边缘的定义及分类
1.梯度滤波器
OpenCV 提供了三种不同的梯度滤波器,或者说高通滤波器:Sobel, Scharr 和 Laplacian。Sobel,Scharr 其实就是求一阶或二阶导数。Scharr 是对 Sobel(使用 小的卷积核求解求解梯度角度时)的优化,Laplacian 是求二阶导数。
Sobel 算子是高斯平滑与微分操作的结合体,所以它的抗噪声能力很好。 你可以设定求导的方向(xorder 或 yorder)。还可以设定使用的卷积核的大 小(ksize)。如果 ksize=-1,会使用 3x3 的 Scharr 滤波器,它的的效果要 比 3x3 的 Sobel 滤波器好(而且速度相同,所以在使用 3x3 滤波器时应该尽 量使用 Scharr 滤波器)
拉普拉斯算子可以使用二阶导数的形式定义,可假设其离散实现类似于二 阶 Sobel 导数,事实上,OpenCV 在计算拉普拉斯算子时直接调用 Sobel 算 子。
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
img = cv.imread('D:/fuji.jpg',0)###以灰度模式读取图片
laplacian=cv.Laplacian(img,cv.CV_64F)#拉普拉斯算子,#cv2.CV_64F输出图像的深度(数据类型),可以使用 -1,与原图像保持一致np.uint8
#sobel算子
##参数1,0为只在x方向求一阶导数,最大可以求2阶导数。
sobelx=cv.Sobel(img,cv.CV_64F,1,0,ksize=1,borderType =cv.BORDER_CONSTANT)
#参数0,1为只在y方向求一阶导数,最大可以求2阶导数
sobely=cv.Sobel(img,cv.CV_64F,0,1,ksize=1)
plt.subplot(2,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2),plt.imshow(laplacian,cmap = 'gray')
plt.title('Laplacian'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,3),plt.imshow(sobelx,cmap = 'gray')
plt.title('Sobel X'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,4),plt.imshow(sobely,cmap = 'gray')
plt.title('Sobel Y'), plt.xticks([]), plt.yticks([])
plt.show()
参考:https://docs.opencv.org/4.1.2/d4/d86/group__imgproc__filter.html#gacea54f142e81b6758cb6f375ce782c8d
2.Canny 边缘检测
在 OpenCV 中只需要一个函数:cv2.Canny(),就可以完成以上几步。 让我们看如何使用这个函数。这个函数的第一个参数是输入图像。第二和第三 个分别是 minVal 和 maxVal。第三个参数设置用来计算图像梯度的 Sobel 卷积核的大小,默认值为 3。最后一个参数是 L2gradient,它可以用来设定 求梯度大小的方程。如果设为 True,就会使用我们上面提到过的方程,否则 使用方程:Edge−Gradient(G) = |G2 x|+|G2 y| 代替,默认值为 False。
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('D://pan.jpg',0)
edges = cv2.Canny(img,100,101)
plt.subplot(1,2,1),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(1,2,2),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()
参考:https://blog.csdn.net/liuuze5/article/details/38494331