openCv-图像边缘

边缘检测：

边缘检测，针对的是灰度图像，检测图像的边缘是针对图像像素点的一种计算，目的是标识数字图像中灰度变化明显的点，图像的边缘检测在保留图像的重要结构信息的同时，剔除了不相关的信息，大幅度减少了数据量，便于图像的传输和处理

1.Sobel算子：效率高，准确率低

Gx,Gy就是在x，y方向上的梯度

2. Scharr算子：比sobel算子更能体现细节

scharr算子，比sobel算子在比例上要更大，因此这样的好处是scharr算子获得的结果能体现出更多的边缘梯度的细节

cv2.Scharr(src，ddepth, dx, dy)， 使用Scharr算子进行计算

参数说明：src表示输入的图片，ddepth表示图片的深度，通常使用-1， 这里使用cv2.CV_64F允许结果是负值， dx表示x轴方向算子，dy表示y轴方向算子

3. Laplacian算子：容易受到噪音点的干扰

import cv2
import numpy as np

# 读取图片
lena = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE)

# 方法一：使用cv2.sobel进行sobel算子计算
sobel_x = cv2.Sobel(lena, cv2.CV_64F, 1, 0)
sobel_y = cv2.Sobel(lena, cv2.CV_64F, 0, 1)
sobel_x = cv2.convertScaleAbs(sobel_x)
sobel_y = cv2.convertScaleAbs(sobel_y)
sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

# 方法二：使用cv2.scharr进行scharr算子计算
scharr_x = cv2.Scharr(lena, cv2.CV_64F, 1, 0)
scharr_y = cv2.Scharr(lena, cv2.CV_64F, 0, 1)
scharr_x = cv2.convertScaleAbs(scharr_x)
scharr_y = cv2.convertScaleAbs(scharr_y)
scharr_xy = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)

# 方法三： 使用cv2.laplacian 拉普拉斯算子计算
lapkacian = cv2.Laplacian(lena, cv2.CV_64F)
lapkacian = cv2.convertScaleAbs(lapkacian)

# 结果对比： 对三种结果进行画图
cv2.imshow('imgs', np.hstack((sobel_xy, scharr_xy, lapkacian)))
cv2.waitKey(0)
cv2.destroyAllWindows()

4.canny边缘检测

cv2.Canny(src, minvalue, maxvalue) 进行canny边缘检测
参数说明: src表示输入的图片， thresh1表示最小阈值，thresh2表示最大阈值，用于进一步删选边缘信息
其中：当minval和maxval越小时，所保留的边缘信息更多

原理：
第一步：使用高斯滤波器进行滤波，去除噪音点
第二步：使用sobel算子，计算出每个点的梯度大小和梯度方向
第三步：使用非极大值抑制(只有最大的保留)，消除边缘检测带来的杂散效应
第四步：应用双阈值，来确定真实和潜在的边缘
第五步：通过抑制弱边缘来完成最终的边缘检测

import cv2
import numpy as np

img = cv2.imread('lena.jpg')
v1 = cv2.Canny(img, 80, 150)
v2 = cv2.Canny(img, 50, 100)

ret = np.hstack((v1, v2))
cv2.imshow('img', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()