python opencv Sobel、Laplace、canny算子的邊緣提取 以及參數解析

前提：各種算子不完全區分好壞，但根據我實際操作分析得到，有的算子之間效果大相徑庭，但有的也很相似，也就是各有各的用法，這里按

Sobel、Laplace、canny三種算子作比較，看其結果：

 

一、  Sobel、Laplace、canny邊緣提取（）

1. Sobel算子邊緣提取

注釋：gray 灰度轉換后的圖像，前面省略了一部灰度轉換的步驟，后面代碼會補上

1，表示x方向的差分階數，1或0------------------------------>如果只寫一個1，代表x方向提取---》1，0

1，表示y方向的差分階數，1或0------------------------------->如果只寫一個1，代表y方向提取---》0，1

sobel = cv2.Sobel(gray, cv2.CV_8U, 1, 1)#sobel算子邊緣檢測

PointInvert_sobel=255-sobel#反色

　　

　　  2.Laplace算子邊緣提取

注釋：這里要說的是通過對比sobel算子的結果，發現Laplace比sobel效果更好，可以說是加強版，效果如下所示

laplace = cv2.Laplacian(gray, cv2.CV_8U, ksize=3)#laplace算子邊緣檢測

PointInvert_laplace=255-laplace

 

　　  3.Canny算子邊緣提取

注釋：上一節提到過：其效果多變，主要是看設置的閾值的范圍，

當我們改變閾值后，圖像后漸漸過濾掉一些背景，當然，重在閾值的選取上，當閾值選大的時候，也是會將圖像的特征完全損壞的。

canny=cv2.Canny(gray, 50, 150)#canny邊緣檢測
PointInvert_canny=255-canny#canny圖像反色
函數中閾值1和閾值2兩者的小者用於邊緣連接，而大者用來控制強邊緣的初始段，推薦的高低閾值比在2:1到3:1之間

 

二、四種圖像的代碼演示

　　

 

三、源碼