（python）opencv边缘检测（laplacian算子，canny算子，scharr算子，sobel算子）以及自适应mean阈值处理和高斯阈值处理

边缘检测概念：边缘检测（英语：Edge detection）是图像处理和计算机视觉中的基本问题，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。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征检测中的一个研究领域。

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：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。

更细节的可以看http://t.csdn.cn/iQisW博主，这里直接上代码和效果图：

#导入库
import cv2 as cv
img=cv.imread("E:\\tu\\03.jpg",0)#灰度图读取图片
blur=cv.GaussianBlur(img,(3,3),0)#高斯滤波降噪处理，ksize=3
#Laplacian算子边缘检测
laplacian=cv.Laplacian(blur,cv.CV_16S,ksize=3)#Laplacian算子边缘检测
dst=cv.convertScaleAbs(laplacian)#将图片转回原来的uint8格式，imread读入的是uint8格式
#sobel算子边缘检测
x=cv.Sobel(blur,cv.CV_16S,1,0)
y=cv.Sobel(blur,cv.CV_16S,0,1)
absx=cv.convertScaleAbs(x)#将图片还原uint8格式
absy=cv.convertScaleAbs(y)
sobel=cv.addWeighted(absx,0.5,absy,0.5,0)#sobel算子是两个方向计算，这个函数是将其组合
#canny算子边缘检测
canny=cv.Canny(blur,50,150)
list=[img,dst,sobel,canny]#定义列表
titles=['img','laplacian','sobel','canny']
for i in range(4):#循环四次
    cv.namedWindow(titles[i],cv.WINDOW_FREERATIO)#创建自由比例窗口
    cv.imshow(titles[i],list[i])#循环显示图片
cv.waitKey(0)#无限延时
cv.destroyAllWindows()

运行效果如下图：

自适应mean阈值处理和高斯阈值处理代码如下：

#导入库
import cv2 as cv
img=cv.imread('E:\\tu\\03.jpg',0)#以灰度图方式读取图片
#自适应mean阈值处理
img_mean=cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,5,3)
#自适应高斯阈值处理
img_gaussian=cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,5,3)
list=[img,img_mean,img_gaussian]#定义列表，放入三个标量
titles=['img','img_mean','img_gaussian']#定义一个titles列表
for i in range(3):#循环三次
    cv.namedWindow(titles[i],cv.WINDOW_FREERATIO)#循环创建三个自由比例窗口
    cv.imshow(titles[i],list[i])#循环显示三张图片
cv.waitKey(0)#延时
cv.destroyAllWindows()

运行效果如下图：