OpenCV 提供了查找圖像輪廓的函數(shù) cv2.findContours()，該函數(shù)能夠查找圖像內(nèi)的輪廓信息，而函數(shù)cv2.drawContours()能夠?qū)⑤喞L制出來。

一、圖像梯度

圖像梯度是指圖像中灰度強(qiáng)度變化的方向和幅度。梯度計(jì)算對于許多計(jì)算機(jī)視覺和圖像處理任務(wù)非常重要，如邊緣檢測、特征提取等。
圖像梯度通常使用Sobel、Scharr或其他卷積核進(jìn)行計(jì)算。這些卷積核可以在圖像上進(jìn)行卷積操作，以便檢測圖像中的水平和垂直邊緣。梯度的方向表示灰度變化最快的方向，而梯度的幅度表示這個(gè)變化的強(qiáng)度。
·
圖像梯度是指圖像中像素值變化的快慢和方向。在圖像處理中，常用于檢測圖像中的邊緣和輪廓。圖像梯度的計(jì)算可以通過一階或二階導(dǎo)數(shù)的方法來實(shí)現(xiàn)。

1.1 介紹

1. 一階導(dǎo)數(shù)（梯度）：

   • 水平方向梯度（Gx）： 表示圖像在水平方向上的變化率。
   • 垂直方向梯度（Gy）： 表示圖像在垂直方向上的變化率。
   • 梯度幅值： 通過Gx和Gy的組合計(jì)算，通常使用歐幾里得范數(shù)（平方和的平方根）表示：
     

2. 梯度方向：

   • 梯度方向角度（θ）： 通過arctan(Gy/Gx)計(jì)算，表示梯度的方向。

3. 邊緣檢測：

   • 基于圖像梯度的邊緣檢測算法，如Sobel、Prewitt、Roberts等，通過卷積運(yùn)算來獲取圖像梯度。

4. Canny邊緣檢測：

   • Canny邊緣檢測是一種常用的邊緣檢測方法，它利用圖像梯度的幅值和方向來檢測邊緣。

5. 圖像增強(qiáng)：

   • 圖像梯度也可以用于圖像增強(qiáng)，通過調(diào)整圖像梯度的幅值和方向來改善圖像的視覺效果。

在實(shí)際圖像處理中，圖像梯度是一個(gè)重要的特征，它不僅用于邊緣檢測，還可以應(yīng)用于目標(biāo)檢測、圖像分割和其他計(jì)算機(jī)視覺任務(wù)。通過分析圖像梯度，可以獲取關(guān)于圖像結(jié)構(gòu)和內(nèi)容的有用信息。

1.2 涉及函數(shù)

1. Sobel算子：

   • cv2.Sobel(src, ddepth, dx, dy, ksize): 對圖像進(jìn)行Sobel算子的卷積操作，其中dx和dy表示求導(dǎo)的階數(shù)，ksize是卷積核的大小。

2. Scharr算子：

   • cv2.Scharr(src, ddepth, dx, dy): 類似于Sobel，用于對圖像進(jìn)行Scharr算子的卷積操作。

3. Laplacian算子：

   • cv2.Laplacian(src, ddepth): 對圖像進(jìn)行Laplacian算子的卷積操作，用于增強(qiáng)圖像中的高頻信息。

4. Canny邊緣檢測：

   • cv2.Canny(image, threshold1, threshold2): 使用Canny邊緣檢測算法，threshold1和threshold2是梯度閾值，用于定義邊緣的強(qiáng)弱。

5. 角度和幅值計(jì)算：

   • cv2.phase(x, y): 計(jì)算輸入圖像梯度的相位角度。
   • cv2.magnitude(x, y): 計(jì)算輸入圖像梯度的幅值。

6. 圖像梯度計(jì)算：

   • cv2.Sobel(), cv2.Scharr(), 和 cv2.Laplacian() 的輸出可以通過 cv2.magnitude() 和 cv2.phase() 計(jì)算幅值和相位。

