Python-OpenCV-边缘检测

在实际处理图像应用中，我们通常需要提取图像的边缘信息，便于我们进行观测、实验。

Laplacian边缘检测

拉普拉斯是用二阶差分计算边缘的，连续函数的情况下，在一阶微分图中极大值或极小值处，认为是边缘。在二阶微分图中极大值和极小值之间的过零点，被认为是边缘。

# 拉普拉斯边缘检测

# 深度设置为-1，与输入图像深度相同，均为np.uint8类型

img_laplacian = cv2.Laplacian(img_gray, cv2.CV_8U)

Canny边缘检测

Canny边缘检测的算法更复杂，它包含下列5个步骤：

（1）使用高斯滤波去除图像噪声。

（2）使用Sobel核进行滤波，计算梯度。

（3）在边缘使用非最大值抑制。

（4）对检测出的边缘使用双阈值以去除假阳性。

（5）分析边缘之间的连接性，保留真正的边缘，消除不明显的边缘。

# Canny边缘检测

# 100位第一个阈值；200为第二个阈值

img_canny = cv2.Canny(img_gray, 100, 200)

Sobel边缘检测

Sobel边缘检测算法比较简单，虽然准确度较低，但在很多实际应用中，尤其是对效率要求较高，对纹理不太关心的时候，Sobel算法却是首选。

Sobel算子是一离散性差分算子，用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子，将会产生对应的灰度矢量或是其法矢量。

Sobel算法，就是将得到像素点乘以一个3*3矩阵(Sobel算子)得到一个该点的灰度矢量值或者其法矢量值。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。

# Sobel边缘检测
'''
深度设置为-1，与输入图像深度相同，均为np.uint8类型；
dx为导数x的阶数；
dy为导数y的阶数
'''
# 垂直方向sobel梯度
img_sobelx = cv2.Sobel(img_gray, cv2.CV_8U, dx=1, dy=0)
# 水平方向sobel梯度
img_sobely = cv2.Sobel(img_gray, cv2.CV_8U, dx=0, dy=1)

# Sobel边缘检测
'''
深度设置为-1，与输入图像深度相同，均为np.uint8类型；
dx为导数x的阶数；
dy为导数y的阶数
'''
# 垂直方向sobel梯度
img_sobelx = cv2.Sobel(img_bin, cv2.CV_8U, dx=1, dy=0,ksize=3)
sobelx=cv2.convertScaleAbs(img_sobelx)
# 水平方向sobel梯度
img_sobely = cv2.Sobel(img_bin, cv2.CV_8U, dx=0, dy=1,ksize=3)
sobely=cv2.convertScaleAbs(img_sobely)
# 求和
img_sobelxy = cv2.addWeighted(sobelx,2,sobely,2,0)