4.7 Sobel算子、Laplacian算子、Canny边缘检测

写在前面：

1.Sobel算子

在Opencv Python使用 Sobel算子：

dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])

函数返回其处理结果。前四个是必须的参数：

  • 第一个参数是需要处理的图像；
  • 第二个参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；
  • dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。

其后是可选的参数：

  • dst不用解释了；
  • ksize是Sobel算子的大小，必须为1、3、5、7。
  • scale是缩放导数的比例常数，默认情况下没有伸缩系数；
  • delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
  • borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

代码：

#coding=utf-8
import cv2
import numpy as np 
img = cv2.imread("G:/python project/cat.jpg", 0)
x = cv2.Sobel(img,cv2.CV_16S,1,0)
y = cv2.Sobel(img,cv2.CV_16S,0,1)
absX = cv2.convertScaleAbs(x) 
absY = cv2.convertScaleAbs(y)
dst = cv2.addWeighted(absX,0.5,absY,0.5,0)
cv2.imshow("origin",img)
cv2.imshow("absX", absX)
cv2.imshow("absY", absY)
cv2.imshow("Result", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意：

  • 在Sobel函数的第二个参数这里使用了cv2.CV_16S。因为OpenCV文档中对Sobel算子的介绍中有这么一句：“in the case of 8-bit input images it will result in truncated derivatives”。即Sobel函数求完导数后会有负值，还有会大于255的值。而原图像是uint8，即8位无符号数，所以Sobel建立的图像位数不够，会有截断。因此要使用16位有符号的数据类型，即cv2.CV_16S。
  • 在经过处理后，别忘了用convertScaleAbs()函数将其转回原来的uint8形式。否则将无法显示图像，而只是一副灰色的窗口。
  • 由于Sobel算子是在两个方向计算的，最后还需要用cv2.addWeighted(...)函数将其组合起来。

Sobel处理的结果：

2.Laplacian算子

在Opencv使用Laplacian算子：

dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])

前两个是必须的参数：

  • 第一个参数是需要处理的图像；

  • 第二个参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；

其后是可选的参数：

  • dst不用解释了；
  • ksize是算子的大小，必须为1、3、5、7。默认为1。
  • scale是缩放导数的比例常数，默认情况下没有伸缩系数；
  • delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
  • borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

【注】：为了达到更好的效果，用高斯模糊先处理一下，再使用拉普拉斯函数处理。（主要是对原图像进行去噪，这样效果会更好）

#coding=utf-8
import cv2
import numpy as np  
img = cv2.imread("G:/python project/cat.jpg",0)
gaussianResult = cv2.GaussianBlur(img,(5,5),1.5)  # Gaussian filter
gray_lap = cv2.Laplacian(gaussianResult,cv2.CV_16S,ksize = 3) #Laplacian
dst = cv2.convertScaleAbs(gray_lap)  #transfer uint8

cv2.imshow('cat',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.Canny边缘检测

在Opencv Python上使用canny边缘检测：

edge = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])

必要参数：

  • 第一个参数是需要处理的原图像，该图像必须为单通道的灰度图；
  • 第二个参数是阈值1；

  • 第三个参数是阈值2。

  • 其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。

  • 函数返回一副二值图，其中包含检测出的边缘。

  • 使用canny边缘提取，①由于canny处理是灰度图，所以需要将图先处理为灰度图；②使用之前用高斯平滑处理去噪效果更佳；

import cv2
import numpy as np  
img = cv2.imread("G:/python project/cat.jpg")
img = cv2.GaussianBlur(img,(3,3),0)
canny = cv2.Canny(img, 50, 150)
cv2.imshow('origin',img)
cv2.imshow('Canny', canny)
cv2.waitKey(0)
cv2.destroyAllWindows()

（扩展）动态调整阈值大小程序：

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',detected_edges)
lowThreshold = 0
max_lowThreshold = 100
ratio = 3
kernel_size = 3
img = cv2.imread('G:/python project/cat.jpg')
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()

原创自（作者sunny2038）：

http://blog.csdn.net/sunny2038/article/details/9170013

http://blog.csdn.net/sunny2038/article/details/9188441

http://blog.csdn.net/sunny2038/article/details/9202641

results matching ""

    No results matching ""