7. 圖像增強(qiáng)：

   • 借助梯度信息可以進(jìn)行圖像增強(qiáng)，例如通過調(diào)整梯度的幅值來實(shí)現(xiàn)銳化。

8. 圖像顯示：

   • cv2.imshow(window_name, image): 用于顯示圖像，可以用來顯示梯度圖等中間結(jié)果。

二、高頻強(qiáng)調(diào)濾波器

在OpenCV中，梯度濾波器或高通濾波器通常用于突出圖像中的邊緣和細(xì)節(jié)。這些濾波器是一種高頻強(qiáng)調(diào)濾波器，可以通過卷積操作來應(yīng)用于圖像。、

1. Sobel濾波器：

   • Sobel濾波器是一種常用的梯度濾波器，用于在圖像中檢測邊緣。它分為水平和垂直兩個(gè)方向。

   sobelx = cv2.Sobel(src, cv2.CV_64F, 1, 0, ksize=3)
   sobely = cv2.Sobel(src, cv2.CV_64F, 0, 1, ksize=3)
   

   這里，1和0分別表示水平和垂直方向，ksize是卷積核的大小。

2. Scharr濾波器：

   • Scharr濾波器類似于Sobel，但對邊緣的響應(yīng)更強(qiáng)。你可以使用cv2.Scharr()函數(shù)來應(yīng)用Scharr濾波器。

   scharrx = cv2.Scharr(src, cv2.CV_64F, 1, 0)
   scharry = cv2.Scharr(src, cv2.CV_64F, 0, 1)
   

3. Laplacian濾波器：

   • Laplacian濾波器用于增強(qiáng)圖像的高頻部分，通常用于邊緣檢測。

   laplacian = cv2.Laplacian(src, cv2.CV_64F)
   

4. Canny邊緣檢測：

   • Canny邊緣檢測是一種綜合了梯度信息的方法，包括非極大值抑制和雙閾值處理。

   edges = cv2.Canny(src, threshold1, threshold2)
   

   其中，threshold1和threshold2是梯度閾值，用于定義邊緣的強(qiáng)弱。

這些濾波器可以幫助突出圖像中的邊緣信息，對于圖像處理中的特定任務(wù)，你可以根據(jù)需要選擇合適的濾波器。

2.1 Sobel 算子

2.1.1 Sobel 理論基礎(chǔ)

Sobel算子是一種常用的邊緣檢測算法，用于計(jì)算圖像中像素點(diǎn)的梯度強(qiáng)度。在Sobel算子中，中心點(diǎn)相連的系數(shù)為2，是為了更好地捕捉圖像中的邊緣信息。

Sobel算子包含兩個(gè)3x3的卷積核（一個(gè)用于檢測水平邊緣，另一個(gè)用于檢測垂直邊緣）

1. 水平方向Sobe檢測核：

-1  -2  -1
 0   0   0
 1   2   1

水平方向Sobel算子的卷積核主要關(guān)注圖像中水平方向的變化。它通過將權(quán)重分配給中間列和左右列的像素，來檢測圖像中的水平邊緣。

2. 垂直方向Sobel檢測核：

-1   0   1
-2   0   2
-1   0   1

垂直方向Sobel算子的卷積核主要關(guān)注圖像中垂直方向的變化。它通過將權(quán)重分配給中間行和上下行的像素，來檢測圖像中的垂直邊緣。

3. 梯度計(jì)算：

假設(shè)要計(jì)算圖像中某個(gè)像素位置的值，例如該位置為圖像中的中心點(diǎn)（i，j）位置。卷積操作的計(jì)算步驟如下：

1. 將Sobel算子的中心（1，1）位置與圖像中以該點(diǎn)為中心的3x3區(qū)域進(jìn)行對應(yīng)元素相乘，并將結(jié)果相加。

2. （1）對于水平邊緣檢測核：

   (-1 * I(i-1, j-1)) + (-2 * I(i, j-1)) + (-1 * I(i+1, j-1)) +
   (0 * I(i-1, j))   + (0 * I(i, j))    + (0 * I(i+1, j))    +
   (1 * I(i-1, j+1)) + (2 * I(i, j+1))  + (1 * I(i+1, j+1))
   

   其中，I(i, j) 表示圖像中像素位置為 (i, j) 的值。

簡化：
P5x = (P3-P1) + 2·(P6-P4) + (P9-P7)

