第六章 opencv python 边缘检测 (锐化)

边缘检测
两类
基于搜索 通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值 Sobel算子和Scharr

	基于零穿越  过寻找图像二阶导数零穿越来寻找边界    Laplacian算子。拉普拉斯
				
	
Sobel检测算子
	优点：抗噪声能力很强，效率高
	原理：如果区域的像素是相同的不存在边界，卷积结果为0，
		Gx右边-左边，Gy下面-上面
	
	计算完成x方向上和y方向上的边缘，将得到的值进行非线性就和计算
	类似于代码上的 addweight()---最终得到的是图片总边界
		
		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。处理完图像后，再使用cv2.convertScaleAbs()函数将其转回原来的uint8格式，否则图像无法显示。
		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
利用OpenCV进行sobel边缘检测的API是：

Sobel_x_or_y = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
	参数：
		§ src：传入的图像
		§ ddepth: 图像的深度
		§ dx和dy: 指求导的阶数，0表示这个方向上没有求导，取值为0、1。
		§ ksize: 是Sobel算子的大小，即卷积核的大小，必须为奇数1、3、5、7，默认为3。

注意：如果ksize=-1，就演变成为3x3的Scharr算子。
§ scale：缩放导数的比例常数，默认情况为没有伸缩系数。
§ borderType：图像边界的模式，默认值为cv2.BORDER_DEFAULT。

代码，先计算x方向的边界，再计算y方向的边界，然后相加
	import cv2 as cv
	import numpy as np
	from matplotlib import pyplot as plt
	# 1 读取图像
	# img = cv.imread("opencv_learn\\sky.png",0)
	img = cv.imread('data\\torchvision_data\\Vicente_Fox\\Vicente_Fox_0001.jpg',0)
	# 2 计算Sobel卷积结果
	x = cv.Sobel(img, cv.CV_16S, 1, 0)
	y = cv.Sobel(img, cv.CV_16S, 0, 1)
	# 3 将数据进行转换
	Scale_absX = cv.convertScaleAbs(x)  # convert 转换  scale 缩放
	Scale_absY = cv.convertScaleAbs(y)
	# 4 结果合成
	result = cv.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
	# 5 图像显示
	plt.figure(figsize=(10,8),dpi=100)
	plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
	plt.xticks([]), plt.yticks([])
	plt.subplot(122),plt.imshow(result,cmap = plt.cm.gray),plt.title('Sobel滤波后结果')
	plt.xticks([]), plt.yticks([])
	plt.show()

总结
a. 边缘检测的原理
§ 基于搜索：利用一阶导数的最大值获取边界
§ 基于零穿越：利用二阶导数为0获取边界
b. Sobel算子
基于搜索的方法获取边界
cv.sobel()
cv.convertScaleAbs()
cv.addweights()
c. Laplacian算子
基于零穿越获取边界
cv.Laplacian()
d. Canny算法
流程：
§ 噪声去除：高斯滤波
§ 计算图像梯度：sobel算子，计算梯度大小和方向
§ 非极大值抑制：利用梯度方向像素来判断当前像素是否为边界点
§ 滞后阈值：设置两个阈值，确定最终的边界

Canny算法
	○ 噪声去除：高斯滤波
	○ 计算图像梯度：sobel算子，计算梯度大小和方向
	○ 非极大值抑制：利用梯度方向像素来判断当前像素是否为边界点
	○ 滞后阈值：设置两个阈值，确定最终的边界

	高斯滤波器-----噪声去除
		归一化
		高斯核卷积求和
		
		

	计算图像梯度
		求Gx，Gy
		
		求梯度的角度    角度越大代表的边界可能性越强
			
	非极大值抑制
		在获得梯度的方向和大小之后，对整幅图像进行扫描，去除那些非边界上的点。对每一个像素进行检查，看这个点的梯度是不是周围具有相同梯度方向的点中最大的
			A点位于图像的边缘，在其梯度变化方向，选择像素点B和C，用来检验A点的梯度是否为极大值，若为极大值，则进行保留，否则A点被抑制，最终的结果是具有“细边”的二进制图像。
			ABC点应该就是第一步计算的G点梯度值把？？？
		
	第四步：滞后阈值
	现在要确定真正的边界。 我们设置两个阈值： minVal 和 maxVal。 当图像的灰度梯度高于 maxVal 时被认为是真的边界， 低于 minVal 的边界会被抛弃。如果介于两者之间的话，就要看这个点是否与某个被确定为真正的边界点相连，如果是就认为它也是边界点，如果不是就抛弃。如下图：
	
	如上图所示，A 高于阈值 maxVal 所以是真正的边界点，C 虽然低于 maxVal 但高于 minVal 并且与 A 相连，所以也被认为是真正的边界点。而 B 就会被抛弃，因为低于 maxVal 而且不与真正的边界点相连。所以选择合适的 maxVal 和 minVal 对于能否得到好的结果非常重要。
	
	设置的阈值起点越低，得到的边缘特征信息更多
	
	import cv2 as cv
	import numpy as np
	import matplotlib.pyplot as plt
	img =cv.imread('opencv_learn/sky.png',cv.IMREAD_GRAYSCALE)
	print(img)
	v1 = cv.Canny(img,80,150)
	v2=cv.Canny(img,50,150)
	res = np.hstack((v1,v2))
	if True:
	    plt.figure(figsize=(10,8),dpi=100)
	    plt.subplot(121),plt.imshow(res,cmap=plt.cm.gray),plt.title('org')
	    plt.xticks([]), plt.yticks([])
	    plt.show()
	
	
	
Laplacian算子
API：
laplacian = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])
参数：
• Src: 需要处理的图像，
• Ddepth: 图像的深度，-1表示采用的是原图像相同的深度，目标图像的深度必须大于等于原图像的深度；
• ksize：算子的大小，即卷积核的大小，必须为1,3,5,7。
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 读取图像
img = cv.imread('./image/horse.jpg',0)
# 2 laplacian转换
result = cv.Laplacian(img,cv.CV_16S)
Scale_abs = cv.convertScaleAbs(result)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img,cmap=plt.cm.gray),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(Scale_abs,cmap = plt.cm.gray),plt.title('Laplacian检测后结果')
plt.xticks([]), plt.yticks([])
plt.show()

效果