图像边缘检测是计算机视觉和图像处理中的一项基本任务，它用于识别图像中亮度变化明显的区域，这些区域通常对应于物体的边界。是 OpenCV 中常用的边缘检测函数及其说明:
| 函数 | 算法 | 说明 | 适用场景 |
|---|---|---|---|
cv2.Canny() | Canny 边缘检测 | 多阶段算法，检测效果较好，噪声抑制能力强。 | 通用边缘检测，适合大多数场景。 |
cv2.Sobel() | Sobel 算子 | 基于一阶导数的边缘检测，可以检测水平和垂直边缘。 | 检测水平和垂直边缘。 |
cv2.Scharr() | Scharr 算子 | Sobel 算子的改进版本，对边缘的响应更强。 | 检测细微的边缘。 |
cv2.Laplacian() | Laplacian 算子 | 基于二阶导数的边缘检测，对噪声敏感。 | 检测边缘和角点。 |
1 Canny 边缘检测 (cv2.Canny())
Canny 边缘检测是一种多阶段的边缘检测算法，由 John F. Canny 在 1986 年提出。Canny 边缘检测被认为是边缘检测的"金标准"，因为它能够在噪声抑制和边缘定位之间取得良好的平衡。
1.1 Canny 边缘检测的步骤
Canny 边缘检测算法主要包括以下几个步骤：
- 噪声抑制：使用高斯滤波器对图像进行平滑处理，以减少噪声的影响。
- 计算梯度：使用 Sobel 算子计算图像的梯度幅值和方向。
- 非极大值抑制：沿着梯度方向，保留局部梯度最大的像素点，抑制其他像素点。
- 双阈值检测：使用两个阈值（低阈值和高阈值）来确定真正的边缘。高于高阈值的像素点被认为是强边缘，低于低阈值的像素点被抑制，介于两者之间的像素点如果与强边缘相连则保留。
- 边缘连接：通过滞后阈值处理，将弱边缘与强边缘连接起来，形成完整的边缘。
1.2 使用 OpenCV 实现 Canny 边缘检测
在 OpenCV 中，可以使用 cv2.Canny() 函数来实现 Canny 边缘检测。该函数的原型如下：
edges = cv2.Canny(image, threshold1, threshold2, apertureSize=3, L2gradient=False)image：输入图像，必须是单通道的灰度图像。threshold1：低阈值。threshold2：高阈值。apertureSize：Sobel 算子的孔径大小，默认为 3。L2gradient：是否使用 L2 范数计算梯度幅值，默认为 False（使用 L1 范数）。
import cv2
# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 应用 Canny 边缘检测
edges = cv2.Canny(image, 100, 200)
# 显示结果
cv2.imshow('Canny Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()
2 Sobel 算子 (cv2.Sobel())
Sobel 算子是一种基于梯度的边缘检测算子，它通过计算图像在水平和垂直方向上的梯度来检测边缘。Sobel 算子结合了高斯平滑和微分操作，因此对噪声具有一定的抑制作用。
2.1 Sobel 算子的原理
Sobel 算子使用两个 3x3 的卷积核分别计算图像在水平和垂直方向上的梯度：
- 水平方向的卷积核：
[-1, 0, 1] [-2, 0, 2] [-1, 0, 1]
- 垂直方向的卷积核：
[-1, -2, -1] [ 0, 0, 0] [ 1, 2, 1]
通过这两个卷积核，可以分别得到图像在水平和垂直方向上的梯度 Gx 和 Gy。最终的梯度幅值可以通过以下公式计算：
G = sqrt(Gx^2 + Gy^2)
2.2 使用 OpenCV 实现 Sobel 算子
在 OpenCV 中，可以使用 cv2.Sobel() 函数来计算图像的梯度。该函数的原型如下：
dst = cv2.Sobel(src, ddepth, dx, dy, ksize=3, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)src：输入图像。ddepth：输出图像的深度，通常使用cv2.CV_64F。dx：x 方向上的导数阶数。dy：y 方向上的导数阶数。ksize：Sobel 核的大小，默认为 3。scale：缩放因子，默认为 1。delta：可选的 delta 值，默认为 0。borderType：边界填充类型，默认为cv2.BORDER_DEFAULT。
import cv2
import numpy as np
# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 计算 x 方向的梯度
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
# 计算 y 方向的梯度
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
# 计算梯度幅值
sobel_combined = np.sqrt(sobel_x ** 2 + sobel_y ** 2)
# 显示结果
cv2.imshow('Sobel X', sobel_x)
