vim+python+OpenCV学习七 ： Sobel算子、Laplacian算子和Canny边缘检测

#coding=utf-8


'''
Sobel算子

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

前四个是必须的参数：
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。
其后是可选的参数：

dst不用解释了；
ksize是Sobel算子的大小，必须为1、3、5、7。
scale是缩放导数的比例常数，默认情况下没有伸缩系数；
delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

'''

import cv2
import numpy as np 

img=cv2.imread('test.jpg',0)


'''
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：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。
'''
x=cv2.Sobel(img,cv2.CV_16S,1,0)#对x求导
y=cv2.Sobel(img,cv2.CV_16S,0,1)#对y求导

'''
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。
dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]])  
其中可选参数alpha是伸缩系数，beta是加到结果上的一个值。结果返回uint8类型的图片。
'''
absX=cv2.convertScaleAbs(x)   # 转回uint8 
absY=cv2.convertScaleAbs(y)

'''
由于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
。其函数原型为：
dst = cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])  
其中alpha是第一幅图片中元素的权重，beta是第二个的权重，
gamma是加到最后结果上的一个值。
'''
dst = cv2.addWeighted(absX,0.5,absY,0.5,0) 

cv2.imshow('absX',absX)
cv2.imshow('absY',absY)
cv2.imshow('Result',dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

#coding=utf-8


'''
Laplacian算子
图像中的边缘区域，像素值会发生“跳跃”，对这些像素求导，在其一阶导数在边缘
位置为极值，这就是Sobel算子使用的原理——极值处就是边缘。如果对像素值求二阶导数，
会发现边缘处的导数值为0

Laplace函数实现的方法是先用Sobel 算子计算二阶x和y导数，再求和：

在OpenCV-Python中，Laplace算子的函数原型如下：
dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])  
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；

dst不用解释了；
ksize是算子的大小，必须为1、3、5、7。默认为1。
scale是缩放导数的比例常数，默认情况下没有伸缩系数；
delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
'''

import cv2
import numpy as np 

img=cv2.imread('test.jpg',0)

#为了让结果更清晰，这里的ksize设为3，
gray_lap=cv2.Laplacian(img,cv2.CV_16S,ksize=3)#拉式算子
dst=cv2.convertScaleAbs(gray_lap)

cv2.imshow('laplacian',dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

#coding=utf-8


'''
Canny边缘检测：
OpenCV-Python中Canny函数的原型为：
edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])

必要参数：
第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；
第二个参数是阈值1；
第三个参数是阈值2。

其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美
，边缘检测出来是断断续续的。所以这时候用较小的第一个阈
值用于将这些间断的边缘连接起来。

可选参数中apertureSize就是Sobel算子的大小。而L2gradient参数是一个布尔值，
如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放）
，否则使用L1范数（直接将两个方向导数的绝对值相加）。

函数返回一副二值图，其中包含检测出的边缘。
'''

import cv2
import numpy as np 

img=cv2.imread('test.jpg',0)

#先进行高斯滤波降噪。
img=cv2.GaussianBlur(img,(3,3),0)

#在进行抠取轮廓，其中apertureSize默认为3。
canny=cv2.Canny(img,50,150)


cv2.imshow('canny',canny)

cv2.waitKey(0)
cv2.destroyAllWindows()

#coding=utf-8

'''
Canny边缘检测：优化的程序
'''
import cv2
import numpy as np 

def CannyThreshold(lowThreshold):  
    detected_edges = cv2.GaussianBlur(gray,(3,3),0) #高斯滤波 
    detected_edges = cv2.Canny(detected_edges,
            lowThreshold,
            lowThreshold*ratio,
            apertureSize = kernel_size)  #边缘检测

     # just add some colours to edges from original image.  
    dst = cv2.bitwise_and(img,img,mask = detected_edges)  #用原始颜色添加到检测的边缘上
    cv2.imshow('canny demo',dst)  
  

lowThreshold = 0  
max_lowThreshold = 100  
ratio = 3  
kernel_size = 3  
  
img = cv2.imread('test.jpg')  
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  #转换彩色图像为灰度图
  
cv2.namedWindow('canny demo')  
  
#设置调节杠,
'''
下面是第二个函数，cv2.createTrackbar()

共有5个参数，其实这五个参数看变量名就大概能知道是什么意思了

第一个参数，是这个trackbar对象的名字

第二个参数，是这个trackbar对象所在面板的名字

第三个参数，是这个trackbar的默认值,也是调节的对象

第四个参数，是这个trackbar上调节的范围(0~count)

第五个参数，是调节trackbar时调用的回调函数名
'''
cv2.createTrackbar('Min threshold','canny demo',lowThreshold, max_lowThreshold, CannyThreshold)  
  
CannyThreshold(0)  # initialization  
if cv2.waitKey(0) == 27:  #wait for ESC key to exit cv2
    cv2.destroyAllWindows()