python彩色边缘检测_基于python的边缘检测的几种方法的效果对比及分析

边缘检测是图像处理和计算机视觉的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点，图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括：深度上的不连续，表面方向的不连续，物质属性变化和场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。图像边缘检测大幅度的减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。

在图像中，边缘可以看做是位于一阶导数较大的像素处，因此，我们可以求图像的一阶导数来确定图像的边缘，像sobel算子等一系列算子都是基于这个思想的。如下图a表示函数在边沿的时候关系，求导得b图，可知边沿可就是函数的极值点，对应二阶导数为0处，如图c的二阶导图。

图a

图b

图c

在实际的图像分割中，往往只用到一阶和二阶导数，虽然原理上，可以用更高阶的导数，但是因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在某些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。

在OpenCV中，边缘检测的方法有以下几种：Sobel、Scharr、Laplace以及Canny，其中前三种方法是带方向的。

测试方法，将一张200*200的图片，在进行二值化之后再分别使用这几种方法进行边缘检测；生成一个1000*1000的矩阵，并且画出网格线，网格大小为5*5，每个网格图上测试图片的相应的像素颜色，以此更方便的观察集中边缘检测的效果。

下图为原图未经边缘检测生成的对比图片。由于该图片为专门生成的图片，没有噪点，所以不用进行降噪操作。

原始图片

原始图片映射

之所以要做一个映射的原因是，这里的评判标准为，尽可能得到单像素边缘。直接将图片放大，得到的图片不够清晰，而映射之后，能够足够清晰的显示边缘宽度。

1.Sobel算子

其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。

Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。实际使用中，常用如下两个模板来检测图像边缘。

图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。

然后可用以下公式计算梯度方向。

如果

等于零，即代表图像该处拥有纵向边缘，左方较右方暗。

在opencv中，Sobel的函数原型为：

dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, del