【学习OpenCV4】OpenCV边缘检测算法总结

本文分享内容来自图书《学习OpenCV 4：基于Python的算法实战》，该书内容如下：

第1章 OpenCV快速入门；
第2章 图像读写模块imgcodecs；
第3章 核心库模块core；
第4章 图像处理模块imgproc（一）；
第5章 图像处理模块imgproc（二）；
第6章 可视化模块highgui；
第7章 视频处理模块videoio；
第8章 视频分析模块video；
第9章 照片处理模块photo；
第10章 2D特征模块features2d；
第11章 相机标定与三维重建模块calib3d；
第12章 传统目标检测模块objdetect；
第13章 机器学习模块ml；
第14章 深度神经网络模块dnn

欢迎关注图书《深度学习计算机视觉实战》与《学习OpenCV4：基于Python的算法实战》。

边缘是图像中非常重要的特征，在图像识别、目标检测等领域发挥着重要的作用。OpenCV封装了常用的边缘检测算法，如Sobel，Scharr，Laplacian和Canny边缘检测算法，本节介绍这些算法的使用方法。

4.7.1 案例44：Sobel边缘检测

OpenCV中提供了Sobel边缘检测的函数Sobel，函数定义如下：

dst = Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)

参数说明如下：
src，输入图像；
ddepth，输出图像的深度，若设置为-1，则深度与输入图像深度相同；
dx，计算x方向导数；
dy，计算y方向导数；
dst，输出图像（返回值）；
ksize，核的大小；
scale，梯度计算结果的放大比例；
delta，图像存储前可以将像素值增加delta数值，默认为0；
borderType，边界模式，由BorderTypes定义（见3.4.5节）。
本案例调用Sobel函数进行边缘检测分为了三步，第一步计算x方向的边缘，第二步计算y方向边缘，第三步将x和y方向的边缘叠加形成图像的边缘。
本案例使用的输入图像为图3.10，案例代码如下：

import cv2

src = cv2.imread("src.jpg")
#高斯滤波
src = cv2.GaussianBlur(src, (3, 3), 0)
#转为灰度图
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
#求x方向边缘
sobel_gradx = cv2.Sobel(gray, -1, 1, 0)
#求y方向边缘
sobel_grady = cv2.Sobel(gray, -1, 0, 1)
#边缘合并
sobel_grad = cv2.addWeighted(sobel_gradx, 0.5, sobel_grady, 0.5, 0)

#图像显示
cv2.imshow("sobel_gradx", sobel_gradx)
cv2.imshow("sobel_grady", sobel_grady)
cv2.imshow("sobel_grad", sobel_grad)
cv2.waitKey(0)
cv2.destroyAllWindows()

计算x方向的边缘结果如图4.23所示。

图4.23
计算y方向的边缘结果如图4.24所示。

图4.24
合并后的边缘结果如图4.25所示。

图4.25
Sobel边缘检测时也可以同时计算x和y方向上的边缘，即将dx和dy同时设置为1，案例代码如下：

import cv2

src = cv2.imread("src.jpg")
#高斯滤波
src = cv2.GaussianBlur(src, (3, 3), 0)
#转为灰度图
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
#Sobel边缘检测，同时计算x和y方向的边缘
sobel_grad = cv2.Sobel(gray, -1, 1, 1)
cv2.imshow("sobel_grad", sobel_grad)
cv2.waitKey(0)
cv2.destroyAllWindows()

计算结果如图4.26所示。

图4.26

4.7.2 案例45：Scharr边缘检测

Sobel算法边缘检测不是很精准，另外一种对Sobel算法改进的算法为Scharr算法，该算法精度比Sobel算法高且检测速度相当。
OpenCV中提供了Scharr边缘检测的函数Scharr，函数定义如下：

dst = Scharr(src, ddepth, dx, dy, dst=None, scale=None, delta=None, borderType=None)

