opencv-python 边缘提取

边缘时像素值发生跃迁的位置，是图像的显著特征之一。在图像特征提取，对象检测，模式识别等方面有重要作用。

1 sobel（索贝尔）算子

sobel算子对图像求一阶导数。一阶导数越大，说明像素在该方向的变化越大，边缘信号越强。因为图像的灰度值都是离散的数字，sobel算子采用 离散差分算子 计算图像像素值的近似梯度。

图像是二维的，即沿着宽度/高度两个方向。可以使用两个卷积核（水平，垂直）进行处理 。

这样处理后，可以得到两个新的矩阵，分别反映了每一点像素在水平方向上和垂直方向上的亮度变化情况。综合这俩个方向的变化，可以用G = |G(x)| + |G(y)|来表示图像的边缘。

总的来说，sobel算子，其会分别计算x,y的梯度。（梯度算子）x方向计算边缘：左列像素-右列像素；y方向计算边缘：下行像素-上行像素。

import cv2
import numpy as np 

img = cv2.imread('./pie.png')

#dx = cv2.Sobel(img,-1,dx=1,dy=0,ksize=3)  #计算x轴方向梯度，消除水平方向线条，获得的是垂直方向的边缘（参数：img，返回图像结果位深，。。。）
                                        #位深为-1表示与原图相同，但是如果输出是负数会被直接截断成0.可以用cv2.CV_64F，保留负数，然后取绝对值，否则梯度为负数的边缘就没有了。
#dy = cv2.Sobel(img,-1,dx=0,dy=1,ksize=3)  #计算y轴方向梯度，消除垂直方向线条，获得的是水平方向的边缘

dx = cv2.Sobel(img,cv2.CV_64F,dx=1,dy=0,ksize=3)
dx = cv2.convertScaleAbs(dx)            #对计算出的梯度取绝对值，把梯度为负数的边缘保留下来 convert 转换 scale 缩放
dy = cv2.Sobel(img,cv2.CV_64F,dx=0,dy=1,ksize=3)
dy = cv2.convertScaleAbs(dy)

dst = cv2.add(dx,dy)  #sobel算子要把x，y方向结果合并在一起

#dst =cv2.cvtColor(dst,cv2.COLOR_BGR2GRAY)

cv2.imshow('img',img)
cv2.imshow('img_dx',dx)
cv2.imshow('img_dy',dy)
cv2.imshow('dst',dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

2 scharr（沙尔）算子

沙尔算子是 sobel算子在3*3卷积核的升级，scharr算子只支持3*3的kernel，所以没有ksize参数；scharr只能求x方向或y方向的边缘；sobel算子的ksize设为-1就是scharr算子，scharr擅长寻找细小边缘。

import cv2
import numpy as np

img = cv2.imread('./lena.jpg')

# dx =cv2.Scharr(img,-1,dx=1,dy=0)
# dy =cv2.Scharr(img,-1,dx=0,dy=1)

dx = cv2.Scharr(img,cv2.CV_64F,dx=1,dy=0)
dx = cv2.convertScaleAbs(dx)            #对计算出的梯度取绝对值，把梯度为负数的边缘保留下来
dy = cv2.Scharr(img,cv2.CV_64F,dx=0,dy=1)
dy = cv2.convertScaleAbs(dy)

dst = cv2.add(dx,dy)  #把x，y方向结果合并在一起

cv2.imshow('img',img)
cv2.imshow('img_dx',dx)
cv2.imshow('img_dy',dy)
cv2.imshow('dst',dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

3 Laplacian（拉普拉斯）算子

边缘处的二阶导数=0，可以利用这一特性去寻找图像的边缘，但是二阶导的位置也可能是无意义的位置，比如噪声（可以先去噪，再用拉普拉斯提取边缘）。

拉普拉斯算子推导过程：

可以同时对x方向和y方向进行计算，对噪声敏感，需要先降噪。 卷积核：[[0,1,0],[1,-4,1],[0,1,0]]   

opencv的拉普拉斯函数：Laplacian(scr,ddepth,dst[,ksize[,scale[,delta[,borderType[)，用的时候很简单，如下：

import cv2

img = cv2.imread('./lena.jpg')
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  #提取边缘跟图像颜色关系不大，可以先转换为灰度图节约时间
#img = cv2.imread('./pie.png')

dst = cv2.Laplacian(img,-1,ksize=3)


cv2.imshow('img',img)
cv2.imshow('dst',dst)

cv2.waitKey(0)
cv2.destroyAllWindows()

4 canny边缘检测

边缘检测最优的算法，边缘检测的三个评价标准：1 低错误率（标识出尽可能多的边缘，同时减少噪声的误判）；2 高定位性（标识出的边缘要与原图的实际边缘尽可能接近）；3 最小响应（图像中的边缘只能标识一次）。

canny检测的步骤：

1 去噪，一般用高斯滤波去噪。

2 计算梯度，对平滑后的图像采用sobel算子计算梯度，梯度方向分为水平，垂直和对角线四个）。

3 非极大值抑制（在获取了梯度和方向后，遍历图像，去除所有不是边界的点。实现方法:逐个遍历像素点，判断当前像素点是否是周围像素点中具有相同方向的梯度最大值）

比较形象的例子：

4 滞后阈值 （梯度值> maxVal 是边界保留；梯度值< minVal 不是边界 去掉；minVal < 梯度值 < maxVal 如果与边界相连（空间上连通），保留，不相连抛弃）

import cv2

img = cv2.imread('./lena.jpg')

dst1 = cv2.Canny(img,100,200)  #Canny(img,最小阈值，最大阈值) 
dst2 = cv2.Canny(img,50,120)   #小一点的阈值可以得到更精细的边缘,但是也会带入一些不想要的边缘
dst3 = cv2.Canny(img,100,300)

cv2.imshow('img',img)
cv2.imshow('dst1',dst1)
cv2.imshow('dst2',dst2)
cv2.imshow('dst3',dst3)
cv2.waitKey(0)
cv2.destroyAllWindows()