2. (2) 垂直邊緣檢測核的計(jì)算公式：

(-1 * I(i-1, j-1)) + (0 * I(i, j-1)) + (1 * I(i+1, j-1)) +
(-2 * I(i-1, j))   + (0 * I(i, j))   + (2 * I(i+1, j))   +
(-1 * I(i-1, j+1)) + (0 * I(i, j+1)) + (1 * I(i+1, j+1))

簡化：
P5y = (P7-P1) + 2·(P8-P2) + (P9-P3)

Sobel算子的應(yīng)用可以幫助檢測圖像中的邊緣，因?yàn)樵谶吘壧?，圖像的強(qiáng)度發(fā)生明顯的變化，導(dǎo)致梯度的幅值較大。Sobel算子在實(shí)際圖像處理中廣泛應(yīng)用，尤其是在計(jì)算機(jī)視覺和圖像分析領(lǐng)域，為后續(xù)的邊緣檢測和圖像特征提取提供了基礎(chǔ)。

2.1.2 Sobel 算子及函數(shù)使用

dst = cv2.Sobel(src, ddepth, dx, dy[, ksize[, scale[, delta[, borderType]]]])

其中參數(shù)的含義如下：

• src: 輸入圖像，通常是灰度圖像。
• ddepth: 輸出圖像的深度（數(shù)據(jù)類型）。通常使用 cv2.CV_64F 或 -1（讓處理結(jié)果與原始圖像保持一致）。

當(dāng) ddepth 設(shè)置為 -1 時(shí)，如果 Sobel 濾波器的計(jì)算導(dǎo)致了負(fù)數(shù)，這些負(fù)數(shù)將被截?cái)酁?0。這可能導(dǎo)致信息的丟失，因?yàn)樨?fù)數(shù)通常在圖像處理中是有意義的。

為了避免信息丟失，推薦使用更高的數(shù)據(jù)類型來進(jìn)行計(jì)算，例如 cv2.CV_64F，即64位浮點(diǎn)型。這樣，計(jì)算結(jié)果將以浮點(diǎn)數(shù)的形式保存，包括負(fù)數(shù)。然后，可以通過取絕對值或其他操作將其映射為需要的數(shù)據(jù)類型，例如 cv2.CV_8U，即8位無符號整數(shù)。

• dx 和 dy: 分別表示在 x 和 y 方向上的導(dǎo)數(shù)的階數(shù)，通常是 0 或 1。
• ksize: 可選參數(shù)，表示 Sobel 濾波器的大小，通常是 1、3、5 或 7。默認(rèn)值是 3。
  當(dāng)該值為-1 時(shí)，則會使用 Scharr 算子進(jìn)行運(yùn)算。
• scale: 可選參數(shù)，用于縮放導(dǎo)數(shù)的比例因子。默認(rèn)值是 1，是沒有縮放的。
• delta: 可選參數(shù)，表示可選的增加到輸出圖像的值，用于調(diào)整圖像的亮度。默認(rèn)值是 0。
• borderType: 可選參數(shù)，表示圖像邊界的處理方式。默認(rèn)值是 cv2.BORDER_DEFAULT。

這個(gè)函數(shù)的作用是應(yīng)用 Sobel 濾波器，計(jì)算圖像中每個(gè)像素點(diǎn)的梯度。dx 和 dy 參數(shù)決定了計(jì)算的梯度方向，常見的取值為 0、1，表示水平和垂直方向的梯度。ksize 參數(shù)用于指定 Sobel 濾波器的大小。

絕對值的原因：為了讓偏導(dǎo)數(shù)正確地顯示出來，需要將值為負(fù)數(shù)的近似偏導(dǎo)數(shù)轉(zhuǎn)換為正數(shù)。即，要將偏導(dǎo)數(shù)取絕對值，以保證偏導(dǎo)數(shù)總能正確地顯示出來。
`
如果不取絕對值，梯度的正負(fù)將分別表示變化的方向。但在實(shí)際應(yīng)用中，我們更關(guān)心圖像中是否存在邊緣以及邊緣的強(qiáng)度，而不太在意邊緣的具體方向。因此，為了簡化計(jì)算并準(zhǔn)確表示邊緣的變化強(qiáng)度，常常使用絕對值來忽略方向信息。

