opencv-python学习笔记8-图像边缘检测

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取图像
img = cv2.imread("C:\\Users\\86173\\Desktop\\TI\\faves.png", 0)

# 应用Canny边缘检测
edges = cv2.Canny(img, threshold1=100, threshold2=200)

# 显示原图和边缘检测结果
plt.subplot(121), plt.imshow(img, cmap='gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])

plt.subplot(122), plt.imshow(edges, cmap='gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])

plt.show()

二、边缘检测研究的历史现状：

（1）历史起源与发展：

边缘检测的研究起源于20世纪60年代。
1986年，John Canny提出了著名的Canny边缘检测算法，该算法通过多步骤处理，包括降噪、计算梯度、非极大值抑制、双阈值检测和滞后边缘跟踪，以实现精确的边缘检测。

（2）国内外研究现状：

边缘检测的研究始于20世纪70年代。
近年来，随着深度学习技术的发展，边缘检测领域出现了许多基于深度学习的算法，如HED（Holistically-Nested Edge Detection）等，这些算法通过端到端的训练学习图像特征，提高了边缘检测的性能。

（3）经典算法与方法：

Canny算子：Canny算法是一种经典的边缘检测方法，它通过多阶段处理来识别图像中的边缘。
Sobel算子：Sobel算子是一种基于梯度的边缘检测方法，它使用3x3的卷积核来计算图像的梯度。
Prewitt算子：Prewitt算子与Sobel算子类似，也是一种基于梯度的边缘检测方法。
Laplacian算子：Laplacian算子是一种基于二阶导数的边缘检测方法，它可以用来检测图像中的边缘和区域。

（4）应用领域与前景：

边缘检测是图像处理与分析的基础，广泛应用于零件识别、计算机视觉、三维点云数据处理等领域。
随着技术的发展，边缘检测在医学成像、卫星成像、自动驾驶等领域的应用前景广阔。

（5）研究进展与趋势：

深度学习在边缘检测中的应用日益广泛，通过学习图像的多层次特征，提高了边缘检测的准确性和鲁棒性。
多尺度融合和小波变换的边缘检测算法也是研究的热点，这些方法通过结合不同尺度的信息来提高边缘检测的性能。

（6）技术挑战与解决方案：

边缘检测面临的挑战包括噪声干扰、图像模糊、复杂场景下的边缘提取等。
解决方案包括使用降噪技术、多尺度分析、深度学习模型等来提高边缘检测的精细化和精度。

三、边缘定义及类型分析：

边缘是图像中像素强度变化显著的地方，通常标志着物体、纹理或场景的边界。在图像处理和计算机视觉中，边缘检测是识别和提取这些变化的重要手段。

（1）边缘的定义：

边缘是指图像中亮度变化显著的区域，这些区域在图像中通常表现为从一个物体过渡到另一个物体或从背景到前景的界限。
边缘可以是一维的，如线条和轮廓，也可以是二维的，如纹理区域的边界。

（2）边缘的类型：

阶跃边缘（Step Edges）：这种边缘表现为图像亮度的突变，通常是由物体的边界造成的，如墙的边缘或物体的轮廓。
屋顶边缘（Roof Edges）：这种边缘类似于阶跃边缘，但是变化的方向是斜的，常见于建筑物的屋顶线或任何倾斜的表面。
纹理边缘（Texture Edges）：当图像中的纹理模式发生变化时，会产生纹理边缘。这种边缘不像阶跃边缘那样清晰，通常更加微妙和复杂。
阴影边缘（Shadow Edges）：由光照变化造成的边缘，如物体的阴影或光照不均匀造成的区域。这种边缘可能并不总是表示实际的物体边界。
模糊边缘（Blur Edges）：由于成像系统的不完善或物体表面特性，边缘可能会变得模糊不清。这种边缘在图像中不太明显，需要更复杂的算法来检测。

（3）边缘检测的挑战：

噪声：图像中的噪声可能会被错误地检测为边缘，因此通常需要先进行降噪处理。
光照变化：不均匀的光照或阴影可能会产生虚假的边缘，需要算法能够区分真实的边缘和光照变化。
边缘方向：边缘可能在多个方向上延伸，检测算法需要能够处理不同方向的边缘。
边缘强度：边缘的强度可能因物体表面的反射特性而异，算法需要能够识别不同强度的边缘。

