图像边缘检测

在 OpenCV 中，图像边缘检测是提取图像中灰度变化剧烈区域的重要技术，广泛应用于目标识别、图像分割等领域。以下是四种常用边缘检测算法的简单介绍：

1. Sobel 算子

原理：基于一阶导数计算，通过卷积核在图像的水平（X 方向）和垂直（Y 方向）分别进行梯度运算，检测边缘的强度和方向。

特点：对噪声有一定抑制能力，计算效率高。

需分别计算 X、Y 方向梯度，再通过加权融合得到完整边缘。

边缘检测效果中等，可能存在边缘较粗或模糊的情况。

适用场景：实时性要求较高、对边缘精度要求不极致的场景，如简单目标轮廓提取。

2. Scharr 算子

原理：是 Sobel 算子的改进版本，使用更精确的卷积核系数，增强了对边缘的敏感性，尤其在小算子（3x3）时效果更优。

特点：与 Sobel 算子参数用法类似，但边缘检测更灵敏，细节保留更好。

对弱边缘的响应更强，适合检测细微边缘。

适用场景：需要保留更多边缘细节的场景，如纹理丰富的图像边缘提取。

3. Laplacian 算子

原理：基于二阶导数计算，通过检测图像中灰度的二阶变化率（拐点）来识别边缘，本质是对图像进行二阶差分运算。

特点：对噪声非常敏感，通常需要先进行高斯模糊降噪。

边缘检测结果是双向的（正负边缘），需通过绝对值转换处理。

能检测出图像中所有方向的边缘，但边缘定位精度较低。

适用场景：对边缘方向无偏好的场景，或作为其他边缘检测算法的辅助步骤。

4. Canny 算子

原理：一种多阶段边缘检测算法，包括高斯降噪、梯度计算、非极大值抑制（边缘细化）、双阈值筛选（确定强 / 弱边缘）和边缘连接五个步骤。

特点：边缘定位准确，抗噪声能力强，能有效检测出真正的边缘并抑制虚假边缘。

输出的边缘通常是单像素宽度，连续性好。

需手动设置两个阈值（高阈值和低阈值），阈值选择对结果影响较大。

适用场景：对边缘质量要求高的场景，如目标检测、图像分割等核心任务，是实际应用中最常用的边缘检测算法。

案例：对一片图片分别进行这四种算子处理

代码实现：

import cv2
'''------边缘检测------'''
'''sobel算子'''
hw = cv2.imread('2197.jpg',0)
hw = cv2.resize(hw,dsize=None,fx=0.2,fy=0.2)
cv2.imshow('yuantu',hw)
cv2.waitKey(0)
hw_x_64 = cv2.Sobel(hw,cv2.CV_64F,dx=1,dy=0)
hw_x_full = cv2.convertScaleAbs(hw_x_64)
hw_y_64 = cv2.Sobel(hw,cv2.CV_64F,dx=0,dy=1)
hw_y_full = cv2.convertScaleAbs(hw_y_64)
hw_xy_full = cv2.addWeighted(hw_x_full,1,hw_y_full,1,10)
cv2.imshow('hw_xy_sobel_fill',hw_xy_full)
cv2.waitKey(0)'''scharr算子'''
hw_x_64 = cv2.Scharr(hw,cv2.CV_64F,dx=1,dy=0)
hw_x_full = cv2.convertScaleAbs(hw_x_64)
hw_y_64 = cv2.Scharr(hw,cv2.CV_64F,dx=0,dy=1)
hw_y_full = cv2.convertScaleAbs(hw_y_64)
hw_xy_full = cv2.addWeighted(hw_x_full,1,hw_y_full,1,10)
cv2.imshow('hw_xy_scharr_fill',hw_xy_full)
cv2.waitKey(0)'''Laplacian算子'''
hw_lap  =cv2.Laplacian(hw,cv2.CV_64F)
hw_lap_full = cv2.convertScaleAbs(hw_lap)
cv2.imshow('hw_laplacian_full',hw_lap_full)
cv2.waitKey(0)'''Canny算子'''hw_canny = cv2.Canny(hw,190,240)
cv2.imshow('hw_canny',hw_canny)
cv2.waitKey(0)

