Python OpenCV _5邊緣檢測（Sobel運算元，Laplacian運算元，Canny運算元)
Python OpenCV這個初級影象處理系列是參考他人的文章寫的，有些地方做了一些改動，沒有太多理論，側重程式碼實現，主要目的是將這些基本操作程式碼系統地梳理一遍，也是為了以後能快速查詢。
此係列原始碼在我的GitHub裡：https://github.com/yeyujujishou19/Python-OpenCV
一，Sobel運算元
Sobel運算元依然是一種過濾器，只是其是帶有方向的。在Python-OpenCV中，使用Sobel的運算元的函式原型如下：
dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
前四個是必須的引數：
第一個引數是需要處理的影象；
第二個引數是影象的深度，-1表示採用的是與原影象相同的深度。目標影象的深度必須大於等於原影象的深度；
dx和dy表示的是求導的階數，0表示這個方向上沒有求導，一般為0、1、2。
其後是可選的引數：
dst不用解釋了；
ksize是Sobel運算元的大小，必須為1、3、5、7。
scale是縮放導數的比例常數，預設情況下沒有伸縮係數；
delta是一個可選的增量，將會加到最終的dst中，同樣，預設情況下沒有額外的值加到dst中；
borderType是判斷影象邊界的模式。這個引數預設值為cv2.BORDER_DEFAULT。
程式碼：
# coding=utf-8 import cv2 import numpy as np img = cv2.imread("D:/test/26.png", 0) ''' 在Sobel函式的第二個引數這裡使用了cv2.CV_16S。 因為OpenCV文件中對Sobel運算元的介紹中有這麼一句： “in the case of 8-bit input images it will result in truncated derivatives”。 即Sobel函式求完導數後會有負值，還有會大於255的值。 而原影象是uint8，即8位無符號數，所以Sobel建立的影象位數不夠，會有截斷。 因此要使用16位有符號的資料型別，即cv2.CV_16S。 在經過處理後，別忘了用convertScaleAbs()函式將其轉回原來的uint8形式。 否則將無法顯示影象，而只是一副灰色的視窗。convertScaleAbs()的原型為： dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]]) 其中可選引數alpha是伸縮係數，beta是加到結果上的一個值。結果返回uint8型別的圖片。 由於Sobel運算元是在兩個方向計算的，最後還需要用cv2.addWeighted(...)函式將其組合起來。 其函式原型為： dst = cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]]) 其中alpha是第一幅圖片中元素的權重，beta是第二個的權重，gamma是加到最後結果上的一個值。 ''' x = cv2.Sobel(img, cv2.CV_16S, 1, 0) y = cv2.Sobel(img, cv2.CV_16S, 0, 1) absX = cv2.convertScaleAbs(x)# 轉回uint8 absY = cv2.convertScaleAbs(y) dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0) cv2.imshow("orign", img) cv2.imshow("absX", absX) cv2.imshow("absY", absY) cv2.imshow("Result", dst) cv2.waitKey(0) cv2.destroyAllWindows()
程式碼結果：
二，Laplacian運算元
原理：
影象中的邊緣區域，畫素值會發生“跳躍”，對這些畫素求導，在其一階導數在邊緣位置為極值，這就是Sobel運算元使用的原理——極值處就是邊緣。如下圖（下圖來自OpenCV官方文件）：
如果對畫素值求二階導數，會發現邊緣處的導數值為0。如下（下圖來自OpenCV官方文件）：
Laplace函式實現的方法是先用Sobel 運算元計算二階x和y導數，再求和：
在OpenCV-Python中，Laplace運算元的函式原型如下：
dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])前兩個是必須的引數：
第一個引數是需要處理的影象；
第二個引數是影象的深度，-1表示採用的是與原影象相同的深度。目標影象的深度必須大於等於原影象的深度；
其後是可選的引數：
dst不用解釋了；
ksize是運算元的大小，必須為1、3、5、7。預設為1。
scale是縮放導數的比例常數，預設情況下沒有伸縮係數；
delta是一個可選的增量，將會加到最終的dst中，同樣，預設情況下沒有額外的值加到dst中；
borderType是判斷影象邊界的模式。這個引數預設值為cv2.BORDER_DEFAULT。
程式碼：
# coding=utf-8
import cv2
import numpy as np
img = cv2.imread("D:/test/26.png", 0)
gray_lap = cv2.Laplacian(img, cv2.CV_16S, ksize=3)
dst = cv2.convertScaleAbs(gray_lap) # 轉回uint8
cv2.imshow("orign", img)
cv2.imshow('laplacian', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
程式碼結果：
三，Canny運算元
函式：
OpenCV-Python中Canny函式的原型為：
edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]]) 必要引數：
第一個引數是需要處理的原影象，該影象必須為單通道的灰度圖；
第二個引數是閾值1；
第三個引數是閾值2。
其中較大的閾值2用於檢測影象中明顯的邊緣，但一般情況下檢測的效果不會那麼完美，邊緣檢測出來是斷斷續續的。所以這時候用較小的第一個閾值用於將這些間斷的邊緣連線起來。
可選引數中apertureSize就是Sobel運算元的大小。而L2gradient引數是一個布林值，如果為真，則使用更精確的L2範數進行計算（即兩個方向的倒數的平方和再開放），否則使用L1範數（直接將兩個方向導數的絕對值相加）。
函式返回一副二值圖，其中包含檢測出的邊緣。
程式碼一：
# coding=utf-8
import cv2
import numpy as np
img = cv2.imread("D:/test/26.png", 0)
'''
由於Canny只能處理灰度圖，所以將讀取的影象轉成灰度圖。
用高斯平滑處理原影象降噪。
呼叫Canny函式，指定最大和最小閾值，其中apertureSize預設為3。
'''
img = cv2.GaussianBlur(img, (3, 3), 0)
canny = cv2.Canny(img, 50, 150)
cv2.imshow("orign", img)
cv2.imshow('Canny', canny)
cv2.waitKey(0)
cv2.destroyAllWindows()
程式碼一結果：
程式碼二：
在執行時調整閾值大小的程式。其程式碼如下：
import cv2
import numpy as np
def CannyThreshold(lowThreshold):
detected_edges = cv2.GaussianBlur(gray, (3, 3), 0)
detected_edges = cv2.Canny(detected_edges, lowThreshold, lowThreshold * ratio, apertureSize=kernel_size)
dst = cv2.bitwise_and(img, img, mask=detected_edges) # just add some colours to edges from original image.
cv2.imshow('canny demo', dst)
lowThreshold = 0
max_lowThreshold = 100
ratio = 3
kernel_size = 3
img = cv2.imread("D:/test/26.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.namedWindow('canny demo')
cv2.createTrackbar('Min threshold', 'canny demo', lowThreshold, max_lowThreshold, CannyThreshold)
CannyThreshold(0) # initialization
if cv2.waitKey(0) == 27:
cv2.destroyAllWindows()
程式碼二結果：
歡迎掃碼關注微信公眾號