（4）边缘检测的应用：

图像分割：边缘检测是将图像分割成多个区域的关键步骤，有助于识别和分离图像中的不同物体。
特征提取：在机器学习和计算机视觉中，边缘可以作为图像特征，用于物体识别和分类。
目标跟踪：在视频监控和自动驾驶系统中，边缘检测可以帮助跟踪移动物体的轨迹。
三维重建：通过分析边缘信息，可以从二维图像中推断出三维场景的结构。

四、梯度的概念：

在图像处理和计算机视觉中，梯度是一个基本的概念，它描述了图像亮度或强度在空间上的变化情况。梯度的大小和方向可以用于检测图像中的边缘和其他特征。

（1）梯度的定义：

梯度是一个多变量函数在某一点上的导数，它指向函数增长最快的方向。在图像处理中，图像可以看作是一个二维函数，其变量是空间坐标（x, y），函数值是像素的亮度或强度。
图像的梯度表示图像亮度在每个点上的变化率，通常由水平和垂直方向的偏导数来表示。

（2）梯度的组成：

梯度大小（Gradient Magnitude）：梯度的大小表示在该点上亮度变化的总量，它是一个标量值，可以通过计算水平和垂直方向梯度的平方和的平方根来得到。
梯度方向（Gradient Direction）：梯度的方向表示亮度变化最快的方向。在图像中，它通常与边缘的方向垂直。

（3）梯度的计算：

梯度可以通过对图像应用微分算子来计算。常用的微分算子包括Sobel算子、Prewitt算子和Roberts算子等。
梯度的大小可以通过以下公式计算： G=Gx2+Gy2G=Gx2+Gy2 其中，GxGx 和 GyGy 分别是图像在x方向和y方向上的梯度分量。
梯度的方向可以通过以下公式计算： θ=tan⁡−1(GyGx)θ=tan−1(GxGy) θθ 是梯度方向与x轴正方向的夹角。

（4）梯度的应用：

边缘检测：梯度的大小通常用于边缘检测，因为边缘处的亮度变化最大。
图像锐化：通过增强图像的梯度，可以使图像看起来更清晰。
特征提取：梯度信息可以用于提取图像中的特征点，如角点、边缘等。

（5）梯度的可视化：

梯度场（Gradient Field）：梯度场是将梯度向量场叠加在原始图像上，用于直观显示图像中梯度的变化。
梯度直方图（Gradient Histogram）：梯度直方图是梯度大小的统计分布，可以用于图像分析和识别。

五、边缘检测的基本思想：

（1）基本原理：

像素值突变检测：
- 边缘通常对应于图像中像素值发生突变的位置。这种突变可能是亮度的突然增加或减少。
一阶导数极值与二阶导数为0：
- 一阶导数（梯度）的极值点通常标志着边缘的存在。二阶导数为0的点可能表示边缘，因为这意味着图像亮度曲线在该点的凹凸性发生变化。
图像局部区域与周围区域差异：
- 边缘也可以通过比较图像局部区域与周围区域的差异来检测。如果差异超过某个阈值，则可能存在边缘。

（2）应用目的：

提取物体或边界轮廓：
- 边缘检测用于从图像中提取物体的轮廓，这对于图像分割和物体识别至关重要。
分析图像内容：
- 通过分析边缘，可以了解图像的结构和内容，这对于图像解释和理解非常重要。
物体分割和定位：
- 边缘检测有助于将图像中的不同物体分割开来，并确定它们在图像中的位置。

（3）边缘识别方法：

Sobel算子：
- Sobel算子通过计算图像亮度的水平和垂直方向的一阶导数来检测边缘。
Prewitt算子：
- Prewitt算子类似于Sobel算子，但它使用的是不同的卷积核来计算梯度。
Laplacian算子：
- Laplacian算子通过计算图像亮度的二阶导数来检测边缘，对噪声更敏感。
Canny算子：
- Canny算子是一种多阶段算法，它结合了降噪、梯度计算、非极大值抑制和滞后阈值技术来准确检测边缘。