参数说明如下：
src，输入图像；
ddepth，输出图像的深度，若设置为-1，则深度与输入图像深度相同；
dx，计算x方向导数；
dy，计算y方向导数；
dst，输出图像（返回值）；
scale，梯度计算结果的放大比例；
delta，图像存储前可以将像素值增加delta数值，默认为0；
borderType，边界模式，由BorderTypes定义（见3.4.5节）。
Scharr算法的核大小为3，所以和Sobel函数相比，不用设置ksize，其他参数均相同。本案例调用Scharr函数进行边缘检测同样分为了三步，第一步计算x方向的边缘，第二步计算y方向边缘，第三步将x和y方向的边缘叠加形成图像的边缘。
案例代码如下：

import cv2

src = cv2.imread("src.jpg")
#高斯滤波
src = cv2.GaussianBlur(src, (3, 3), 0)
#转为灰度图
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)

#求x方向边缘
scharr_gradx = cv2.Scharr(gray, -1, 1, 0)
#求y方向边缘
scharr_grady = cv2.Scharr(gray, -1, 0, 1)
#边缘合并
scharr_grad = cv2.addWeighted(scharr_gradx, 0.5, scharr_grady, 0.5, 0)

#图像显示
cv2.imshow("scharr_gradx", scharr_gradx)
cv2.imshow("scharr_grady", scharr_grady)
cv2.imshow("scharr_grad", scharr_grad)
cv2.waitKey(0)
cv2.destroyAllWindows()

计算x方向边缘结果如图4.27所示。

图4.27
计算y方向边缘结果如图4.28所示。

图4.28
边缘合并的结果如图4.29所示。

图4.29

4.7.3 案例46：Laplacian边缘检测

Sobel边缘检测计算的时一阶梯度，而Laplacian边缘检测计算的则是二阶梯度，OpenCV中提供了Laplacian边缘检测的函数Laplacian，函数定义如下：

dst = Laplacian(src, ddepth, dst=None, ksize=None, scale=None, delta=None, borderType=None)

参数说明如下：
src，输入图像；
ddepth，输出图像的深度，若设置为-1，则深度与输入图像深度相同；
dst，输出图像（返回值）；
ksize，用于计算二阶导数滤波器的核大小；
scale，梯度计算结果的放大比例；
delta，图像存储前可以将像素值增加delta数值，默认为0；
borderType，边界模式，由BorderTypes定义（见3.4.5节）。
Laplacian边缘检测的案例代码如下：

import cv2

src = cv2.imread("src.jpg")
#高斯滤波
src = cv2.GaussianBlur(src, (3, 3), 0)
#转为灰度图
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
#Laplacian边缘检测
laplacian_grad = cv2.Laplacian(gray, -1)
#图像显示
cv2.imshow("laplacian_grad", laplacian_grad)
cv2.waitKey(0)
cv2.destroyAllWindows()

边缘检测结果如图4.30所示。

图4.30

4.7.4 案例47：Canny边缘检测

Canny边缘检测算法是传统图像处理边缘检测中效果较好的算法，该算法先计算x和y方向的一阶导数，然后由它们组合为四个方向导数，而方向导数则是（局部最大值的点）组成边缘的候选项。Canny算法中采用了两个阈值，如果像素的梯度大于较大阈值则接受其为轮廓，如果小于较小值则舍弃，介于阈值之间的如果连接到高于阈值的像素则接受，否则就舍弃，算法建议的阈值介于2：1与3：1之间。OpenCV中提供了Canny边缘检测的函数Canny，函数定义如下：
edges = Canny(image, threshold1, threshold2, edges=None, apertureSize=None, L2gradient=None)
参数说明如下：
image，输入图像；
threshold1，阈值1；
threshold2，阈值2；
edges，输出的边缘图像（返回值）；
apertureSize，Sobel核大小；
L2gradient，是否使用L2梯度。

Canny边缘检测的案例代码如下：
import cv2

src = cv2.imread(“src.jpg”)
#高斯滤波
src = cv2.GaussianBlur(src, (3, 3), 0)
#转为灰度图
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
#Canny边缘检测
canny_grad = cv2.Canny(gray, 70, 160)
#图像显示
cv2.imshow(“canny_grad”, canny_grad)
cv2.waitKey(0)
cv2.destroyAllWindows()
边缘检测的结果如图4.31所示。

图4.31