【图像处理】canny和sobel边缘检测__python-opencv

目录

边缘检测

边缘检测：边缘检测指的是灰度发生剧烈变化的位置，边缘检测的目的是制作一个线图，在不会损害图像内容的情况下，大大减少图像的数据量，提供对图像数据的合适概述。

Sobel算子

其中Gx表示x方向的Sobel算子，用于检测y方向的边缘； Gy表示y方向的Sobel算子，用于检测x方向的边缘（边缘方向和梯度方向垂直）。

原型

Sobel算子依然是一种过滤器，只是其是带有方向的。在OpenCV-Python中，使用Sobel的算子的函数原型如下：

Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
参数：
第一个参数是需要处理的图像；
第二个参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；
dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。

代码

import os
import cv2
import matplotlib.pyplot as plt

img = cv2.imread('./image/lena_50.jpg') # 读取图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    # 转化为灰度图
blur = cv2.GaussianBlur(img_gray, (3, 3), 0) # 高斯滤波处理原图像降噪

x = cv2.Sobel(blur, cv2.CV_16S, 1, 0)   # Sobel函数求完导数后会有负值，还有会大于255的值
y = cv2.Sobel(blur, cv2.CV_16S, 0, 1)   # 使用16位有符号的数据类型，即cv2.CV_16S
Scale_absX = cv2.convertScaleAbs(x)  # 转回uint8
Scale_absY = cv2.convertScaleAbs(y)
sobel_image = cv2.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
cv2.imshow('lena_50', img)
# cv2.imshow("absX_process", Scale_absX)
# cv2.imshow("absY_process", Scale_absY)
cv2.imshow('sobel_xy_process', sobel_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在Sobel函数的第二个参数这里使用了cv2.CV_16S。因为OpenCV文档中对Sobel算子的介绍中有这么一句：“in the case of 8-bit input images it will result in truncated derivatives”。即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。
在经过处理后，别忘了用convertScaleAbs()函数将其转回原来的uint8形式。否则将无法显示图像，而只是一副灰色的窗口。convertScaleAbs()的原型为：

结果

原图：
Sobel算子处理后得到图像：

canny算子

流程

Canny边缘检测算法可以分为以下5个步骤：

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。
   具体原理细节可参考：边缘检测之Canny

原型

canny = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])
参数：
第一个参数 处理的原图像，该图像必须为单通道的灰度图；
第二个参数 最小阈值；
第三个参数 最大阈值。

代码

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('./image/lena_50.jpg') # 读取图像

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    # 转化为灰度图
blur = cv2.GaussianBlur(img_gray, (3, 3), 0) # 高斯滤波处理原图像降噪

canny_image = cv2.Canny(blur, 50, 150)
cv2.imwrite('./image/canny_image.jpg', canny_image)
cv2.imshow('lena_50', img)
cv2.imshow('canny_process', canny_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果

原图：

Sobel算子处理后得到图像：