OpenCV学习笔记（3图像梯度和边缘检测）

1.图像梯度（就是检测边缘）
Sobel算子

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)
ddepth:图像的深度
dx和dy分别表示水平和竖直方向
ksize是Sobel算子的大小

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')

白到黑是正数，黑到白就是负数了，所有的负数会被截断成0，所以要取绝对值，用一个卷积核去一个一个乘，右边是正的，左边是负的，看哪边多，就厉害。

分别计算x和y，再求和，算的x上下有点空，算的y左右有点空，加起来就要均衡一些了。
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)
cv_show(sobelx,'sobelx')
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)  
cv_show(sobely,'sobely')
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')

#这是一起算x和y的，但是我们不建议这样计算，
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy) 
cv_show(sobelxy,'sobelxy')

Scharr算子（这个算子和上面的差距在于跨度更大，图像的线条更加明显，更亮一些）

laplacian算子（这个算子没有x和y方向了，他就是x和y方向的综合）

#不同算子的差异
img = cv2.imread('lena.jpg',cv2.IMREAD_GRAYSCALE)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobelx = cv2.convertScaleAbs(sobelx)   
sobely = cv2.convertScaleAbs(sobely)  
sobelxy =  cv2.addWeighted(sobelx,0.5,sobely,0.5,0)  

scharrx = cv2.Scharr(img,cv2.CV_64F,1,0)#线条更加丰富，会更亮一些。
scharry = cv2.Scharr(img,cv2.CV_64F,0,1)
scharrx = cv2.convertScaleAbs(scharrx)   
scharry = cv2.convertScaleAbs(scharry)  
scharrxy =  cv2.addWeighted(scharrx,0.5,scharry,0.5,0) 

laplacian = cv2.Laplacian(img,cv2.CV_64F)#不用x，y一起用的了。
laplacian = cv2.convertScaleAbs(laplacian)   
res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show(res,'res')

2.Canny边缘检测（一步到位的边缘检测）

1. 使用高斯滤波器，以平滑图像，滤除噪声。
2. 计算图像中每个像素点的梯度强度和方向。
3. 应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
4. 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
5. 通过抑制孤立的弱边缘最终完成边缘检测。

1.高斯滤波器

2.梯度和方向

3.非极大值抑制（就是将极大值保留下来，极大值是边缘像素点的可能性极大，抑制就是舍弃）

这是一种简单的方法，能解决极大部分的问题。

4.双阈值检测（设一个小的，设一个大的，小于小的是0，大于大的是255，）

#一句话就解决了上面的所有问题，是不是很简单？
img=cv2.imread("lena.jpg",cv2.IMREAD_GRAYSCALE)
v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np.hstack((v1,v2))
cv_show(res,'res')