（4）非极大值抑制：

非极大值抑制是一种技术，它在梯度方向上抑制非最大梯度值的像素，以确保边缘是细而连续的。

（5）边缘连通性检测：

边缘连通性检测用于将检测到的边缘片段连接成完整的边界。

（6）断裂检测与虚检消除：

断裂检测用于识别和连接边缘的断裂部分，而虚检消除用于去除由于噪声或其他因素造成的虚假边缘。

（7）边缘检测算法流程：

灰度化处理：
- 将彩色图像转换为灰度图像，因为边缘检测通常在单通道图像上进行。
高斯滤波降噪：
- 使用高斯滤波器平滑图像，以减少噪声对边缘检测的影响。
计算梯度与方向：
- 计算图像的梯度幅度和方向，通常使用一阶导数算子。
极值筛选与阈值化：
- 应用非极大值抑制来筛选梯度极值点，然后使用阈值化技术来确定最终的边缘像素。

六、图像边缘检测的步骤：

（1）准备工作：

读取图像：首先，需要读取待处理的图像。
转换为灰度：由于边缘检测通常在单通道图像上进行，因此需要将彩色图像转换为灰度图像。

（2）高斯滤波：

平滑图像：使用高斯滤波器对图像进行平滑处理，以减少噪声干扰。这是为了在计算梯度之前先抑制图像中的高频噪声成分。

（3）计算梯度：

使用Sobel算子：应用Sobel算子来计算图像在x和y方向的梯度。Sobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。

（4）Canny算法：

通过高斯滤波后计算梯度：在经过高斯滤波平滑后的图像上，使用Sobel算子计算梯度，得到梯度幅度和方向。

（5）非极大值抑制：

提高边缘检测精度：在梯度方向上，只保留局部最大值，这样可以抑制非边缘像素，使得边缘变得更为精细和清晰。

（6）双阈值检测：

设置双阈值：选择两个阈值，一个高阈值和一个低阈值。强边缘是那些梯度值高于高阈值的边缘，而弱边缘则是梯度值在两个阈值之间的边缘。

（7）边缘细化与连接分析：

连接边缘：通过滞后性技术，将强边缘和弱边缘连接起来，形成完整的边缘轮廓。这一步骤通常涉及到边缘跟踪和边缘连接算法。

（8）后处理：

细化边缘：在双阈值检测和边缘连接之后，可能需要进一步细化边缘，以去除由于噪声或其他因素造成的虚假边缘。
闭合路径：确保检测到的边缘形成闭合的轮廓，这对于后续的图像分析和理解非常重要。

（9）输出结果：

显示或保存边缘图像：最后，将检测到的边缘以二值图像的形式输出，可以用于进一步的图像分析或保存为文件。

七、经典图像边缘检测算法：

（1）Roberts算子：

Roberts算子是一种经典的图像边缘检测算法，由Lawrence Roberts在1963年提出。它基于交叉微分算法，通过局部差分计算检测边缘线条。
Roberts算子使用两个2x2的模板进行卷积操作，分别检测水平和垂直方向的边缘。

边缘检测的结果可以通过组合这两个方向的梯度得到：
其中，Gx用于检测水平边缘，Gy用于检测垂直边缘。Roberts算子通过计算图像上相邻像素点之间的差异来检测边缘，具有定位准确、对噪声敏感的特点。
它适用于边缘明显且噪声较少的图像分割，但在图像边缘附近的区域内会产生较宽的响应，导致边缘不是很平滑。
Roberts算子常用于处理具有陡峭的低噪声图像，当图像边缘接近于正45度或负45度时，该算法处理效果更理想。然而，由于其对噪声敏感，通常需要在应用前对图像进行预处理以减少噪声的影响。

