Python中边缘检测 边缘检测例子

简单记录一下OpenCV的几种边缘检测函数的用法。

边缘检测算法
　　以Sobel边缘检测算法为例。
　　Sobel卷积核模板为：

偏导公式为：

Gx(i,j)=[f(i+1,j−1)+2f(i+1,j)+f(i+1,j+1)]−[f(i−1,j−1)+2f(i−1,j)+f(i−1,j+1)]
 
Gy(i,j)=[f(i−1,j+1)+2f(i,j+1)+f(i+1,j+1)]−[f(i−1,j−1)+2f(i,j−1)+f(i+1,j−1)]

　　卷积核模板的图片又是从网上抄来的，实际上我都不是很确定Gx,Gy有没有标反，但这不重要，只要知道了卷积核，就可以把核放到矩阵上一个一个的滑动，对应位置相乘，然后把这6（其实应该说是9个数，因为在Sobel算子的卷积核中有3个0,任何数乘以0都是0，所以可以不计算，但在其他算子就不见得都为0）个乘积相加，就分别得到了该坐标位置的Gx,Gy，这样一直滑到最后一个（我就是这么理解卷积的）。

　　不过到这里其实还只是做了一半，因为还只是算出来了x和y方向的偏导数。

　　公式（8.1）是梯度向量，梯度幅值为用公式（8.2）。但在实际使用中，为了提高计算的速度，我们可以用式（8.3）、（8.4）（8.5）来近似。（8.6）是梯度向量的方向角公式。
　　所以，在计算出(i,j)处的Gx(i,j),Gy(i,j)之后，可以用式（8.2）计算出图像的梯度幅值，或者用式（8.3）、（8.4）、（8.5）算出近似幅值后，设定一个阈值T，如果(i,j)处的幅值大于阈值T，则认为该点是边缘点。
　　边缘检测大体都是这样，不同的算子只是卷积核不同。其实只要理解了图像数据是怎么进行卷积计算的，都可以自己设计算子，当然效果要好才有用。

附上一个OpenCV的几个边缘检测函数的简单使用的栗子。

#include "stdafx.h"

#include "cv.h"
#include "highgui.h"

using namespace cv;

int main(int argc, char* argv[])
{
    Mat src = imread("F:\\picture\\cv53.jpg");
    Mat dst;

    //输入图像
    //输出图像
    //输入图像颜色通道数
    //x方向阶数
    //y方向阶数
    //Sobel(src,dst,src.depth(),1,1);
    //imwrite("sobel.jpg",dst);

    //输入图像
    //输出图像
    //输入图像颜色通道数
    //Laplacian(src,dst,src.depth());
    //imwrite("laplacian.jpg",dst);

    //输入图像
    //输出图像
    //彩色转灰度
    cvtColor(src,src,CV_BGR2GRAY);  //canny只处理灰度图

    //输入图像
    //输出图像
    //低阈值
    //高阈值，opencv建议是低阈值的3倍
    //内部sobel滤波器大小
    Canny(src,dst,50,150,3);    
    imwrite("canny71.jpg",dst);

    imshow("dst",dst);
    waitKey();

    return 0;
}

　　想测试那种边缘检测，就把注释修改一下即可。