图像边缘检测

目录

一.图像边缘检测

1.图像边缘检测概述

2.Sobel算子原理与实现

3.Scharr算子

4.Laplacian算子

5.Canny边缘检测（重点）

6.效果对比

一.图像边缘检测

1.图像边缘检测概述

2.Sobel算子原理与实现

代码是实现步骤：

• 边缘检测是图像处理和计算机视觉中的重要工具，用于检测数字图像中的明显变化、边缘或不连续区域。
• 主要方法包括：Sobel算子、scharr算子，Laplacian算子、Canny算子等。
• Sobel算子结合高斯平滑和微分求导，通过局部差分计算梯度近似值。
• 包含两组3x3矩阵（横向和纵向模板），分别用于水平和垂直方向的边缘检测。
• 横向检测：用右边像素值减去左边像素值；纵向检测：用下方像素值减去上方像素值。
• 检测时需分步进行（先横向后纵向），避免同时设置dx=1和dy=1导致结果不理想（线条过细且存在空洞）。
• 横向检测：
  • 使用cv2.Sobel()，设置dx=1、dy=0，数据类型为cv2.CV_64F以保存负数梯度值。
  • 对结果取绝对值（cv2.convertScaleAbs）将负数转为正数显示。
• 纵向检测：
  • 设置dx=0、dy=1，同样使用cv2.CV_64F并取绝对值。
• 融合结果：通过图像加权融合（cv2.addWeighted）将横向和纵向检测结果合并，填补空洞。

import cv2#1.sobel算子yuan=cv2.imread(\'img.png\',0)cv2.imshow(\'yuan\',yuan)cv2.waitKey(0)#x方向上的边缘yuan_x=cv2.Sobel(yuan,-1,dx=1,dy=0)#信息范围（0~255）cv2.imshow(\'yuan_x\',yuan_x)cv2.waitKey(0)yuan_x_64=cv2.Sobel(yuan,cv2.CV_64F,dx=1,dy=0)#信息范围（-1020~1020）cv2.imshow(\'yuan_x_64\',yuan_x_64)cv2.waitKey(0)#x方向上的边缘含负数信息无法显示，所以进行取绝对值操作yuan_x_full=cv2.convertScaleAbs(yuan_x_64)cv2.imshow(\'yuan_x_full\',yuan_x_full)cv2.waitKey(0)#y方向上的边缘yuan_y_64=cv2.Sobel(yuan,cv2.CV_64F,dx=0,dy=1)#信息范围（-1020~1020）cv2.imshow(\'yuan_y_64\',yuan_y_64)cv2.waitKey(0)yuan_y_full=cv2.convertScaleAbs(yuan_y_64)cv2.imshow(\'yuan_y_full\',yuan_y_full)cv2.waitKey(0)#图像加权运算组合yuan_xy_full=cv2.addWeighted(yuan_x_full,1,yuan_y_full,1,0)cv2.imshow(\'yuan_xy_full\',yuan_xy_full)cv2.waitKey(0)cv2.destroyAllWindows()

注意事项：

• 输入图像需先转换为灰度图。
• 避免直接使用unit8数据类型（会丢失负数梯度信息），推荐使用cv2.CV_64F。
• 分步检测后融合的效果优于同时设置dx=1和dy=1。

3.Scharr算子

• 改进：中心权重更大（中间为10，四角为3），精度更高，但线条更密集（可能包含更多伪边缘）。
• 代码实现：仅需将Sobel算子中的cv2.Sobel改为cv2.Scharr。

#2.scharr算子img=cv2.imread(\'img.png\',0)cv2.imshow(\'img\',img)cv2.waitKey(0)img_x_64 = cv2.Scharr(img,cv2.CV_64F,dx=1,dy=0)img_x_full=cv2.convertScaleAbs(img_x_64)img_y_64 = cv2.Scharr(img,cv2.CV_64F,dx=0,dy=1)img_y_full=cv2.convertScaleAbs(img_y_64)img_xy_full=cv2.addWeighted(img_x_full,1,img_y_full,1,0)cv2.imshow(\'img_xy_full\',img_xy_full)cv2.waitKey(0)

4.Laplacian算子

• 特点：不区分方向（直接计算变化率），卷积核中心为-4，四周为1，无需分步融合。
• 代码：cv2.Laplacian + 取绝对值，步骤更简单，但效果较粗糙（线条断续、颜色淡）。

  img=cv2.imread(\'img.png\',0)img_lap=cv2.Laplacian(img,cv2.CV_64F)img_lap_full=cv2.convertScaleAbs(img_lap)cv2.imshow(\'img_lap_full\',img_lap_full)cv2.waitKey(0)

  

5.Canny边缘检测（重点）

• 原理：
  1. 高斯降噪：去除噪声干扰。
  2. 梯度计算：通过Sobel算子计算梯度幅值和方向（像素变化最剧烈的方向）。
  3. 非极大值抑制：保留梯度方向上最亮的点，抑制其他点。
  4. 双阈值筛选：
     • 高阈值（如150）：强边缘（保留）。
     • 低阈值（如100）：弱边缘（若与强边缘连接则保留，否则剔除）。
• 代码实现

  #4.canny算子img=cv2.imread(\'img.png\',0)img_canny=cv2.Canny(img,120,180)img_canny_full=cv2.convertScaleAbs(img_canny)cv2.imshow(\'img_canny_full\',img_canny_full)cv2.waitKey(0)cv2.destroyAllWindows()

• 优势

边缘更细、更真实（避免伪边缘）。

背景干净（纯黑），仅保留显著轮廓。

• 参数调整：阈值过高可能导致边缘断裂，过低则噪声增多。

6.效果对比

• Sobel/Scharr：检测较多细节（如花纹），但可能包含非边缘信息。
• Laplacian：线条较淡，连续性差。
• Canny：仅保留强边缘（如人物轮廓），背景纯净，适合