函数介绍：

cv2.filter2D(src, ddepth, kernel):
- src: 输入图像。
- ddepth: 输出图像的深度，cv2.CV_16S表示16位有符号整数，用于存储卷积结果，以防溢出。
- kernel: 卷积核（滤波器），用于与图像进行卷积操作。
cv2.convertScaleAbs(src):
- 这个函数用于将输入数组的元素缩放、取绝对值，并转换为8位无符号整数。这通常用于将卷积后的图像转换为可视化的格式。
cv2.addWeighted(src1, alpha, src2, beta, gamma):
- src1, src2: 两个输入图像。
- alpha, beta: 分别为src1和src2的权重。
- gamma: 加到最终结果上的一个标量。
- 这个函数用于将两个图像按指定权重相加，通常用于将梯度的两个方向合并成一个边缘强度图。

代码示例：

import cv2
import numpy as np
# 读取图像
img = cv2.imread("C:\\Users\\86173\\Desktop\\TI\\faves.png", 0)

# 定义Roberts算子
kernelx = np.array([[1, 0], [0, -1]], dtype=int)
kernely = np.array([[0, 1], [-1, 0]], dtype=int)

# 应用Roberts算子
dx = cv2.filter2D(img, cv2.CV_16S, kernelx)
dy = cv2.filter2D(img, cv2.CV_16S, kernely)

# 计算边缘强度
abs_dx = cv2.convertScaleAbs(dx)
abs_dy = cv2.convertScaleAbs(dy)
roberts_edges = cv2.addWeighted(abs_dx, 0.5, abs_dy, 0.5, 0)

# 显示结果
cv2.imshow('Roberts Edge Detection', roberts_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

（2）Sobel算子：

基本原理：

Sobel算子基于图像亮度的空间梯度来检测边缘。它假设边缘处的亮度变化比非边缘区域更为显著，因此通过计算图像亮度的水平和垂直方向梯度来确定边缘的位置。

卷积核：

Sobel算子使用两个3x3的卷积核来分别计算图像在水平（Gx）和垂直（Gy）方向上的梯度。这两个卷积核定义如下：
水平方向卷积核（Gx）:
```
[-1  0  1]
[-2  0  2]
[-1  0  1]
```
垂直方向卷积核（Gy）:
```
[-1 -2 -1]
[ 0  0  0]
[ 1  2  1]
```

计算过程：

卷积操作：将上述两个卷积核分别与图像进行卷积操作，得到水平方向（Gx）和垂直方向（Gy）的梯度值。
梯度幅值：通过以下公式计算每个像素点的梯度幅值（G）：
梯度方向：计算梯度方向（θ），用于确定边缘的方向：

应用场景：

Sobel算子广泛应用于图像增强、特征提取、目标识别等领域，特别是在需要检测图像中边缘的场景中。

优势与特点：

离散性：Sobel算子适用于数字图像处理，因为它是基于像素亮度变化的离散计算。
结合高斯平滑：Sobel算子在计算梯度之前，通过卷积核内部的权重分配实现了一定程度的高斯平滑，这有助于抑制噪声。
方向性：Sobel算子能够提供边缘的方向信息，这对于后续的图像分析和处理非常有用。

与其他算子的比较：

与Scharr算子：Scharr算子是Sobel算子的变体，提供了更好的近似值，但计算量更大。
与Prewitt算子：Prewitt算子与Sobel算子类似，但Sobel算子在边缘检测时对边缘的响应更强，因为它考虑了中心像素周围的更多像素。

在OpenCV中，Sobel()函数是用来进行Sobel边缘检测的。这个函数计算图像的一阶或二阶导数，从而得到图像的梯度，用于边缘检测。以下是Sobel()函数的基本用法和参数说明：

函数原型：

dst = cv2.Sobel(src, ddepth, dx, dy, ksize = 3, scale = 1, 
delta = 0, borderType = cv2.BORDER_DEFAULT)

参数：

src：输入图像，必须是单通道灰度图像。
ddepth：输出图像的深度，例如：cv2.CV_16S表示16位有符号整数，cv2.CV_64F表示64位浮点数。
dx：x方向上的导数阶数，如果是1，则计算一阶导数，如果是2，则计算二阶导数。
dy：y方向上的导数阶数，同dx参数。
ksize：Sobel算子的大小，如果为0，则会根据dx和dy自动选择。通常为3、5或7。
scale：可选的缩放因子，乘以梯度幅值。默认值为1。
delta：可选的值，会加到结果上（即，dst = scale * sum + delta）。
borderType：边界像素的填充类型，默认为cv2.BORDER_DEFAULT。

