边缘检测Sobel、Canny、Laplacian

darren_ying0000

已于 2022-11-08 15:52:16 修改

阅读量1k

点赞数

分类专栏：图像处理文章标签：计算机视觉 opencv python

于 2022-09-21 23:28:26 首次发布

本文链接：https://blog.csdn.net/darren_ying0803/article/details/126982674

版权

图像处理专栏收录该内容

7 篇文章 1 订阅

订阅专栏

1.Sobel算子

1.1Sobel 步骤

1.分别在x和y两个方向求导。
2.在图像的每一点，结合以上两个结果求出近似梯度:

1.1.1 分别在x和y两个方向求导。

x方向
请添加图片描述
y方向

1.1.2 在图像的每一点，结合以上两个结果求出近似梯度:

在图像的每一点，结合以上两个结果求出：
$\sqrt{G_x^2+ G_y^2}$ or $G_x| + |G_y|$
统计极大值所在的位置，就是图像的边缘。

1.2 Sobel算子OpenCV的API

Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)

参数：

src：传入的图像

ddepth: 图像的深度

dx和dy: 指求导的阶数，0表示这个方向上没有求导，取值为0、1。

ksize: 是Sobel算子的大小，即卷积核的大小，必须为奇数1、3、5、7，默认为3。

注意：如果ksize=-1，就演变成为3x3的Scharr算子。

scale：缩放导数的比例常数，默认情况为没有伸缩系数。

borderType：图像边界的模式，默认值为cv2.BORDER_DEFAULT。

ddepth
图片深度类型：
在Sobel算子中支持如下src.depth()和ddepth的组合：
1、若src.depth() = CV_8U, 取ddepth =-1/CV_16S/CV_32F/CV_64F
2、若src.depth() = CV_16U/CV_16S, 取ddepth =-1/CV_32F/CV_64F
3、若src.depth() = CV_32F, 取ddepth =-1/CV_32F/CV_64F
4、若src.depth() = CV_64F, 取ddepth = -1/CV_64F
参数ksize
int类型ksize，有默认值3，表示Sobel核的大小;必须取1，3，5或7。如果ksize=-1，就演变成为3x3的Scharr算子。

有些时候 Sobel函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以Sobel建立的图像位数不够，会有截断。因此要使用16位有符号的数据类型，即cv2.CV_16S。处理完图像后，再使用cv2.convertScaleAbs()函数将其转回原来的uint8格式，否则图像无法显示

1.3 示例

原图
请添加图片描述

##soble算子
    soble_edge = cv2.Sobel(No_area,cv2.CV_8U,1,1)
    cv2.imshow('S_edge', soble_edge)
    cv2.waitKey(0)

在这里插入图片描述

x = cv2.Sobel(No_area, cv2.CV_16S, 1, 0)
    y = cv2.Sobel(No_area, cv2.CV_16S, 0, 1)
    # 3 将数据进行转换
    Scale_absX = cv2.convertScaleAbs(x)  # convert 转换  scale 缩放
    Scale_absY = cv2.convertScaleAbs(y)
    # 4 结果合成
    result = cv2.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
    cv2.imshow('S_edge', result)
    cv2.waitKey(0)

在这里插入图片描述

2.Canny算子

2.1 canny步骤

其他博客非常详细了

Canny边缘检测的算法包含下列5个步骤：
（1）使用高斯滤波去除图像噪声。
（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）分析边缘之间的连接性，保留真正的边缘，消除不明显的边缘。

2.2cannyAPI

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

src:灰度图，
threshold1: minval，较小的阈值将间断的边缘连接起来
threshold2: maxval，较大的阈值检测图像中明显的边缘
apertureSize:为计算梯度时使用的Sobel核大小

threshold1即minval 一般取高于之的1/2 或1/3

2.3示例

##canny算子
    canny_edge = cv2.Canny(No_area,100,200)
    cv2.imshow('C_edge', canny_edge)
    cv2.waitKey(0)

在这里插入图片描述

2.4 Canny与sobel对比

Sobel边缘检测算法比较简单，实际应用中效率比canny边缘检测效率要高，但是边缘不如Canny检测的准确，但是很多实际应用的场合，sobel边缘却是首选，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，用途较多。尤其是效率要求较高，而对细纹理不太关心的时候。如果需要对微小的图像做边缘检测、并对细节要求较高此时就需要用到canny算子