OpenCV Sobel检测算子和Scharr检测算子

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。

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

• 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。

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。

Sobel算子是在两个方向计算的，最后还需要用cv2.addWeighted( )函数将其组合起来

Scale_abs = cv2.convertScaleAbs(x)  # 格式转换函数
result = cv2.addWeighted(src1, alpha, src2, beta) # 图像混合

import cv2 as cv
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./1.png', 0)

# 2.1 计算Sobel卷积结果
x1 = cv.Sobel(img, cv.CV_16S, 1, 0)  # x轴求导
y1 = cv.Sobel(img, cv.CV_16S, 0, 1)  # y轴求导

# 2.2 计算Scharr卷积结果
x2 = cv.Sobel(img, cv.CV_16S, 1, 0, ksize=-1)
y2 = cv.Sobel(img, cv.CV_16S, 0, 1, ksize=-1)

# 3.1 将Sobel数据结果进行转换
Scale_absX1 = cv.convertScaleAbs(x1)  # convert 转换  scale 缩放
Scale_absY1 = cv.convertScaleAbs(y1)

# 3.2 将Scharr数据结果进行转换
Scale_absX2 = cv.convertScaleAbs(x2)  # convert 转换  scale 缩放
Scale_absY2 = cv.convertScaleAbs(y2)


# 4.1 Sobel转换后结果合成
result1 = cv.addWeighted(Scale_absX1, 0.5, Scale_absY1, 0.5, 0)

# 4.2 Scharr转换后结果合成
result2 = cv.addWeighted(Scale_absX2, 0.5, Scale_absY2, 0.5, 0)


# 5. 图像显示
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(10, 8), dpi=100)
axes[0].imshow(img, cmap=plt.cm.gray)
axes[0].set_title("原图")
axes[1].imshow(result1, cmap=plt.cm.gray)
axes[1].set_title("Sobel滤波后结果")
axes[2].imshow(result2, cmap=plt.cm.gray)
axes[2].set_title("Scharr滤波后结果")
plt.show()

上述代码中计算sobel算子的部分中将ksize设为-1，就是利用Scharr进行边缘检测。

x = cv.Sobel(img, cv.CV_16S, 1, 0, ksize=-1)
y = cv.Sobel(img, cv.CV_16S, 0, 1, ksize=-1)