[Opencv]圖像的梯度與邊緣檢測（轉）

文章來源：https://blog.csdn.net/on2way/article/details/46851451

• 梯度簡單來說就是求導，在圖像上表現出來的就是提取圖像的邊緣（不管是橫向的、縱向的、斜方向的等等），所需要的無非也是一個核模板，模板的不同結果也不同。所以可以看到，所有的這些個算子函數，歸結到底都可以用函數cv2.filter2D()來表示，不同的方法給予不同的核模板，然后演化為不同的算子而已。並且這只是這類濾波函數的一個用途，曾經寫過一個關於matlab下濾波函數imfilter（）的擴展應用（等同於opencv的cv2.filter2D函數）：

  圖像濾波函數imfilter函數的應用及其擴展

  就是很多復雜的計算都是可以通過這個濾波函數組合實現，這樣的話速度快。

（一）關於Sobel算子與Scharr算子

Sobel算子是高斯平滑與微分操作的結合體，所以其抗噪能力很強，用途較多。一般的sobel算子包括x與y兩個方向，算子模板為：

sobelx=⎡⎣⎢−1−2−1000121⎤⎦⎥ $$sobe{l}_x=\left[\begin{array}{cccc}-1& 0& 1& \\ -2& 0& 2& \\ -1& 0& 1\end{array}\right]$$

sobely=⎡⎣⎢−101−202−101⎤⎦⎥ $$sobe{l}_y=\left[\begin{array}{cccc}-1& -2& -1& \\ 0& 0& 0& \\ 1& 2& 1\end{array}\right]$$

在opencv函數中，還可以設置卷積核(ksize)的大小，如果ksize=-1,就演變為3*3的Scharr算子，模板無非變了個數字：

scharrx=⎡⎣⎢−3−10−30003103⎤⎦⎥ $$schar{r}_x=\left[\begin{array}{cccc}-3& 0& 3& \\ -10& 0& 10& \\ -3& 0& 3\end{array}\right]$$

scharry=⎡⎣⎢−303−10010−303⎤⎦⎥ $$schar{r}_y=\left[\begin{array}{cccc}-3& -10& -3& \\ 0& 0& 0& \\ 3& 10& 3\end{array}\right]$$

貼一個相關詳細參考：

OpenCV-Python教程（6、Sobel算子）

(二)關於拉普拉斯(Laplacian)算子

拉普拉斯算子可以實現圖像的二階倒數的定義，至於二階倒數有什么意義，可以看這位博主的詳細介紹：

OpenCV-Python教程（7、Laplacian算子）

其核模板為：

kernel=⎡⎣⎢0101−41010⎤⎦⎥ $$kernel=\left[\begin{array}{cccc}0& 1& 0& \\ 1& -4& 1& \\ 0& 1& 0\end{array}\right]$$

下面是對上述三種模板的實例：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('flower.jpg',0)
sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3)#默認ksize=3
sobely = cv2.Sobel(img,cv2.CV_64F,0,1)
sobelxy = cv2.Sobel(img,cv2.CV_64F,1,1)
laplacian = cv2.Laplacian(img,cv2.CV_64F)#默認ksize=3
#人工生成一個高斯核，去和函數生成的比較
kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]],np.float32)#
img1 = np.float64(img)#轉化為浮點型的
img_filter = cv2.filter2D(img1,-1,kernel)
sobelxy1 = cv2.Sobel(img1,-1,1,1)

plt.subplot(221),plt.imshow(sobelx,'gray')
plt.subplot(222),plt.imshow(sobely,'gray')
plt.subplot(223),plt.imshow(sobelxy,'gray')
plt.subplot(224),plt.imshow(laplacian,'gray')

plt.figure()
plt.imshow(img_filter,'gray')

上述一個很重要的問題需要明白的就是，在濾波函數第二個參數，當我們使用-1表示輸出圖像與輸入圖像的數據類型一致時，如果原始圖像是uint8型的，那么在經過算子計算以后，得到的圖像可能會有負值，如果與原圖像數據類型一致，那么負值就會被截斷變成0或者255，使得結果錯誤，那么針對這種問題有兩種方式改變（上述程序中都有）：一種就是改變輸出圖像的數據類型（第二個參數cv2.CV_64F），另一種就是改變原始圖像的數據類型（此時第二個參數可以為-1，與原始圖像一致）。
上述程序從結果上也說明使用函數cv2.filter2D也能達到相同的效果。

（三）Canny邊緣檢測算子

關於canny邊緣檢測算子，細究的話還算比較的復雜，給出一個介紹比較詳細的博客吧：

canny算子

那么opencv中的函數也非常簡單，直接cv2.Canny()，這個函數需要五個參數，原始圖像，兩個范圍控制值minVal和maxVal（見上述原理介紹）,第四個參數用於規定核模板的大小（默認3），最后一個是true與false（默認）的選擇，有一點不同，不太重要，可以試着那個好用那個。

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('flower.jpg',0)
edges = cv2.Canny(img,100,200)#其他的默認
plt.subplot(121),plt.imshow(img,'gray')
plt.subplot(122),plt.imshow(edges,'gray')