当前位置：首页 > news >正文

OpenCV 图像边缘检测

news 2025/8/23 7:09:46

一、准备工作

二、Sobel 算子

1.Sobel 算子的使用方法

2.关键参数说明

三、Scharr 算子

1.Scharr 算子的使用方法

四、Laplacian 算子

1.Laplacian 算子的使用方法

2.cv2.Laplacian()函数参数说明：

五、Canny 边缘检测

1.Canny 边缘检测的使用方法

2.cv2.Canny()函数关键参数：

六、四种算子的对比分析

边缘检测是计算机视觉中的基础任务，它通过识别图像中灰度变化剧烈的区域来提取物体轮廓。本文将介绍 OpenCV 中四种常用的边缘检测算子：Sobel、Scharr、Laplacian 和 Canny，并通过实战代码展示它们的使用方法和效果差异。

一、准备工作

在开始之前，我们需要导入必要的库：

import cv2
import numpy as np

本文将使用一张老虎图像（tiger.jpg）作为示例，所有算子都将基于这张图像进行边缘检测实验。

二、Sobel 算子

Sobel 算子是一种常用的边缘检测算子，它通过计算图像在 x 和 y 方向的梯度来检测边缘。其原理是使用两个 3x3 的卷积核分别对图像进行卷积运算，得到 x 和 y 方向的边缘信息。

1.Sobel 算子的使用方法

# 以灰度模式读取图像
tiger = cv2.imread('tiger.jpg', 0)# Sobel计算x方向梯度，使用float64保存负数信息
tiger_x_64 = cv2.Sobel(tiger, cv2.CV_64F, dx=1, dy=0)
# 转换为绝对值，使负数边缘可见
tiger_x_full = cv2.convertScaleAbs(tiger_x_64)# Sobel计算y方向梯度
tiger_y_64 = cv2.Sobel(tiger, cv2.CV_64F, dx=0, dy=1)
tiger_y_full = cv2.convertScaleAbs(tiger_y_64)# 融合x、y方向梯度结果
tiger_xy_sobel_full = cv2.addWeighted(tiger_x_full, 1, tiger_y_full, 1, 0)# 显示结果
cv2.imshow('tiger_xy_sobel_full', tiger_xy_sobel_full)
cv2.waitKey(0)

2.关键参数说明

cv2.Sobel(src, ddepth, dx, dy)：Sobel 算子的核心函数
- src：输入图像
- ddepth：输出图像深度，使用cv2.CV_64F可以保存负数信息
- dx：x 方向导数阶数（1 表示计算 x 方向梯度）
- dy：y 方向导数阶数（1 表示计算 y 方向梯度）
cv2.convertScaleAbs()：将梯度结果转换为绝对值，确保负数边缘信息可见
cv2.addWeighted()：加权融合 x 和 y 方向的边缘信息

三、Scharr 算子

Scharr 算子是 Sobel 算子的改进版本，当 Sobel 算子的卷积核大小为 3 时，Scharr 算子可以提供更精确的梯度计算结果。

1.Scharr 算子的使用方法

# 以灰度模式读取图像
tiger = cv2.imread('tiger.jpg', cv2.IMREAD_GRAYSCALE)# Scharr计算x方向梯度
tiger_x_64 = cv2.Scharr(tiger, cv2.CV_64F, dx=1, dy=0)
tiger_x_full = cv2.convertScaleAbs(tiger_x_64)# Scharr计算y方向梯度
tiger_y_64 = cv2.Scharr(tiger, cv2.CV_64F, dx=0, dy=1)
tiger_y_full = cv2.convertScaleAbs(tiger_y_64)# 融合x、y方向梯度结果
tiger_xy_Scharr_full = cv2.addWeighted(tiger_x_full, 1, tiger_y_full, 1, 0)# 显示结果
cv2.imshow('tiger_xy_Scharr_full', tiger_xy_Scharr_full)
cv2.waitKey(0)

Scharr 算子的使用方法与 Sobel 非常相似，只是将cv2.Sobel()替换为cv2.Scharr()。在边缘检测效果上，Scharr 算子通常比 Sobel 算子（3x3 核）更敏锐，能检测到更多细节。

四、Laplacian 算子

Laplacian 算子通过计算图像的二阶导数来检测边缘，它对噪声比较敏感，但能很好地检测出图像中的快速变化区域。

1.Laplacian 算子的使用方法

# 以灰度模式读取图像
tiger = cv2.imread('tiger.jpg', cv2.IMREAD_GRAYSCALE)# Laplacian算子处理
tiger_lap = cv2.Laplacian(tiger, cv2.CV_64F)
# 转换为绝对值
tiger_lap_full = cv2.convertScaleAbs(tiger_lap)# 显示结果
cv2.imshow('tiger_lap_full', tiger_lap_full)
cv2.waitKey(0)

`2.cv2.Laplacian()`函数参数说明：

src：输入图像
depth：输出图像深度
可选参数ksize：滤波器孔径大小，必须为正奇数

Laplacian 算子不需要分别计算 x 和 y 方向的梯度，直接得到整体边缘信息，但实际应用中常与高斯模糊结合使用以减少噪声影响。

五、Canny 边缘检测

Canny 边缘检测是一种多阶段的边缘检测算法，具有良好的边缘检测效果和抗噪声能力，是实际应用中最常用的边缘检测方法之一。

1.Canny 边缘检测的使用方法

# 以灰度模式读取图像
tiger = cv2.imread('tiger.jpg', cv2.IMREAD_GRAYSCALE)# 显示原始灰度图像
cv2.imshow('tiger', tiger)
cv2.waitKey(0)# Canny边缘检测，设置阈值
tiger_canny = cv2.Canny(tiger, 150, 230)# 显示结果
cv2.imshow('tiger_canny', tiger_canny)
cv2.waitKey(0)