OpenCV图像处理应用（面向Python）之图像梯度与Canny边缘检测

Posted 2021-07-25 I need money

OpenCV图像处理应用（面向Python）

• • 欢迎来到梁老湿课堂
  • 1.图像梯度
  • 2.Sobel算子
  • 3.Laplacian算子
  • 4.Canny边缘检测
  • 多练多学多坚持，我们下期再见。

欢迎来到梁老湿课堂

本次课程素材都来源于我的专业课老师小傅，他的课形象生动，他所掌握的知识点犹如大海一般，他最擅长用简单、通俗易懂的语言让我们记住知识点。我只是一个搬运工、打工人。我只是站在他的肩膀上发文章！

1.图像梯度

可以理解为： 图像梯度计算的是图像变换的速度。在图像边缘部分，灰度值变化大，那么它的梯度值也会之而变大；相反图像中比较平滑的部分，灰度值变化小，那么它的梯度值也会变化就小。

2.Sobel算子

Sobel 算子是一种离散的微分算子，该算子结合了高斯平滑和微分求导运算。该 算子利用局部差分寻找边缘，计算所得的是一个梯度的近似值。

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

也可以写成

dst=cv2.Sobeldst=cv2.Sobel（（src,ddepth,dx,dy)#可以省略中括号里的内容

dst： 代表目标输出图像。
src： 代表原始图像。
ddepth： 代表输出图像深度，具体有以下对应关系，通常用cv2.CV_64F。

dx： 代表x方向上的求导阶数。
dy： 代表y方向上的求导阶数。
ksize： 代表Sobel核的大小。该值为-1时，则会使用Scharr算子进行运算。
scale 代表计算导数值时所采用的缩放因子，默认情况下该值是1，是没有缩放的。
delta： 代表加在目标图像dst上的值，该值是可选的，默认为0。
borderType： 代表边界样式，参数具体类型及值如下表。
计算X方向边缘（梯度）：dx=1,dy=0

import cv2
img=cv2.imread("yuan.jpg")
dst=cv2.Sobel(img,cv2.CV_64F,1,0)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

img为原图，dst为X方向边缘计算后得出

计算y方向边缘（梯度）：dx=0,dy=1

import cv2
img=cv2.imread("yuan.jpg")
dst=cv2.Sobel(img,cv2.CV_64F,0,1)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows

img为原图，dst为y方向边缘计算后得出

当二者参数都为1时

import cv2
img=cv2.imread("yuan.jpg")
dst=cv2.Sobel(img,cv2.CV_64F,1,1)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

img为原图，dst为二者参数都为1时，二者不可都为0

计算x方向和y方向的边缘叠加

import cv2
img=cv2.imread("123.jpg")
dst1=cv2.Sobel(img,cv2.CV_64F,1,0)
dst2=cv2.Sobel(img,cv2.CV_64F,0,1)
dst=cv2.addWeighted(dst1,0.6,dst2,0.6,0)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

温馨提示

3.Laplacian算子

Laplacian（拉普拉斯）算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的图像边缘锐化（边缘检测）的要求。通常情况下，其算子的系数之和需要为零。

dst=cv2.Laplacian（src,ddepth[,ksize[,scale[,delta[,borderType]]]]）#中括号里的可以不要

dst： 代表目标输出图像。
src： 代表原始图像。
ddepth： 代表目标图像深度。

ksize： 代表用于计算二阶导数的核尺寸大小。该值必须是正的奇数通过从图像内减去它的Laplacian图像，可以增强图像的对比度。
scale： 代表计算Laplacian值缩放比例因子，参数可选，默认为1，表示不进行缩放。
delta： 代表加到目标图像上的可选值。
borderType： 边界样式。

图像边缘信息

import  cv2
img=cv2.imread("123.jpg")
Laplacian=cv2.Laplacian(img,cv2.CV_64F)
Laplacian=cv2.convertScaleAbs(Laplacian)
cv2.imshow("img",img)
cv2.imshow("Laplacian",Laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()

img为原图，Laplacian为拉普拉斯处理后的图。

Sobel和Laplacian算子小结

4.Canny边缘检测

1使用高斯滤波器，以平滑图像，滤除噪声。
2计算图像中每个像素点的梯度强度和方向。
3应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。
4应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
5通过抑制孤立的弱边缘最终完成边缘检测。
边缘检测四步曲
1.去噪： 由于图像边缘非常容易受到噪声的干扰，通常需要对图像进行滤波以去除噪声。滤波的目的是平滑一些纹理较弱的非边缘区域，以便得到更准确的边缘。滤波器的大小也是可变的，高斯核的大小对于边缘检测的效果具有很重要的作用。滤波器的核越大，边缘信息对于噪声的敏感度就越低，但边缘检测的定位错误也会随之增加。
2.计算梯度： 边缘检测算子返回水平方向的Gx和垂直方向的Gy。

在计算梯度时，我们会得到梯度的幅度和角度（代表梯度的方向）两个值。

3.非极大值抑制： 在获得了梯度的幅度和方向后，遍历图像中的像素点，去除所有非边缘的点。
目的是边缘细化。如果该点是正/负梯度方向上的局部最大值，则保留该点。如果不是，则抑制该点（归零）。

4.双阈值定边缘： 剔除存在边缘图像内的因噪声产生的虚边缘： ①高阈值 maxVal ②低阈值 minVal
与强边缘连接，则将该边缘处理为边缘。
与强边缘无连接，则该边缘为弱边缘，将其抑制。

OpenCV提供了边缘检测的函数

edges=cv2.Canny（image,threshold1,threshold2[,apertureSize[,L2gradient]]）#中括号里的可以不要

**edges：**计算得到的边缘图像
image： 8位输入图像
threshold1： 表示处理过程中的第一个阈值。
threshold2： 表示处理过程中的第二个阈值。
apertureSize： 表示Sobel算子的孔径大小。
L2gradient： 为计算图像梯度幅度（gradient magnitude）的标识。其默认值为False。
用cv2.Canny()，尝试不同大小的threshold1，threshold2看获取的边缘 有什么不同

import cv2
img=cv2.imread("lena.bmp")
r1=cv2.Canny(img,128,200)
r2=cv2.Canny(img,32,128)
cv2.imshow("img",img)
cv2.imshow("r1",r1)
cv2.imshow("r2",r2)
cv2.waitKey(0)
cv2.destroyAllWindows()

img为原图，r1参数threshold1 128，threshold2 200时的边缘检测结果；r2参数threshold1 32，threshold2 128时的边缘检测结果.

多练多学多坚持，我们下期再见。