个人学习向-opencv3 图像梯度，边缘检测

我们可以使用$3\times 3$ 的卷积核来进行图像求导：
$$G_y^{\prime }=\left[\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]\ast \mathbf{I}{G}_x^{\prime }=\left[\begin{array}{ccc}+1& 0& -1\\ +2& 0& -2\\ +1& 0& -1\end{array}\right]\ast \mathbf{I}$$
其中$I$表示原图片，${\mathbf{G}}_x^{\prime }$和${\mathbf{G}}_y^{\prime }$分别表示沿图片水平和竖直方向上的变化， * 表示卷积操作

1 Sobel算子

$$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$$
例1：

dst = cv2.Sobel(src, ddepth, dx, dy, ksize)

ddepth——图像的深度
dx和dy——水平和竖直方向
ksize——Sobel算子的大小

def cv_show(img,name):
    cv2.imshow(name,img)
    cv2.waitKey()
    cv2.destroyAllWindows()
#图2
img = cv2.imread('pie.png',cv2.IMREAD_GRAYSCALE)
cv_show(sobelx,'sobelx')
#图3
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)
cv_show(sobelx,'sobelx')
#图4
sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3)
sobely = cv2.convertScaleAbs(sobely)  
cv_show(sobely,'sobely')
#图5
sobelxy = cv2.addWeighted(sobelx,0.5,sobely,0.5,0)
cv_show(sobelxy,'sobelxy')
#图6
sobelxy=cv2.Sobel(img,cv2.CV_64F,1,1,ksize=3)
sobelxy = cv2.convertScaleAbs(sobelxy) 
cv_show(sobelxy,'sobelxy')

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

原图	Gx	Gx2
Gy2	GX2+GY2	直接计算Gxy(不建议)

再看一个栗子效果

原图	GX2+GY2	直接计算Gxy(不建议)

2 Scharr算子

3 laplacian算子

#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)
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)
laplacian = cv2.convertScaleAbs(laplacian)   

res = np.hstack((sobelxy,scharrxy,laplacian))
cv_show(res,'res')

效果对比Sobel/Scharr/laplacian

4 Canny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。

4.1 高斯滤波器

其中H为高斯核

4.2 梯度和方向

4.3 非极大值抑制

4.4 双阈值检测

如图，B区域舍弃，AC区域保留

举个栗子

v1=cv2.Canny(img,80,150)
v2=cv2.Canny(img,50,100)
res = np.hstack((img,v1,v2))
cv_show(res,'res')

原图、v1、v2