設(shè)想在二維圖像中有兩個(gè)線條 A 和 B，A 線條是一條黑到白的線，B 線條是一條白到黑的線。
若針對 A 線條所在列，右側(cè)像素值減去左側(cè)像素值所得近似偏導(dǎo)數(shù)的值為-1。 ? 針對 B 線條所在列，右側(cè)像素值減去左側(cè)像素值所得近似偏導(dǎo)數(shù)的值為 1。

針對 A 線條所在行，下方像素值減去上方像素值所得近似偏導(dǎo)數(shù)為-1。 ? 針對 B 線條所在行，下方像素值減去上方像素值所得近似偏導(dǎo)數(shù)為 1。

示例：

import cv2
import numpy as np

# 讀取圖像
image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)

# 應(yīng)用 Sobel 濾波器計(jì)算水平方向的梯度
sobelx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)

# 應(yīng)用 Sobel 濾波器計(jì)算垂直方向的梯度
sobely = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)

這將分別計(jì)算圖像中每個(gè)像素點(diǎn)的水平和垂直方向的梯度。你可以根據(jù)需要進(jìn)一步處理這些梯度圖像，例如計(jì)算梯度幅值和方向，用于邊緣檢測或其他圖像處理任務(wù)。

（1）對參數(shù)取絕對值

cv2.convertScaleAbs()是 OpenCV 中用于線性縮放和截?cái)嗟暮瘮?shù)。它的目的是將輸入數(shù)組進(jìn)行線性縮放并進(jìn)行截?cái)?，最后將結(jié)果轉(zhuǎn)換為無符號8位整數(shù)（cv2.CV_8U）類型。

該函數(shù)的基本語法如下：

#該函數(shù)的作用是將原始圖像 src 轉(zhuǎn)換為 256 色位圖
import cv2
dst = cv2.convertScaleAbs(src [, alpha[, beta]])

其中：

src: 輸入數(shù)組，即待處理的圖像或數(shù)據(jù)。
alpha: 縮放因子，用于乘以輸入數(shù)組的每個(gè)元素。默認(rèn)值為 1。
beta: 偏移量，用于在縮放后對每個(gè)元素進(jìn)行加法運(yùn)算。默認(rèn)值為 0。

import cv2
import numpy as np

# 讀取圖像
image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)

# 縮放和平移圖像，然后取絕對值
alpha = 1.5
beta = 20
result = cv2.convertScaleAbs(image, alpha=alpha, beta=beta)

# 顯示原圖和處理后的圖像
cv2.imshow('Original Image', image)
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

（2）控制dx，dy方向的求導(dǎo)階數(shù)

需要注意的是，dx和dy的值不能同時(shí)為0，因?yàn)橹辽僖谝粋€(gè)方向上進(jìn)行梯度計(jì)算，否則Sobel算子無法發(fā)揮作用。

1. 計(jì)算 x 方向邊緣（梯度）：

• dx=1, dy=0，表示只計(jì)算圖像中每個(gè)像素點(diǎn)在 x 方向上的梯度。這有助于檢測圖像中水平方向的邊緣。

注意里面的ddepth的不同和求導(dǎo)的數(shù)字1和2造成的差別：
*
ddepth=-1
ddepth=cv2.CV_64F

2. 計(jì)算 y 方向邊緣（梯度）：

• dx=0, dy=1，表示只計(jì)算圖像中每個(gè)像素點(diǎn)在 y 方向上的梯度。這有助于檢測圖像中垂直方向的邊緣。
  

3. 參數(shù) dx 和參數(shù) dy 的值均為 1

• dx=1, dy=1，表示同時(shí)計(jì)算圖像中每個(gè)像素點(diǎn)在 x 和 y 方向上的梯度。這將產(chǎn)生一個(gè)包含綜合梯度信息的結(jié)果，用于檢測邊緣的強(qiáng)度和方向。

