OpenCV图像处理_边缘检测
1. 边缘检测
1.1 主要思想：标识数字图像中亮度变化明显的点；大幅度减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。
1.2 边缘检测分类
（1）基于搜索：通过寻找图像一阶导数中的最大值来检测边界，然后利用计算结果估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值，代表算法是Sobel算子和Scharr算子
（2）基于零穿越：通过寻找图像的二阶导数零穿越来寻找边界，代表算法是Laplacian算子
2 .Sobel算子：基于搜索的方法获取边界
2.1 主要用途：用于对效率要求高，对细纹理不太关心的时候
2.2 方法：
假设要处理的图像为I，在两个方向进行求导：
（1）水平变化：将图像I与奇数大小的模板进行卷积，结果为Gx，当模板大小为3时，Gx为：
（1）垂直变化：将图像I与奇数大小的模板进行卷积，结果为Gy，当模板大小为3时，Gy为：
注意：当内核大小为3时，以上Sobel内核可能会产生比较明显的误差，为解决这一问题，可以使用Scharr算子，但此函数仅作用于大小为3的内核
语法：
Sobel_x_or_y=cv.Sobel(src,ddepth,dx,dy,dst,ksize,scale,delta,borderType)
参数：
（1）src：传入的图像
（2）ddepth：图像的深度(cv.CV_16S)
（3）dx,dy：求导的阶数，取值为0（没有求导）,1（1阶导）
（4）ksize：卷积核大小，必须为奇数，默认为3
（5）scale：缩放导数的比例常数，默认情况下无伸缩系数
（6）borderType：图像边界的模式
注意：
（1）格式转换函数：Scale_abs=cv.convertScaleAbs(x)
（2）图像混合：result=cv.addWeighted(src1,alpha,src2,beta)
Sobel算子:
Scharr算子: （ksize：卷积核大小，为-1）
3. Laplacian算子：基于零穿越获取边界
主要思想：利用二阶导数来进行边缘检测
卷积核为：
语法：laplacinotallow=cv.Laplacian(src,ddepth[,ksize[,scale[,delta[,borderType]]]])
参数：
（1）src：需要处理的图像
（2）ddepth：图像的深度(cv.CV_16S)
（4）ksize：卷积核大小，必须为奇数，默认为3
4.Canny边缘检测算法
步骤：
（1）噪声去除：高斯滤波
（2）计算图像梯度：sobel算子，计算梯度大小和方向
（3）非极大值抑制：利用梯度方向像素来判断当前像素是否为边界点
（4）滞后阈值：设置两个阈值，确定最终的边界
语法：canny=cv.Canny(image,threshold1,threshold2)
参数：
（1）image：灰度图
（2）threshold1：较小的阈值将间断的边缘连接起来
（3）threshold2：较大的阈值检测图像中明显的边缘