代码解析：

1. 导入 OpenCV 库

   import cv2
   

   导入 OpenCV 库，用于图像处理和边缘检测。

2. 图像读取与预处理

   hw = cv2.imread('2197.jpg', 0)  # 以灰度模式读取图像
   hw = cv2.resize(hw, dsize=None, fx=0.2, fy=0.2)  # 将图像缩小到原来的20%
   cv2.imshow('yuantu', hw)  # 显示原图
   cv2.waitKey(0)  # 等待按键输入，0表示无限等待
   

   • 读取图像时使用参数0将图像直接转为灰度图，简化后续处理
   • 图像缩小是为了加快处理速度并适应显示窗口
   • cv2.waitKey(0)确保图像窗口会一直显示，直到用户按下任意键

3. Sobel 算子边缘检测

   # 计算X方向边缘
   hw_x_64 = cv2.Sobel(hw, cv2.CV_64F, dx=1, dy=0)
   hw_x_full = cv2.convertScaleAbs(hw_x_64)# 计算Y方向边缘
   hw_y_64 = cv2.Sobel(hw, cv2.CV_64F, dx=0, dy=1)
   hw_y_full = cv2.convertScaleAbs(hw_y_64)# 合并X和Y方向边缘
   hw_xy_full = cv2.addWeighted(hw_x_full, 1, hw_y_full, 1, 10)
   cv2.imshow('hw_xy_sobel_fill', hw_xy_full)
   cv2.waitKey(0)
   

   • cv2.Sobel()计算图像梯度，dx=1, dy=0检测水平方向边缘，dx=0, dy=1检测垂直方向边缘
   • 使用cv2.CV_64F数据类型是为了保留梯度的正负值（边缘可能是从亮到暗或从暗到亮）
   • cv2.convertScaleAbs()将结果转换为绝对值并转为 8 位图像，确保边缘不会丢失
   • cv2.addWeighted()将 X 和 Y 方向的边缘按权重合并，得到完整的边缘图像

4. Scharr 算子边缘检测

   hw_x_64 = cv2.Scharr(hw, cv2.CV_64F, dx=1, dy=0)
   hw_x_full = cv2.convertScaleAbs(hw_x_64)
   hw_y_64 = cv2.Scharr(hw, cv2.CV_64F, dx=0, dy=1)
   hw_y_full = cv2.convertScaleAbs(hw_y_64)
   hw_xy_full = cv2.addWeighted(hw_x_full, 1, hw_y_full, 1, 10)
   cv2.imshow('hw_xy_scharr_fill', hw_xy_full)
   cv2.waitKey(0)
   

   • Scharr 算子是 Sobel 算子的改进版，在 3x3 核的情况下能提供更精确的梯度计算
   • 使用方法与 Sobel 算子完全相同，但通常能检测到更细微的边缘

5. Laplacian 算子边缘检测

   hw_lap = cv2.Laplacian(hw, cv2.CV_64F)
   hw_lap_full = cv2.convertScaleAbs(hw_lap)
   cv2.imshow('hw_laplacian_full', hw_lap_full)
   cv2.waitKey(0)
   

   • Laplacian 算子计算二阶导数，对图像中的快速变化（边缘）很敏感
   • 它对噪声更敏感，但能同时检测多个方向的边缘，不需要分别计算 X 和 Y 方向

6. Canny 算子边缘检测

   hw_canny = cv2.Canny(hw, 190, 240)
   cv2.imshow('hw_canny', hw_canny)
   cv2.waitKey(0)
   

   • Canny 是一种多阶段的边缘检测算法，效果通常更好
   • 两个参数 (190, 240) 是高低阈值：低于低阈值的点被丢弃，高于高阈值的点被保留为边缘，介于两者之间的点只有与边缘点相连时才被保留
   • Canny 算法能有效抑制噪声并检测出真正的边缘