OpenCV-Python教程（6）（7）（8）： Sobel算子 Laplacian算子 Canny边缘检测
OpenCV-Python教程（6、Sobel算子）
本篇文章介紹如何用OpenCV-Python來使用Sobel算子。
提示：
- 轉(zhuǎn)載請詳細(xì)注明原作者及出處，謝謝！
- 本文介紹使用OpenCV-Python實(shí)現(xiàn)基本的濾波處理
- 本文不介詳細(xì)的理論知識，讀者可從其他資料中獲取相應(yīng)的背景知識。筆者推薦清華大學(xué)出版社的《圖像處理與計算機(jī)視覺算法及應(yīng)用(第2版) 》。
Sobel算子
原型
Sobel算子依然是一種過濾器，只是其是帶有方向的。在OpenCV-Python中，使用Sobel的算子的函數(shù)原型如下：
[python]?view plaincopy
前四個是必須的參數(shù)：
- 第一個參數(shù)是需要處理的圖像；
- 第二個參數(shù)是圖像的深度，-1表示采用的是與原圖像相同的深度。目標(biāo)圖像的深度必須大于等于原圖像的深度；
- dx和dy表示的是求導(dǎo)的階數(shù)，0表示這個方向上沒有求導(dǎo)，一般為0、1、2。
其后是可選的參數(shù)：
- dst不用解釋了；
- ksize是Sobel算子的大小，必須為1、3、5、7。
- scale是縮放導(dǎo)數(shù)的比例常數(shù)，默認(rèn)情況下沒有伸縮系數(shù)；
- delta是一個可選的增量，將會加到最終的dst中，同樣，默認(rèn)情況下沒有額外的值加到dst中；
- borderType是判斷圖像邊界的模式。這個參數(shù)默認(rèn)值為cv2.BORDER_DEFAULT。
使用
在OpenCV-Python中，Sobel函數(shù)的使用如下：
[python]?view plaincopy
解釋
在Sobel函數(shù)的第二個參數(shù)這里使用了cv2.CV_16S。因?yàn)镺penCV文檔中對Sobel算子的介紹中有這么一句：“in the case of 8-bit input images it will result in truncated derivatives”。即Sobel函數(shù)求完導(dǎo)數(shù)后會有負(fù)值，還有會大于255的值。而原圖像是uint8，即8位無符號數(shù)，所以Sobel建立的圖像位數(shù)不夠，會有截斷。因此要使用16位有符號的數(shù)據(jù)類型，即cv2.CV_16S。
在經(jīng)過處理后，別忘了用convertScaleAbs()函數(shù)將其轉(zhuǎn)回原來的uint8形式。否則將無法顯示圖像，而只是一副灰色的窗口。convertScaleAbs()的原型為：
[python]?view plaincopy
由于Sobel算子是在兩個方向計算的，最后還需要用cv2.addWeighted(...)函數(shù)將其組合起來。其函數(shù)原型為：
[python]?view plaincopy
結(jié)果
原圖像為：
結(jié)果為：
參考資料：
1、《Opencv2 Computer Vision Application Programming Cookbook》
2、《OpenCV References Manule》
OpenCV-Python教程（7、Laplacian算子）
本篇文章介紹如何用OpenCV-Python來使用Laplacian算子。
提示：
- 轉(zhuǎn)載請詳細(xì)注明原作者及出處，謝謝！
- 本文介紹使用在OpenCV-Python中使用Laplacian函數(shù)
- 本文不介詳細(xì)的理論知識，讀者可從其他資料中獲取相應(yīng)的背景知識。筆者推薦清華大學(xué)出版社的《圖像處理與計算機(jī)視覺算法及應(yīng)用(第2版) 》。
Laplacian算子
圖像中的邊緣區(qū)域，像素值會發(fā)生“跳躍”，對這些像素求導(dǎo)，在其一階導(dǎo)數(shù)在邊緣位置為極值，這就是Sobel算子使用的原理——極值處就是邊緣。如下圖（下圖來自O(shè)penCV官方文檔）：
如果對像素值求二階導(dǎo)數(shù)，會發(fā)現(xiàn)邊緣處的導(dǎo)數(shù)值為0。如下（下圖來自O(shè)penCV官方文檔）：
Laplace函數(shù)實(shí)現(xiàn)的方法是先用Sobel 算子計算二階x和y導(dǎo)數(shù)，再求和：（CSDN，你打水印，讓我的公式怎么辦？）
