Opencv入门系列八_空间域边缘检测模板的系数和一般等于多少-CSDN博客

本文链接：https://blog.csdn.net/qq_45893260/article/details/113650702

Opencv入门系列八

主要内容：边缘检测，在图像处理中将相邻像素点的像素值的差值作为图像的梯度。同时有较大差值的部分也就是图像的边界。此处的算子就是滤波器，用于边缘检测。

Sobel算子
Scharr算子
Laplacian算子

1.Sobel 算子

Sobel算子：一种离散的微分算子，结合了高斯平滑和微分运算。该算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。如下图是算子的提现：

左图是水平方向的算子，右图是垂直方向的算子。

①将水平方向的Sobel算子与原始图像src进行卷积计算，可以计算水平方向上的像素值变化情况。

如下是求一个像素点水平方向梯度的例子：

步骤如下：

首先：找出P5周围的所有点作为一个3×3的矩阵，我们称它为G。（注意：在图像边界的像素点，我们还需要选择一种边界填充的方式）

其次：将水平方向的Sobel算子与矩阵G进行卷积，卷积就是对应位置的点的乘积再求和。

最后：可以得到如下表达式。

②将垂直方向的Sobel算子与原始图像src进行卷积计算，可以计算水平方向上的像素值变化情况。

如下是求一个像素点垂直方向梯度的例子：

同理可得：

在Opencv中我们使用cv2.Sobel()函数实现如上运算，其语法如下：

● dst：处理后的图像。

● src：原图像。

● ddepth：输出图像的深度。 ddepth参数的值设置为-1时，处理结果与原始图像保持一致，但处理结果可能错误。通常要将函数cv2.Sobel()内参数ddepth的值设置为==“cv2.CV_64F”==，避免信息丢失。在不同的参数选择处理下可能会有不同的处理效果，一定要选择合适的参数。

图像深度可选参数如下：

● dx：x方向上的求导阶数。

● dy：y方向上的求导阶数。

● ksize：Sobel核的大小。该值为-1时，则会使用Scharr算子进行运算。

● scale：计算导数的缩放因子，默认情况下该值是1，即：没有缩放。

● delta：变换后要加上的值delta，默认为0。

● borderType：边界填充方式。

在OpenCV中，使用函数cv2.convertScaleAbs()对参数取绝对值，其语法格式为：

● dst：处理结果。= src*alpha + beta

● src：原始图像。

● alpha：调节系数，该值是可选值，默认为1。

● beta：调节亮度值，该值是默认值，默认为0。

下面实验程序在dx=1 dy=0 对比在ddepth默认CV_8U和CV_64F下的图像情况：

import cv2
import numpy as np

img = cv2.imread("Resources/12.jpg",cv2.IMREAD_GRAYSCALE)
imgSobel = cv2.Sobel(img,-1,1,0)
imgSobel2 = cv2.Sobel(img,cv2.CV_64F,1,0)

cv2.imshow("img",img)
cv2.imshow("imgSobel",imgSobel)
cv2.imshow("imgSobel2",imgSobel2)

cv2.waitKey(0)

通过图像我们可以看出，在默认条件下的图像右边的梯度无法表现出来，而ddepth=CV_64F时可以更好的表现出图像的边界。

下面实验程序在dx=0 dy=1 对比在ddepth默认CV_8U和CV_64F下的图像情况：

import cv2
import numpy as np

img = cv2.imread("Resources/12.jpg",cv2.IMREAD_GRAYSCALE)
imgSobel = cv2.Sobel(img,-1,0,1)
imgSobel2 = cv2.Sobel(img,cv2.CV_64F,0,1)

cv2.imshow("img",img)
cv2.imshow("imgSobel",imgSobel)
cv2.imshow("imgSobel2",imgSobel2)

cv2.waitKey(0)

通过图像我们可以看出，在默认条件下的图像下边的梯度无法表现出来，而ddepth=CV_64F时可以更好的表现出图像的边界。

下面实验程序在dx=1 dy=1 对比在ddepth默认CV_8U和CV_64F下的图像情况：

import cv2
import numpy as np

img = cv2.imread("Resources/12.jpg",cv2.IMREAD_GRAYSCALE)
imgSobel = cv2.Sobel(img,-1,1,1)
imgSobel2 = cv2.Sobel(img,cv2.CV_64F,1,1)

cv2.imshow("img",img)
cv2.imshow("imgSobel",imgSobel)
cv2.imshow("imgSobel2",imgSobel2)

cv2.waitKey(0)

