

• x = cv.Sobel(img, cv.CV_16S, 1, 0, ksize=-1)
  y = cv.Sobel(img, cv.CV_16S, 0, 1, ksize=-1)

 三、Laplacian算子

1、API介绍

 2、简单应用

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from matplotlib import font_manager
#字体设置
my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/STHUPO.TTF")
#1、读取图像
img = cv.imread("./images/07.jpg", 0)
img = cv.equalizeHist(img) #均衡化处理
#2、laplacian转换
result = cv.Laplacian(img, cv.CV_16S)
Scale_abs = cv.convertScaleAbs(result)
#3、图像显示
plt.figure(figsize=(10,8), dpi=100)
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("原图", fontproperties=my_font)
plt.xticks([]), plt.yticks([])

plt.subplot(122)
plt.imshow(Scale_abs, cmap="gray")
plt.title("Laplacian检测后的结果", fontproperties=my_font)
plt.xticks([]), plt.yticks([])
plt.show()

四、Canny边缘检测

Canny边缘检测算法是一种非常流行的边缘检测算法，是 John F. Canny 于1986年提出的，被认为是最优的边缘检测算法。

1、原理分析

Canny边缘检测算法是由4步构成。

（1）第一步：噪声去除

由于边缘检测很容易收到噪声的影响，所以首先使用 5x5 高斯滤波去除噪声，在图像平滑博客中已经介绍过。

（2）第二步：计算图像梯度

 （3）第三步：非极大值抑制

在获得梯度的方向和大小之后，对整幅图像进行扫描，去除那些非边界上的点，对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的，如下图所示：即图中用B和C两点来检测A点是否是极大值

 （4）滞后阈值

 2、API分析

 3、简答使用

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from matplotlib import font_manager
#设置字体
my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/STHUPO.TTF")
#1、以灰度方式读取图像
img = cv.imread("./images/07.jpg", 0)
img = cv.equalizeHist(img)
#2、Canny边缘检测
low_threshold = 200
max_threshold = 235
canny = cv.Canny(img, low_threshold, max_threshold)
#3、图像显示
plt.figure(figsize=(10,8), dpi=100)
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.title("原图", fontproperties=my_font)
plt.xticks([]), plt.yticks([])

plt.subplot(122)
plt.imshow(canny, cmap="gray")
plt.title("Canny检测后的结果", fontproperties=my_font)
plt.xticks([]), plt.yticks([])
plt.show()

 五、边缘检测总结

 1、算子比较