出現(xiàn)零星的微小白點(diǎn)，每個(gè)點(diǎn)的大小為一個(gè)像素。

4. 計(jì)算 x 方向和 y 方向的邊緣疊加：

• 通過組合不同的參數(shù)，如 dx=1, dy=0 和 dx=0, dy=1，可以實(shí)現(xiàn)計(jì)算 x 方向和 y 方向的邊緣的疊加，得到更全面的邊緣信息。

dx= cv2.Sobel( src , ddepth , 1 , 0 )
dy= cv2.Sobel( src , ddepth , 0 , 1 )
dst=cv2.addWeighted( src1 , alpha , src2 , beta , gamma ）

2.1.3通過實(shí)際例子表示

（1）簡單圖像

為了保留更多的有效信息，利用“cv2.CV_64F”，參數(shù) dx
和 dy 的值設(shè)置為“dx=1, dy=0”后執(zhí)行該函數(shù)，再對該函數(shù)的結(jié)果計(jì)算絕對值并進(jìn)行對比

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

img = cv.imread('img8/testSobelimg.jpg', cv.IMREAD_GRAYSCALE)
sobelx = cv.Sobel(img, cv.CV_64F, 1, 0)
testsoblex = cv.Sobel(img, -1, 1, 0)
print(sobelx)
sobelxbeside = cv.convertScaleAbs(sobelx)

#%%

sobely = cv.Sobel(img, cv.CV_64F, 0, 1)
testsobley = cv.Sobel(img, -1, 0, 1)
print(sobely)
sobelybeside = cv.convertScaleAbs(sobely)

#%%

sobelxy = cv.Sobel(img, -1, 1, 1)
print(sobelxy)
Sobelxyy = cv.Sobel(img, -1, 1, 1)
plt.imshow(sobelxy, cmap='gray')

#%%

sobelxy = cv.addWeighted(sobelx, 1, sobely, 1, 0)
print(sobelxy)
plt.imshow(sobelxy, cmap='gray')
Sobelxybeside = cv.convertScaleAbs(sobelxy)

#%%

Sobelx = cv.convertScaleAbs(sobelxy)
print(Sobelx)
plt.imshow(Sobelx, cmap='gray')

#%% md



#%%

plt.figure(figsize=(12, 8))

plt.subplot(3, 3, 1), plt.imshow(img, cmap='gray'), plt.title('原始圖像')

plt.subplot(3, 3, 2), plt.imshow(sobelx, cmap='gray'), plt.title('sobelx')
plt.subplot(3, 3, 3), plt.imshow(sobely, cmap='gray'), plt.title('sobely')

plt.subplot(3, 3, 4), plt.imshow(Sobelxyy, cmap='gray')

plt.subplot(3, 3, 5), plt.imshow(sobelxbeside, cmap='gray'), plt.title('sobelxbeside')
plt.subplot(3, 3, 6), plt.imshow(sobelybeside, cmap='gray'), plt.title('sobelybeside')

plt.subplot(3, 3, 7), plt.imshow(Sobelxybeside, cmap='gray')
plt.subplot(3, 3, 8), plt.imshow(testsoblex, cmap='gray'), plt.title('testsoblex')
plt.subplot(3, 3, 9), plt.imshow(testsobley, cmap='gray'), plt.title('testsobley')

plt.show()

（2）復(fù)雜的，實(shí)際的相片

我們可以看到ddepth是-1和cv_64F的區(qū)別，在人物和這個(gè)細(xì)微

2.1.4 近似值

2.2 Scharr 算子

為了彌補(bǔ)Sobel不太精準(zhǔn)的情況，我們可以用 Scharr 算子并看作對 Sobel 算子的改進(jìn)：

dst = cv2.Scharr( src, ddepth, dx, dy[, scale[, delta[, borderType]]] )
# 最好ddepth-cv2.cv_64F
dst= cv2.convertScaleAbs(dst)

2.2.1 等價(jià)的函數(shù)。

dst=cv2.Scharr(src, ddepth, dx, dy)

和 cv2.Sobel()中，如果 ksize=-1，則會使用 Scharr 濾波器。

dst=cv2.Sobel(src, ddepth, dx, dy, -1)