返回值：

dst：输出图像，其尺寸和类型由ddepth参数决定。

代码示例：

在OpenCV中，可以使用cv2.Sobel()函数来实现Sobel算子的边缘检测。

import cv2
import numpy as np

# 读取图像
image = cv2.imread("C:\\Users\\86173\\Desktop\\TI\\faves.png", 0)

# 计算Sobel边缘
sobelx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)

# 计算梯度幅值
gradient = np.sqrt(sobelx**2 + sobely**2)

# 将梯度幅值缩放到8位
gradient = cv2.convertScaleAbs(gradient)

# 显示结果
cv2.imshow('Sobel Edge Detection', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

首先使用cv2.Sobel()函数计算图像在水平和垂直方向上的梯度，然后计算梯度幅值，并通过cv2.convertScaleAbs()函数将梯度幅值缩放到8位，最后显示边缘检测的结果。

（3）Prewitt算子：

Prewitt算子是一种基于一阶导数的图像边缘检测算子，它通过计算图像中每个像素点的水平和垂直方向的灰度差值来检测边缘。以下是Prewitt算子的原理、应用、模板与计算、优缺点以及与其他算子的比较：

原理与应用：

Prewitt算子利用一阶导数来检测图像中的边缘。它假设边缘处的像素灰度值会有显著的变化，通过计算像素点在水平和垂直方向的差值来确定边缘的位置。Prewitt算子特别适用于检测图像中的垂直和水平边缘。

模板与计算：

Prewitt算子使用两个3x3的模板（卷积核）来分别计算水平和垂直方向的梯度：

水平方向模板（Gx）:
```
[ 1  1  1]
[ 0  0  0]
[-1 -1 -1]
```
垂直方向模板（Gy）:
```
[-1  0  1]
[-1  0  1]
[-1  0  1]
```

梯度的计算公式为：

水平梯度（Gx）: Gx = f(x, y+1) + f(x+1, y+1) + f(x+1, y) - (f(x, y-1) + f(x+1, y-1) + f(x-1, y))
垂直梯度（Gy）: Gy = f(x-1, y) + f(x-1, y+1) + f(x, y+1) - (f(x+1, y) + f(x+1, y-1) + f(x, y-1))

其中，f(x, y)表示图像在坐标(x, y)处的灰度值。

优缺点与改进：

优点：
- 简单易实现，计算速度快。
- 能够快速检测图像中的边缘信息。
缺点：
- 对噪声敏感，可能导致边缘点的误判。
- 边缘定位能力不如其他算子，如Sobel算子。
改进算法：
- 结合非极大值抑制方法，可以提高边缘检测的精度。
- 自适应阈值调整，根据图像内容动态调整阈值，以更好地提取边缘。

与其他算子的比较：

Sobel算子：
- Sobel算子在Prewitt算子的基础上增加了权重概念，使得边缘检测更为精确。
- Sobel算子对噪声有一定的抑制作用，边缘定位能力更强。
Roberts算子：
- Roberts算子使用2x2的模板，适合提取边缘信息和保留纹理细节。
- 对噪声敏感，但对边缘的定位较为准确。
Laplacian算子：
- Laplacian算子是基于二阶导数的算子，用于提取图像的高频成分。
- 能够增强边缘检测效果，但对噪声非常敏感。

代码示例：

在OpenCV中，可以使用自定义卷积核和cv2.filter2D()函数来实现Prewitt算子的边缘检测：

import cv2
import numpy as np

# 读取图像
image = cv2.imread("C:\\Users\\86173\\Desktop\\TI\\faves.png", cv2.IMREAD_GRAYSCALE)

# 定义Prewitt算子的卷积核
kernelx = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]])
kernely = np.array([[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]])