2.Scharr算子

Scharr算子：在使用3×3的Sobel算子时，可能计算结果并不太精准。OpenCV提供了Scharr算子，该算子具有和Sobel算子同样的速度，且精度更高。如下图：

在Opencv中我们使用cv2.Scharr()函数实现如上运算，其语法如下：

● dst：输出图像。

● src：原图像。

● ddepth：输出图像深度。该值与函数cv2.Sobel()中的参数ddepth的含义相同。

● dx：x方向上的导数阶数。

● dy：y方向上的导数阶数。

● scale：同Sobel()算子。

● borderType：边界填充方式。

以下是Sobel()函数和Scharr()函数等价的情况：

注意：此函数中dx和dy不能同时为1。

如下程序展示Scharr()函数的边缘检测效果：

import cv2
import numpy as np

img = cv2.imread("Resources/12.jpg",cv2.IMREAD_GRAYSCALE)
imgScharrx = cv2.Scharr(img,cv2.CV_64F,0,1)				#y方向上的Scharr
imgScharry = cv2.Scharr(img,cv2.CV_64F,1,0)				#x方向上的Scharr
imgSobelToScharrxy = cv2.Sobel(img,cv2.CV_64F,1,1,-1)       #使用Sobel函数实现x,y方向上的Scharr

# 合成前必须保证像素点为正数
imgScharrx = cv2.convertScaleAbs(imgScharrx)			
imgScharry = cv2.convertScaleAbs(imgScharry)
imgScharrxy = cv2.addWeighted(imgScharrx,0.5,imgScharry,0.5,0)#第二种方式实现x,y方向的scharr

cv2.imshow("img",img)
cv2.imshow("imgScharrx",imgScharrx)
cv2.imshow("imgScharry",imgScharry)
cv2.imshow("imgSobelToScharrxy",imgSobelToScharrxy)
cv2.imshow("imgScharrxy",imgScharrxy)

cv2.waitKey(0)

3.Laplacian 算子

Laplacian（拉普拉斯）算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的图像边缘锐化（边缘检测）的要求。如下图：算子系数之和为0。

如下是求一个像素点方向梯度的例子：

其结果可以表示为（具体要根据ksize的选取来看）：

在OpenCV内使用函数cv2.Laplacian()实现Laplacian算子的计算，其语法格式为：

● dst：目标图像。

● src：原图像。

● ddepth：目标图像的深度。

● ksize：用于计算二阶导数的核尺寸大小。该值必须是正的奇数。

● scale：计算时的缩放因子。默认情况下，该值为1，即不进行缩放。

● delta：同前两种算子。

● borderType：边界填充方式。

该函数分别对x、y方向进行二次求导，具体为：

import cv2
import numpy as np

img = cv2.imread("Resources/12.jpg",cv2.IMREAD_GRAYSCALE)
imgLaplasian = cv2.Laplacian(img,cv2.CV_64F)

cv2.imshow("img",img)
cv2.imshow("imgLaplasian",imgLaplasian)

cv2.waitKey(0)

4.Canny边缘检测

Canny边缘检测：一种使用多级边缘检测算法检测边缘的方法。

Canny边缘检测分为如下几个步骤。

步骤1：去噪。噪声会影响边缘检测的准确性，因此首先要将噪声过滤掉。
步骤2：计算梯度的幅度与方向。
步骤3：非极大值抑制，即适当地让边缘“变瘦”。
步骤4：确定边缘。使用双阈值算法确定最终的边缘信息。

Opencv提供了函数cv2.Canny()来实现Canny边缘检测，其语法格式如下

● edges：边缘图像。

● image：8位的原图像。

● threshold1：处理过程中的第一个阈值。

● threshold2：处理过程中的第二个阈值。

● apertureSize：Sobel算子的孔径大小。

● L2gradient：计算梯度的方式。

默认值为False，直接将两个方向导数的绝对值相加计算导数。

如果为True，以两个方向的导数的平方和再开方计算导数。

一下是一个简单的使用程序：

import cv2

img = cv2.imread("Resources/12.jpg",cv2.IMREAD_GRAYSCALE)
imgCanny = cv2.Canny(img,32,168)

cv2.imshow("img",img)
cv2.imshow("imgCanny",imgCanny)

cv2.waitKey(0)