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）

本篇文章介绍如何用OpenCV-Python来使用Sobel算子。

提示：

转载请详细注明原作者及出处，谢谢！

本文介绍使用OpenCV-Python实现基本的滤波处理
本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《图像处理与计算机视觉算法及应用(第2版)
》。

Sobel算子

原型

Sobel算子依然是一种过滤器，只是其是带有方向的。在OpenCV-Python中，使用Sobel的算子的函数原型如下：

[python] view
plain copy

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。

使用

在OpenCV-Python中，Sobel函数的使用如下：

[python] view
plain copy

#coding=utf-8

import cv2

import numpy as np

img = cv2.imread("D:/lion.jpg", 0)

x = cv2.Sobel(img,cv2.CV_16S,1,0)

y = cv2.Sobel(img,cv2.CV_16S,0,1)

absX = cv2.convertScaleAbs(x) # 转回uint8

absY = cv2.convertScaleAbs(y)

dst = cv2.addWeighted(absX,0.5,absY,0.5,0)

cv2.imshow("absX", absX)

cv2.imshow("absY", absY)

cv2.imshow("Result", dst)

cv2.waitKey(0)

cv2.destroyAllWindows()

解释

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。convertScaleAbs()的原型为：

[python] view
plain copy

dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]])

其中可选参数alpha是伸缩系数，beta是加到结果上的一个值。结果返回uint8类型的图片。

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。其函数原型为：

[python] view
plain copy

dst = cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])

其中alpha是第一幅图片中元素的权重，beta是第二个的权重，gamma是加到最后结果上的一个值。

结果

原图像为：



结果为：

参考资料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

OpenCV-Python教程（7、Laplacian算子）

本篇文章介绍如何用OpenCV-Python来使用Laplacian算子。

提示：

转载请详细注明原作者及出处，谢谢！

本文介绍使用在OpenCV-Python中使用Laplacian函数
本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《图像处理与计算机视觉算法及应用(第2版)
》。

Laplacian算子

图像中的边缘区域，像素值会发生“跳跃”，对这些像素求导，在其一阶导数在边缘位置为极值，这就是Sobel算子使用的原理——极值处就是边缘。如下图（下图来自OpenCV官方文档）：



如果对像素值求二阶导数，会发现边缘处的导数值为0。如下（下图来自OpenCV官方文档）：



Laplace函数实现的方法是先用Sobel 算子计算二阶x和y导数，再求和：（CSDN，你打水印，让我的公式怎么办？）

函数原型

在OpenCV-Python中，Laplace算子的函数原型如下：

[python] view
plain copy

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

如果看了上一篇Sobel算子的介绍，这里的参数应该不难理解。

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。

使用

这里还是以Sobel一文中的石狮作为测试图像，下面是测试代码：

[python] view
plain copy

#coding=utf-8

import cv2

import numpy as np

img = cv2.imread("D:/lion.jpg", 0)

gray_lap = cv2.Laplacian(img,cv2.CV_16S,ksize = 3)

dst = cv2.convertScaleAbs(gray_lap)

cv2.imshow('laplacian',dst)

cv2.waitKey(0)

cv2.destroyAllWindows()

为了让结果更清晰，这里的ksize设为3，效果图如下：



有点像粉笔画，是吧。这是因为原图像未经过去噪就直接处理了。可以通过滤波一文中，使用低通滤波一节中高斯模糊来先处理一下再用拉普拉斯函数。

参考资料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

OpenCV-Python教程（8、Canny边缘检测Sobel算子）

本篇文章介绍如何用OpenCV-Python来使用Canny算子。

提示：

转载请详细注明原作者及出处，谢谢！

本文介绍使用OpenCV-Python实现基本的滤波处理
本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《图像处理与计算机视觉算法及应用(第2版)
》。

原型

OpenCV-Python中Canny函数的原型为：

[python] view
plain copy

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。

可选参数中apertureSize就是Sobel算子的大小。而L2gradient参数是一个布尔值，如果为真，则使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），否则使用L1范数（直接将两个方向导数的绝对值相加）。

具体的算法可参见清华大学出版社的《图像处理与计算机视觉算法及应用(第2版)
》第二章，其中有Canny算法的详细描述及实现。

函数返回一副二值图，其中包含检测出的边缘。

使用

Canny函数的使用很简单，只需指定最大和最小阈值即可。如下：

[python] view
plain copy

#coding=utf-8

import cv2

import numpy as np

img = cv2.imread("D:/lion.jpg", 0)

img = cv2.GaussianBlur(img,(3,3),0)

canny = cv2.Canny(img, 50, 150)

cv2.imshow('Canny', canny)

cv2.waitKey(0)

cv2.destroyAllWindows()

首先，由于Canny只能处理灰度图，所以将读取的图像转成灰度图。

用高斯平滑处理原图像降噪。

调用Canny函数，指定最大和最小阈值，其中apertureSize默认为3。

处理结果如下：

更多

这个程序只是静态的，在github上有一个可以在运行时调整阈值大小的程序。其代码如下：

[python] view
plain copy

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',dst)

lowThreshold = 0

max_lowThreshold = 100

ratio = 3

kernel_size = 3

img = cv2.imread('D:/lion.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()

原地址在此，其中还有其他的初级图像处理的代码，大伙可以去看看。后续文章将介绍更多的OpenCV的函数使用，以及视频的处理。

参考资料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

from: http://blog.csdn.net/sunny2038/article/category/904451