2.2.2需要滿足的條件：dx >= 0 && dy >= 0 && dx+dy = 1

參數(shù) ddepth 的值應(yīng)該設(shè)置為“cv2.CV_64F”，并對函數(shù)
cv2.Scharr()的計(jì)算結(jié)果取絕對值，才能保證得到正確的處理結(jié)果。

2.2.3 Sobel 算子和 Scharr 算子的比較

Sobel算子和Scharr算子都是用于圖像邊緣檢測的濾波器，它們在一些方面有相似之處，但也存在一些差異。以下是Sobel算子和Scharr算子的比較：

2. 靈敏度：

   • Sobel算子：
     Sobel算子對邊緣的響應(yīng)相對較強(qiáng)，但相對來說，對噪聲的敏感性也較高。

   • Scharr算子：
     Scharr算子在對邊緣的響應(yīng)上更加平滑，對噪聲的敏感性相對較低。

3. 計(jì)算復(fù)雜度：

   • Sobel算子：
     Sobel算子的計(jì)算較為簡單，適用于一些對計(jì)算資源要求較低的場合。

   • Scharr算子：
     Scharr算子的計(jì)算復(fù)雜度相對較高，但在一些對精確性要求較高的場景中可能更為合適。

4. 性能：

   • Sobel算子：
     Sobel算子廣泛應(yīng)用于一般的邊緣檢測任務(wù)，性能較好。

   • Scharr算子：
     Scharr算子在一些特定的圖像分析任務(wù)中可能表現(xiàn)得更好，尤其是對于強(qiáng)邊緣的檢測。

在選擇使用Sobel算子或Scharr算子時(shí)，通常會根據(jù)具體的應(yīng)用場景和任務(wù)需求來權(quán)衡它們之間的差異。

2.3 拉普拉斯 Laplacian 算子

它是通過對圖像進(jìn)行二階微分操作來實(shí)現(xiàn)的，能夠突出圖像中像素值變化較大的區(qū)域。拉普拉斯算子通常應(yīng)用于灰度圖像。，需要計(jì)算兩個(gè)方向的梯度值。

前兩個(gè)算子，都是m連通型的（即：對角），現(xiàn)在介紹一個(gè)4連通的。
計(jì)算像素點(diǎn) P5 的近似導(dǎo)數(shù)值，
P5lap = (P2 + P4 + P6 + P8) - 4·P5

計(jì)算結(jié)果的值可能為正數(shù)，也可能為負(fù)數(shù)。所以，需要對計(jì)算
結(jié)果取絕對值，以保證后續(xù)運(yùn)算和顯示都是正確的。

2.3.1 函數(shù)

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


laplacian = cv2.Laplacian(o,cv2.CV_64F)laplacian = cv2.convertScaleAbs(laplacian) # 回uint8

• src：輸入圖像，通常是灰度圖像。
• ddepth：輸出圖像的深度（數(shù)據(jù)類型），通常使用cv2.CV_64F。
• ksize：拉普拉斯算子的卷積核大小，通常為1。
• scale：拉普拉斯算子的縮放因子，用于調(diào)整結(jié)果的幅值。
• delta：可選的增加到輸出圖像的值，用于調(diào)整圖像的亮度。
• borderType：圖像邊界處理類型，默認(rèn)為cv2.BORDER_DEFAULT。

不用像Sobel算子一樣，需要算x和y方向的再加起來。

三、Canny 邊緣檢測

3.1 Canny 原理

【去噪–計(jì)算梯度的幅度與方向–非極大值抑制–確定邊緣】
Canny 邊緣檢測是一種經(jīng)典的圖像處理技術(shù)，通常包括以下幾個(gè)步驟：

1. 高斯濾波（Gaussian Blur）：

   • 首先，圖像會經(jīng)過高斯濾波以平滑噪聲和細(xì)節(jié)。這有助于減少后續(xù)步驟中的誤差和不必要的細(xì)節(jié)。

   讓臨近的像素具有更高的重要度。對周圍像素計(jì)算加權(quán)平均值，較近的像素具有較大的權(quán)重值。

2. 灰度轉(zhuǎn)換（Grayscale Conversion）：

   • 將圖像轉(zhuǎn)換為灰度，將彩色圖像轉(zhuǎn)換為單通道灰度圖像。這樣可以簡化處理，并減少計(jì)算復(fù)雜性。

3. 計(jì)算梯度（Gradient Calculation）：

   • 使用卷積操作，如Sobel算子，計(jì)算圖像的梯度。梯度的方向和強(qiáng)度有助于找到圖像中的邊緣。
     

梯度：

方向：

4. 非極大值抑制（Non-maximum Suppression）：
   • 對梯度圖進(jìn)行非極大值抑制，以保留局部梯度最大的點(diǎn)，從而使邊緣更細(xì)化。