# 应用Prewitt算子
dx = cv2.filter2D(image, cv2.CV_16S, kernelx)
dy = cv2.filter2D(image, cv2.CV_16S, kernely)

# 计算梯度幅值
gradient = np.sqrt(dx**2 + dy**2)
gradient = cv2.convertScaleAbs(gradient)

# 显示结果
cv2.imshow('Prewitt Edge Detection', gradient)
cv2.waitKey(0)
cv2.destroyAllWindows()

首先定义Prewitt算子的水平和垂直卷积核，然后使用cv2.filter2D()函数对图像进行卷积，计算梯度。最后，通过cv2.convertScaleAbs()函数将梯度幅值缩放到8位，并显示边缘检测的结果。

（4）LoG算子:

LoG（Laplacian of Gaussian）算子是一种在图像处理中用于边缘检测的二阶微分算子。它是基于高斯平滑和拉普拉斯变换的组合，用于检测图像中的边缘。

定义与原理：

LoG算子通过先对图像进行高斯平滑处理，然后应用拉普拉斯算子来检测边缘。这种方法可以减少噪声的影响，同时保留边缘信息。LoG算子的数学表达式为：其中，σ是高斯函数的标准差，决定了平滑程度和锐化程度。

实现与优化：

在OpenCV中，可以通过先使用cv2.GaussianBlur()进行高斯平滑，然后使用cv2.Laplacian()进行拉普拉斯变换来实现LoG算子。这种组合相当于直接应用LoG算子。

自适应各向异性LoG算子：

针对图像中不同方向的边缘，可以设计自适应的LoG算子，以更好地适应图像的局部特征。

双滤波LoG算法：

结合低通和高通滤波器，可以优化LoG算子的性能，使其在不同的图像特征下都能有效地检测边缘。

特性与优势：

平滑噪声：LoG算子通过高斯平滑预处理图像，减少了噪声对边缘检测的干扰。
保留边缘特征：LoG算子能够有效地检测图像中的边缘，同时保持边缘的连续性和完整性。
与Canny算子比较：LoG算子在某些情况下可能不如Canny算子精确，但它在速度和准确性之间提供了一个较好的平衡。

参数调整与优化：

σ值调整：通过调整σ值，可以影响LoG算子的平滑程度和锐化效果。较大的σ值会导致边缘模糊，而较小的σ值会使边缘更加锐利。
多尺度、多角度参量改进：通过在不同的尺度和角度上应用LoG算子，可以提高算法对复杂图像的适应性和鲁棒性。

函数介绍：

cv2.GaussianBlur：

cv2.GaussianBlur函数用于对图像进行高斯模糊处理，它可以减少图像噪声和细节。高斯模糊是一种线性滤波器，它在空间域内对图像进行平滑处理。

函数原型：

dst = cv2.GaussianBlur(src, ksize, sigmaX, sigmaY = sigmaX,
 borderType = cv2.BORDER_DEFAULT)

参数：

src：输入图像。
ksize：高斯核的大小，(width, height)，必须是正数和奇数。
sigmaX：X方向上的标准差。
sigmaY：Y方向上的标准差，如果为零，则与sigmaX相同。
borderType：边界填充类型，默认为cv2.BORDER_DEFAULT。

cv2.Laplacian：

cv2.Laplacian函数用于对图像进行拉普拉斯变换，它是一种二阶微分算子，用于边缘检测。拉普拉斯变换可以增强图像中的快速变化区域，即边缘。

函数原型：

dst = cv2.Laplacian(src, ddepth, ksize, scale = 1, delta = 0, 
borderType = cv2.BORDER_DEFAULT)

参数：

src：输入图像。
ddepth：输出图像的深度，例如cv2.CV_16S表示16位有符号整数，cv2.CV_64F表示64位浮点数。
ksize：卷积核的大小，必须是正数和奇数。
scale：可选的缩放因子，乘以拉普拉斯算子的结果。
delta：可选的值，会加到结果上（即，dst = scale * Laplacian(src) + delta）。
borderType：边界填充类型，默认为cv2.BORDER_DEFAULT。

代码示例：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取图像
image = cv2.imread("C:\\Users\\86173\\Desktop\\TI\\faves.png", cv2.IMREAD_GRAYSCALE)

