OpenCV入门之OpenCV的基本操作4

8、算子操作： sobel 算子、 scharr****算子、拉普拉斯算子、Canny边缘检测

Sobel算子是一种离散的微分算子 ，结合高斯平滑和微分求导运算。该算子利用局部差分寻找边缘（近似等于微分），计算所得的是一个梯度的近似值，用来边缘检测的。

Sobel算子对图像求一阶导数，一阶导数越大，说明像素在该反向变换越大，边缘信号越强。Sobel算子采用离散差分算子计算图像像素点亮度值的近似梯度。

综合考虑两个方向的变化：

scharr算子与sobel算子类似

Laplacian算子则是求二阶导

注：

一般情况下:

(1)一阶导数通常会产生较粗的边缘;

(2)二阶导数对精细细节,如细线、孤立点和噪声有较强的响应;

(3)二阶导数在灰度斜坡和灰度台阶过渡处会产生双边沿响应;

(4)二阶导数的符号可以确定边缘的过渡是从亮到暗还是从暗到亮;

(5)二阶导数对细节更敏感。

def EdgeDetection():
    # ---识别图像的边缘---#
    # 边缘是像素值发生跃迁的位置，
    # sobel算子，[[-1,0,1],[-2,0,2],[-1,0,1]]
    # 对图像求一阶导，一阶导数越大，说明像素在该方向变化越大，边缘信号越强
    chess = cv2.imread('./images/qi.jpg')
    dx = cv2.Sobel(chess,-1,1,0,ksize=3)
    dy = cv2.Sobel(chess,-1,0,1,3)
    img_sobel = cv2.add(dx,dy)
    img_sobel1 = cv2.addWeighted(dx,0.5,dy,0.5,0)


    # scharr算子[[-3,0,3],[10,0,10],[-3,0,3]]
    dx = cv2.Scharr(chess,-1,1,0)
    dy = cv2.Scharr(chess,-1,0,1)
    img_scharr = cv2.add(dx,dy)


    # 拉普拉斯算子，二阶求导
    img_Lap = cv2.Laplacian(chess,-1,ksize=3)
    # 卷积实现
    kernel = np.array([[0,1,0],[1,-4,1],[0,1,0]])
    img_L = cv2.filter2D(chess,-1,kernel)


    # canny边缘检测
    # 一般步骤：
    # 1、先进行去噪，高斯滤波
    # 2、求梯度，对平滑后的图像用sobel算子求梯度和方向，
    #   方向用arctan（Gy/Gx），方向被归为4类，垂直水平和两个对角线
    # 3、非极大抑制：去除不是边界的点，遍历图像，判断当前点是否是周围像素点中具有相同方向上的梯度最大值
    # 4、滞后阈值，设定边界，最小和最大，保留之间的，且是连续的
    img_canny = cv2.Canny(img,30,50)
    
    cv2.imshow("imshow", np.hstack((img_Lap,img_L)))
    cv2.waitKey(0)
    cv2.destroyAllWindows()

Canny边缘检测算法

1、高斯模糊——gaussian

2、灰度转换——cvtColor

3、计算梯度——Sobel/Scharr

4、非最大信号抑制

5、高低阈值输出二值图像

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

Sobel核在水平和垂直方向上对平滑的图像进行滤波，以在水平方向(Gx)和垂直方向(Gy)上获得一阶导数

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

在获得梯度大小和方向后，将对图像进行全面扫描，以去除可能不构成边缘的所有不需要的像素。为此，在每个像素处，检查像素是否是其在梯度方向上附近的局部最大值。

点A在边缘（垂直方向）上。渐变方向垂直于边缘。点B和C在梯度方向上。因此，将A点与B点和C点进行检查，看是否形成局部最大值。如果是这样，则考虑将其用于下一阶段，否则将其抑制（置为零）。简而言之，得到的结果是带有“细边”的二进制图像。

第四步：应用双阈值（磁滞阈值），来确定真实和潜在的边缘

需要两个阈值minVal和maxVal。强度梯度大于maxVal的任何边缘必定是边缘，而小于minVal的那些边缘必定是非边缘，因此将其丢弃。介于这两个阈值之间的对象根据其连通性被分类为边缘或非边缘。如果将它们连接到“边缘”像素，则将它们视为边缘的一部分。否则，它们也将被丢弃。

边缘A在maxVal之上，因此被视为“确定边缘”。尽管边C低于maxVal，但它连接到边A，因此也被视为有效边，我们得到了完整的曲线。但是边缘B尽管在minVal之上并且与边缘C处于同一区域，但是它没有连接到任何“确保边缘”，因此被丢弃。因此，非常重要的一点是我们必须相应地选择minVal和maxVal以获得正确的结果。