cv2.imshow('Sobel Y', sobel_y)
cv2.imshow('Sobel Combined', sobel_combined)
cv2.waitKey(0)
cv2.destroyAllWindows()
3 Scharr算子（cv2.Scharr()）
3.1 Scharr算子的原理
在离散的空间上，有很多方法可以用来计算近似导数，在使用 3×3 的 Sobel 算子时，可能计算结果并不太精准。OpenCV 提供了 Scharr 算子，该算子具有和 Sobel 算子同样的速度，且精度更高。可以将 Scharr 算子看作对 Sobel 算子的改进，其核通常为：
3.2 使用 OpenCV 实现 Scharr 算子
OpenCV 提供了函数 cv2.Scharr()来计算 Scharr 算子，其语法格式如下：
dst = cv2.Scharr( src, ddepth, dx, dy[, scale[, delta[, borderType]]] )- dst 代表输出图像。
- src 代表原始图像。
- ddepth 代表输出图像深度。该值与函数 cv2.Sobel()中的参数 ddepth 的含义相同。
- dx 代表 x 方向上的导数阶数。
- dy 代表 y 方向上的导数阶数。
- scale 代表计算导数值时的缩放因子，该项是可选项，默认值是 1，表示没有缩放。
- delta 代表加到目标图像上的亮度值，该项是可选项，默认值为 0。
- borderType 代表边界样式。
import cv2
# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 计算 x 方向的梯度
scharr_x = cv2.Scharr(image, cv2.CV_64F, 1, 0)
# 计算 y 方向的梯度
scharr_y = cv2.Scharr(image, cv2.CV_64F, 0, 1)
# 计算梯度幅值
scharr_combined = cv2.addWeighted(scharr_x, 0.5, scharr_y, 0.5, 0)
# 显示结果
cv2.imshow('Scharr X', scharr_x)
cv2.imshow('Scharr Y', scharr_y)
cv2.imshow('Scharr Combined', scharr_combined)
cv2.waitKey(0)
cv2.destroyAllWindows()
4 Laplacian 算子 (cv2.Laplacian())
Laplacian 算子是一种二阶微分算子，它通过计算图像的二阶导数来检测边缘。Laplacian 算子对噪声比较敏感，因此通常在使用之前会对图像进行高斯平滑处理。
4.1 Laplacian 算子的原理
Laplacian 算子使用以下卷积核来计算图像的二阶导数：
[ 0, 1, 0] [ 1, -4, 1] [ 0, 1, 0]
通过这个卷积核，可以得到图像的 Laplacian 值。Laplacian 值较大的区域通常对应于图像的边缘。
4.2 使用 OpenCV 实现 Laplacian 算子
在 OpenCV 中，可以使用 cv2.Laplacian() 函数来计算图像的 Laplacian 值。该函数的原型如下：
dst = cv2.Laplacian(src, ddepth, ksize=1, scale=1, delta=0, borderType=cv2.BORDER_DEFAULT)src：输入图像。ddepth：输出图像的深度，通常使用cv2.CV_64F。ksize：Laplacian 核的大小，默认为 1。scale：缩放因子，默认为 1。delta：可选的 delta 值，默认为 0。borderType：边界填充类型，默认为cv2.BORDER_DEFAULT。
import cv2
# 读取图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 应用 Laplacian 算子
laplacian = cv2.Laplacian(image, cv2.CV_64F)
# 显示结果
cv2.imshow('Laplacian', laplacian)
cv2.waitKey(0)
cv2.destroyAllWindows()
5 常用边缘检测函数对比
| 函数 | 算法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
cv2.Canny() | Canny 边缘检测 | 噪声抑制能力强，边缘检测效果好。 | 参数调节较为复杂。 | 通用边缘检测，适合大多数场景。 |
cv2.Sobel() | Sobel 算子 | 计算简单，适合检测水平和垂直边缘。 | 对噪声敏感，边缘检测效果一般。 | 检测水平和垂直边缘。 |
cv2.Scharr() | Scharr 算子 | 对边缘的响应更强，适合检测细微边缘。 | 对噪声敏感。 | 检测细微的边缘。 |
cv2.Laplacian() | Laplacian 算子 | 可以检测边缘和角点。 | 对噪声非常敏感。 | 检测边缘和角点。 |
