opencv 跟踪边缘 opencv sobel边缘检测

文章目录

• 一、什么是边缘检测&如何边缘检测
• 二、算法理论简介

• 2.1 Sobel算子
• 2.2 canny

• 三、opencv实现

• 3.1 Sobel算子
• 3.2 Canny算法

一、什么是边缘检测&如何边缘检测

边缘是图像强度函数快速变化的地方 如何检测边缘： 建议在求导数之前先对图像进行平滑处理。

二、算法理论简介

2.1 Sobel算子

中心点 f(x, y) 是重点考虑的，它的权重应该多一些，所以改进成下面这样的

-1, 0, 1

                -2, 0, 2

                -1, 0, 1

这就是 Sobel 边缘检测算子，偏 x 方向的。同理可得偏y方向上的。

-1, -2, -1

                0,  0,  0

                1,  2,  1

分别计算偏 x 方向的 Gx，偏 y 方向的 Gy，求绝对值，压缩到 [0, 255]区间，即 G(x, y) = Gx + Gy 就是 sobel 边缘检测后的图像了。因此sobel算子是有两个方向的。

2.2 canny

canny算子的计算步骤如下：

高斯滤波	目的
1.高斯滤波	去噪声降低错误率
2.计算梯度幅值和方向（一阶差分偏导）	估计每一点处的边缘强度与方向(sobel)
3.非极大值抑制（NMS）	对Sobel、Prewitt等算子的结果进一步细化，把不是极值的点，全部置0，去掉了大部分弱的边缘。所以图像边缘会变细
4应用双阈值（Double-Threshold）检测	确定真实的和可能的边缘。

三、opencv实现

3.1 Sobel算子

"""
cv2.Sobel(src, #参数是需要处理的图像；
	     ddepth, #图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度
        dx, #dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。
	    dy[, 
		 dst[, #输出图片
          ksize[,#Sobel算子的大小，必须为1、3、5、7。
          scale[, #缩放导数的比例常数，默认情况下没有伸缩系数；
          delta[, #可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
          borderType #判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
          ]]]]])  
"""

img =  cv2.imread(pic_fil, cv2.IMREAD_UNCHANGED) 
img= cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

sobelx = cv2.Sobel(img, ddepth=cv2.CV_64F, dx=1, dy=0, ksize=5)
sobely = cv2.Sobel(img, ddepth=cv2.CV_64F, dx=0, dy=1, ksize=5)

#画图
fig, axes = plt.subplots(1, 3 , figsize=(10,5))
axes[0].imshow(img,cmap = 'gray')
axes[0].set_title('original')
axes[1].imshow(sobelx,cmap = 'gray')
axes[1].set_title('Sobel X')
axes[2].imshow(sobely,cmap = 'gray')
axes[2].set_title('Sobel Y')

plt.show()

3.2 Canny算法

"""
cv2.Canny(image,            # 输入原图（必须为单通道图）
          threshold1,
          threshold2,       # 较大的阈值2用于检测图像中明显的边缘
          [, edges[,
          apertureSize[,    # apertureSize：Sobel算子的大小
          L2gradient ]]])   # 参数(布尔值)：
                              true： 使用更精确的L2范数进行计算（即两个方向的倒数的平方和再开放），
                              false：使用L1范数（直接将两个方向导数的绝对值相加）。
"""

# canny边缘检测
img1 = cv2.GaussianBlur(img,(3,3),0)
canny = cv2.Canny(img1, 50, 150)

# 二值化将图片翻转 突出线条 
temp_dark = cv2.adaptiveThreshold(canny, maxValue=255
                         ,adaptiveMethod = cv2.ADAPTIVE_THRESH_GAUSSIAN_C
                         ,thresholdType = cv2.THRESH_BINARY
                         ,blockSize = 5
                         ,C = 5
                         )

fig, axes = plt.subplots(1, 3 , figsize=(10,5))
axes[0].imshow(img,cmap = 'gray')
axes[0].set_title('original')
axes[1].imshow(canny,cmap = 'gray')
axes[1].set_title('canny')
axes[2].imshow(temp_dark,cmap = 'gray')
axes[2].set_title('canny adaptiveThreshold')
plt.show()