函數(shù)原型
在OpenCV-Python中，Laplace算子的函數(shù)原型如下：
[python]?view plaincopy
前兩個是必須的參數(shù)：
- 第一個參數(shù)是需要處理的圖像；
- 第二個參數(shù)是圖像的深度，-1表示采用的是與原圖像相同的深度。目標(biāo)圖像的深度必須大于等于原圖像的深度；
其后是可選的參數(shù)：
- dst不用解釋了；
- ksize是算子的大小，必須為1、3、5、7。默認(rèn)為1。
- scale是縮放導(dǎo)數(shù)的比例常數(shù)，默認(rèn)情況下沒有伸縮系數(shù)；
- delta是一個可選的增量，將會加到最終的dst中，同樣，默認(rèn)情況下沒有額外的值加到dst中；
- borderType是判斷圖像邊界的模式。這個參數(shù)默認(rèn)值為cv2.BORDER_DEFAULT。
使用
這里還是以Sobel一文中的石獅作為測試圖像，下面是測試代碼：
[python]?view plaincopy
有點(diǎn)像粉筆畫，是吧。這是因?yàn)樵瓐D像未經(jīng)過去噪就直接處理了。可以通過濾波一文中，使用低通濾波一節(jié)中高斯模糊來先處理一下再用拉普拉斯函數(shù)。
參考資料：
1、《Opencv2 Computer Vision Application Programming Cookbook》
2、《OpenCV References Manule》
OpenCV-Python教程（8、Canny邊緣檢測Sobel算子）
本篇文章介紹如何用OpenCV-Python來使用Canny算子。
提示：
- 轉(zhuǎn)載請詳細(xì)注明原作者及出處，謝謝！
- 本文介紹使用OpenCV-Python實(shí)現(xiàn)基本的濾波處理
- 本文不介詳細(xì)的理論知識，讀者可從其他資料中獲取相應(yīng)的背景知識。筆者推薦清華大學(xué)出版社的《圖像處理與計算機(jī)視覺算法及應(yīng)用(第2版) 》。
原型
OpenCV-Python中Canny函數(shù)的原型為：
[python]?view plaincopy
- 第一個參數(shù)是需要處理的原圖像，該圖像必須為單通道的灰度圖；
- 第二個參數(shù)是閾值1；
- 第三個參數(shù)是閾值2。
其中較大的閾值2用于檢測圖像中明顯的邊緣，但一般情況下檢測的效果不會那么完美，邊緣檢測出來是斷斷續(xù)續(xù)的。所以這時候用較小的第一個閾值用于將這些間斷的邊緣連接起來。
可選參數(shù)中apertureSize就是Sobel算子的大小。而L2gradient參數(shù)是一個布爾值，如果為真，則使用更精確的L2范數(shù)進(jìn)行計算（即兩個方向的倒數(shù)的平方和再開放），否則使用L1范數(shù)（直接將兩個方向?qū)?shù)的絕對值相加）。
具體的算法可參見清華大學(xué)出版社的《圖像處理與計算機(jī)視覺算法及應(yīng)用(第2版) 》第二章，其中有Canny算法的詳細(xì)描述及實(shí)現(xiàn)。
函數(shù)返回一副二值圖，其中包含檢測出的邊緣。
使用
Canny函數(shù)的使用很簡單，只需指定最大和最小閾值即可。如下：
[python]?view plaincopy
用高斯平滑處理原圖像降噪。
調(diào)用Canny函數(shù)，指定最大和最小閾值，其中apertureSize默認(rèn)為3。
處理結(jié)果如下：
更多
這個程序只是靜態(tài)的，在github上有一個可以在運(yùn)行時調(diào)整閾值大小的程序。其代碼如下：
[python]?view plaincopy
參考資料：
1、《Opencv2 Computer Vision Application Programming Cookbook》
2、《OpenCV References Manule》
from: http://blog.csdn.net/sunny2038/article/category/904451
總結(jié)
以上是生活随笔為你收集整理的OpenCV-Python教程（6）（7）（8）： Sobel算子 Laplacian算子 Canny边缘检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： OpenCV Python教程（3）（4
- 下一篇： OpenCV-Python教程（9）（1