# 检查图像是否读取成功
if image is None:
    print("Error: Image not found")
    exit()

# 高斯平滑，sigma值越大，图像越平滑
sigma = 1
gaussian_blur = cv2.GaussianBlur(image, (0, 0), sigma)

# 应用LoG算子，ksize为卷积核的大小，必须为正奇数
ksize = 5  # 可以尝试不同的核大小，如3, 7等
log = cv2.Laplacian(gaussian_blur, cv2.CV_64F, ksize)

# 将结果转换为绝对值，以便更好地显示
log_abs = cv2.convertScaleAbs(log)

# 显示原始图像和处理后的图像
plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(image, cmap='gray'), plt.title('Original Image')
plt.subplot(122), plt.imshow(log_abs, cmap='gray'), plt.title('LoG Edge Detection')
plt.show()

首先使用cv2.imread()函数读取图像。然后，使用cv2.GaussianBlur()函数对图像进行高斯平滑处理，其中sigma参数控制平滑的程度。接着，使用cv2.Laplacian()函数应用LoG算子，其中ksize参数定义了卷积核的大小。最后，使用cv2.convertScaleAbs()函数将结果转换为8位无符号整数，以便显示。

（5）Canny算子：

Canny边缘检测算子是由John Canny在1986年提出的一种非常著名的边缘检测算法。它是一种多阶段算法，旨在提取图像中物体的边界，同时尽量减少错误检测和遗漏检测。Canny算子被认为是边缘检测的最优算法之一，因为它能够在保持边缘连续性的同时，有效地抑制噪声。

基本原理和步骤：

噪声抑制：
- 使用高斯滤波器对图像进行平滑处理，以减少图像中的噪声。这是为了在边缘检测过程中减少噪声引起的干扰。
计算梯度幅度和方向：
- 使用 Sobel 算子计算图像在水平和垂直方向上的梯度幅度（Gx 和 Gy）和方向。
- 梯度幅度和方向用于确定边缘的强度和方向。
非极大值抑制：
- 在梯度方向上，对梯度幅度进行非极大值抑制，以确保边缘是尽可能细的。这一步骤有助于消除边缘附近的非边缘像素，使得边缘更加清晰。
双阈值检测：
- 选择两个阈值（高阈值和低阈值），用于确定强边缘和弱边缘。强边缘是那些梯度幅度高于高阈值的边缘，而弱边缘则是梯度幅度在两个阈值之间的边缘。
边缘跟踪：
- 通过滞后性技术，将强边缘和弱边缘连接起来，形成完整的边缘轮廓。这一步骤涉及到边缘的跟踪和连接，以确保边缘的连续性。
边缘连接和后处理：
- 最终，将通过双阈值检测的边缘连接起来，形成完整的边缘。这一步骤可能还包括一些后处理，以进一步优化边缘检测的结果。

函数原型：

dst = cv2.Canny(image, threshold1, threshold2, apertureSize = 3, 
L2gradient = False)

参数

image：输入图像，必须是单通道灰度图像。
threshold1：较低的阈值，用于Canny边缘检测的双阈值过程。
threshold2：较高的阈值，用于Canny边缘检测的双阈值过程。
apertureSize：Sobel算子的孔径大小，用于计算图像的梯度。取值为3或5。
L2gradient：当设置为True时，使用cv2.Laplacian()计算梯度的近似值，这可以提高梯度计算的精度，但计算量更大。默认为False。

返回值

dst：输出图像，包含检测到的边缘。边缘以白色像素表示，非边缘以黑色像素表示。

Canny算子实现：

在OpenCV中，Canny边缘检测可以通过cv2.Canny()函数实现。

示例代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取图像
image = cv2.imread("C:\\Users\\86173\\Desktop\\TI\\faves.png", cv2.IMREAD_GRAYSCALE)

# 应用Canny边缘检测
edges = cv2.Canny(image, threshold1=100, threshold2=200)

# 显示原始图像和边缘检测结果
plt.subplot(121), plt.imshow(image, cmap='gray'), plt.title('Original Image')
plt.subplot(122), plt.imshow(edges, cmap='gray'), plt.title('Canny Edge Detection')
plt.show()