5. 滯后閾值處理（Hysteresis Thresholding）：
   • 使用兩個(gè)閾值進(jìn)行滯后閾值處理。通常，有一個(gè)較低的閾值（弱邊緣）和一個(gè)較高的閾值（強(qiáng)邊緣）。根據(jù)梯度強(qiáng)度，將像素標(biāo)記為強(qiáng)邊緣、弱邊緣或非邊緣。強(qiáng)邊緣會被保留，而與強(qiáng)邊緣連接的弱邊緣也會被保留。

1. 設(shè)定閾值：

   • 選擇兩個(gè)閾值，一個(gè)是高閾值（maxVal），另一個(gè)是低閾值（minVal）。這兩個(gè)閾值的選擇通常依賴于具體的應(yīng)用和圖像特性。

2. 判斷邊緣屬性：

   • 對圖像中的每個(gè)像素進(jìn)行檢查，根據(jù)其梯度值與設(shè)定的閾值之間的關(guān)系，判斷其邊緣的屬性：
     • 如果梯度值大于或等于高閾值（maxVal），則將該像素標(biāo)記為強(qiáng)邊緣。
     • 如果梯度值介于高閾值和低閾值之間（minVal到maxVal之間），則將該像素標(biāo)記為虛邊緣（需要保留）。
     • 如果梯度值小于或等于低閾值（minVal），則抑制該像素，認(rèn)為它不是邊緣。

3. 處理虛邊緣：

   • 對于被標(biāo)記為虛邊緣的像素，進(jìn)一步判斷其是否與強(qiáng)邊緣相連。如果與強(qiáng)邊緣相連，則將其標(biāo)記為強(qiáng)邊緣，否則抑制它。 這個(gè)步驟的目標(biāo)是最終確定哪些邊緣是真實(shí)的、強(qiáng)的，哪些是需要保留的虛邊緣，以及哪些應(yīng)該被抑制。這樣的處理可以有效減少噪聲和虛假邊緣，提高Canny邊緣檢測的準(zhǔn)確性。

3.2 Canny 函數(shù)及使用

edges = cv.Canny( image, threshold1, threshold2[, apertureSize[, L2gradient]])

? edges 為計(jì)算得到的邊緣圖像。
? image 為 8 位輸入圖像。
如果為了細(xì)節(jié)，就設(shè)置的小一些
? threshold1 表示處理過程中的第一個(gè)閾值。
? threshold2 表示處理過程中的第二個(gè)閾值。
文章來源地址http://www.zghlxwxcb.cn/news/detail-761302.html

import cv2
import matplotlib.pyplot as plt

# 讀取圖像
image_path = './'
original_image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

# 高斯濾波，去除噪聲
blurred_image = cv2.GaussianBlur(original_image, (5, 5), 0)

# 使用Canny函數(shù)進(jìn)行邊緣檢測
edges = cv2.Canny(blurred_image, 50, 150)  # 50是低閾值，150是高閾值

# 顯示原始圖像、模糊圖像和邊緣圖像
plt.figure(figsize=(10, 6))

plt.subplot(131)
plt.imshow(original_image, cmap='gray')
plt.title('Original Image')

plt.subplot(132)
plt.imshow(blurred_image, cmap='gray')
plt.title('Blurred Image')

plt.subplot(133)
plt.imshow(edges, cmap='gray')
plt.title('Canny Edges')

plt.show()

到了這里，關(guān)于我在Vscode學(xué)OpenCV 圖像處理三（圖像梯度--邊緣檢測【圖像梯度、Sobel 算子、 Scharr 算子、 Laplacian 算子、Canny 邊緣檢測】）的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！