OpenCV——边缘检测

Sobel算子原理

sobel算子是图像边缘检测的最重要的算子之一，在机器学习，数字媒体、计算机视觉等领域起着重要作用。本文主要介绍sobel算子的计算过程。python实现过程和python中相关函数的介绍。方便读者实际中使用。
原理：
边缘是指在图像上像素灰度变化最显著的地方，边缘检测算子则利用图像边缘灰度的突变来检测边缘。Sobel算子包含两组3X3的滤波器，分别对水平和垂直方向上的边缘敏感。

让两个方向模板分别沿着X轴、Y轴与图像做卷积，方向是从上到下和从左到右。将模板的中心和图像上的某个像素重合，并将该像素周围的点与模板上的系数相乘，如（3）和（4）所示，其中G(x)和G(y)分别表示横向及纵向边缘检测的图像梯度值。
G(X) = （X3 + 2X6 + X9）-(X1 + 2X4 + X7)
G(Y) = (X1 +2X2 +X3) - (X7 + 2X8 + X9)
图像上每个像素点的横向及纵向梯度值通过如下公式结合，来计算该点梯度值G的大小：
G = √Gx2+Gy2
为了减少运算时间，提高运算效率，可以使用绝对值求和近似的方法代替开平方：
G = |Gx| + |Gy |
最后选取合适的阈值，将像素点的灰度值与阈值进行比较，若大于阈值，则改点为图像的边缘点。由于Sobel算子对于像素的位置影响做了加权，可以降低边缘模糊程度，与Prewitt算子，Roberts相比效果更好。

Canny边缘检测算法

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。

高斯滤波

为了尽可能减少噪声对边缘检测结果的影响，所以必须滤除噪声以防止由噪声引起的错误检测。为了平滑图像，使用高斯滤波器与图像进行卷积，该步骤将平滑图像，以减少边缘检测器上明显的噪声影响。大小为(2k+1)x(2k+1)的高斯滤波器核的生成方程式：

计算梯度强度与方向

图像中的边缘可以指向各个方向，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。边缘检测的算子（如Roberts，Prewitt，Sobel等）返回水平Gx和垂直Gy方向的一阶导数值，由此便可以确定像素点的梯度G和方向theta 。

其中G为梯度强度， theta表示梯度方向，arctan为反正切函数。

非极大值抑制

非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后，仅仅基于梯度值提取的边缘仍然很模糊。对于标准3，对边缘有且应当只有一个准确的响应。而非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0，对梯度图像中每个像素进行非极大值抑制的算法是：

1. 将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较。
2. 如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则该像素点将被抑制。

双阈值检测

在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制。阈值的选择取决于给定输入图像的内容。